Használja a mobilitási adatokat, hogy betekintést nyerjen az Amazon SageMaker térinformatikai képességei segítségével | Amazon webszolgáltatások

A térinformatikai adatok a Föld felszínén lévő meghatározott helyekre vonatkozó adatok. Képviselhet egy földrajzi terület egészét vagy egy földrajzi területhez kapcsolódó eseményt. A térinformatikai adatok elemzése néhány iparágban keresett. Ez magában foglalja annak megértését, hogy az adatok hol léteznek térbeli szempontból, és miért léteznek ott.

Kétféle térinformatikai adat létezik: vektoradat és raszteres adat. A raszteradatok egy rácsként ábrázolt cellák mátrixa, amely többnyire fényképeket és műholdképeket ábrázol. Ebben a bejegyzésben a vektoros adatokra összpontosítunk, amelyek földrajzi szélességi és hosszúsági koordinátákként, valamint az ezeket összekötő vagy körülölelő vonalak és sokszögek (területek) formájában jelennek meg. A vektoradatoknak számos felhasználási esete van a mobilitási betekintések származtatására. A felhasználói mobiladatok az egyik ilyen összetevője, és többnyire a GPS-t használó mobileszközök földrajzi helyzetéből vagy az SDK-kat vagy hasonló integrációkat használó alkalmazásmegjelenítőkből származtatják. Jelen bejegyzésben ezeket az adatokat mint mobilitási adatok.

Ez egy kétrészes sorozat. Ebben az első bejegyzésben bemutatjuk a mobilitási adatokat, azok forrásait és az adatok tipikus sémáját. Ezt követően megvitatjuk a különféle használati eseteket, és megvizsgáljuk, hogyan használhatja az AWS-szolgáltatásokat az adatok tisztítására, hogyan segítheti ezt a törekvést a gépi tanulás (ML), és hogyan használhatja fel etikusan az adatokat a látványelemek és betekintések létrehozásához. A második bejegyzés inkább technikai jellegű lesz, és részletesen ismerteti ezeket a lépéseket a mintakód mellett. Ez a bejegyzés nem tartalmaz mintaadatkészletet vagy mintakódot, inkább az adatok felhasználását ismerteti az adatgyűjtőtől való vásárlás után.

Használhatja Amazon SageMaker térinformatikai képességek a mobilitási adatok alaptérképen való átfedésére és az együttműködés megkönnyítése érdekében rétegzett megjelenítést biztosít. A GPU-val hajtott interaktív megjelenítő és a Python notebookok zökkenőmentes módot kínálnak több millió adatpont felfedezésére egyetlen ablakban, valamint betekintések és eredmények megosztására.

Források és séma

Kevés mobilitási adatforrás létezik. A GPS-pingek és az alkalmazás-megjelenítők mellett más forrásokat is használnak az adatkészlet bővítésére, például Wi-Fi hozzáférési pontokat, a hirdetések mobileszközökön történő megjelenítésével nyert ajánlatfolyam-adatokat, valamint a vállalkozások által elhelyezett speciális hardver-adókat (például fizikai üzletekben). ). A vállalkozásoknak gyakran nehéz maguknak összegyűjteni ezeket az adatokat, ezért előfordulhat, hogy adatgyűjtőktől vásárolják meg azokat. Az adatgyűjtők különböző forrásokból mobilitási adatokat gyűjtenek, tisztítanak, zajt adnak hozzá, és napi rendszerességgel teszik elérhetővé az adatokat adott földrajzi régiókra vonatkozóan. Magának az adatnak a természetéből adódóan és a nehezen hozzáférhető adatok miatt ezeknek az adatoknak a pontossága és minősége jelentősen eltérhet, és ezt a vállalkozásoknak kell értékelniük és ellenőrizniük olyan mutatók segítségével, mint például a napi aktív felhasználók száma, az összes napi ping, és átlagos napi pingelések eszközenként. A következő táblázat bemutatja, hogyan nézhet ki az adatgyűjtők által küldött napi adatfolyam tipikus sémája.

Attribútum	Leírás
Id vagy MAID	Az eszköz mobilhirdetési azonosítója (MAID) (kivonatosan)
lat	Az eszköz szélességi foka
hossz	A készülék hosszúsági foka
geohash	Az eszköz geohash helye
eszköztípus	Az eszköz operációs rendszere = IDFA vagy GAID
vízszintes_pontosság	Vízszintes GPS koordináták pontossága (méterben)
időbélyeg	Az esemény időbélyege
ip	IP-cím
más	A készülék magassága (méterben)
sebesség	A készülék sebessége (méter/másodperc)
ország	A származási ország kétjegyű ISO kódja
voltak	Állapot jelképező kódok
város	A várost jelző kódok
irányítószám	Irányítószám, ahol az eszközazonosító látható
hordozó	A készülék hordozója
device_manufacturer	A készülék gyártója

Használati esetek

A mobilitási adatok széles körben elterjedtek a különféle iparágakban. Íme néhány a leggyakoribb felhasználási esetek közül:

• Sűrűségmérők – A gyalogos forgalom elemzése kombinálható a népsűrűséggel a tevékenységek és a látnivalók (POI) látogatásának megfigyeléséhez. Ezek a mutatók képet mutatnak arról, hogy hány eszköz vagy felhasználó áll meg aktívan, és foglalkozik egy vállalkozással, ami tovább használható a helyszín kiválasztásához vagy akár egy esemény körüli mozgásminták elemzéséhez (például egy játéknapra utazó emberek). Az ilyen betekintések megszerzéséhez a bejövő nyers adatok egy kibontási, átalakítási és betöltési (ETL) folyamaton mennek keresztül, hogy azonosítsák a tevékenységeket vagy elköteleződéseket az eszköz helymeghatározási pingeinek folyamatos folyamából. A tevékenységeket úgy elemezhetjük, hogy azonosítjuk a felhasználó vagy a mobileszköz által végrehajtott leállásokat a ping-ek klaszterezésével ML modellek segítségével. Amazon SageMaker.
• Utazások és pályák – Egy eszköz napi helyadat-adatbázisa tevékenységek (megállások) és utazások (mozgás) gyűjteményeként fejezhető ki. Egy tevékenységpár egy utazást jelenthet közöttük, és ha a mozgó eszközzel földrajzi térben követjük az utat, az a tényleges pálya feltérképezéséhez vezethet. A felhasználók mozgásának pályamintái érdekes betekintést nyerhetnek, például a forgalmi mintákat, az üzemanyag-fogyasztást, a várostervezést stb. Ezenkívül adatokat szolgáltathat a hirdetési pontoktól, például egy óriásplakáttól megtett útvonal elemzéséhez, azonosíthatja a leghatékonyabb szállítási útvonalakat az ellátási lánc műveleteinek optimalizálása érdekében, vagy elemzi a kiürítési útvonalakat természeti katasztrófák esetén (például hurrikán evakuálás).
• Vízgyűjtő terület elemzése - A vízgyűjtő területe olyan helyekre utal, ahonnan egy adott terület vonzza látogatóit, akik lehetnek vásárlók vagy potenciális vásárlók. A kiskereskedelmi vállalkozások felhasználhatják ezeket az információkat arra, hogy meghatározzák az optimális helyet egy új üzlet megnyitásához, vagy megállapíthatják, hogy két üzlet túl közel van-e egymáshoz, átfedő vonzáskörzetekkel, és hátráltatják-e egymás üzletét. Azt is megtudhatják, honnan érkeznek a tényleges ügyfelek, azonosíthatják a potenciális ügyfeleket, akik munkába vagy otthonukba utazva elhaladnak a környéken, elemezhetik a versenytársak hasonló látogatottsági mutatóit, és így tovább. A Marketing Tech (MarTech) és az Advertisement Tech (AdTech) cégek is felhasználhatják ezt az elemzést marketingkampányok optimalizálására azáltal, hogy azonosítják a márka üzletéhez közeli közönséget, vagy az üzleteket teljesítmény alapján rangsorolják az otthonon kívüli hirdetések esetében.

Számos más felhasználási eset is létezik, beleértve a helymeghatározási intelligencia generálását kereskedelmi ingatlanokhoz, a műholdfelvételek adatainak növelését a látogatók számával, az éttermek szállítási csomópontjainak azonosítását, a környék evakuálási valószínűségének meghatározását, az emberek mozgási mintáinak felfedezését a világjárvány idején stb.

Kihívások és etikus használat

A mobilitási adatok etikus felhasználása számos érdekes felismeréshez vezethet, amelyek segíthetik a szervezeteket működésük javításában, hatékony marketing megvalósításában vagy akár versenyelőny megszerzésében. Az adatok etikus felhasználásához több lépést kell követni.

Magával az adatgyűjtéssel kezdődik. Bár a legtöbb mobilitási adat továbbra is mentes a személyazonosításra alkalmas adatoktól (PII), például a névtől és a címtől, az adatgyűjtőknek és -gyűjtőknek a felhasználó hozzájárulásával kell rendelkezniük adataik gyűjtéséhez, felhasználásához, tárolásához és megosztásához. Az adatvédelmi törvényeket, például a GDPR-t és a CCPA-t be kell tartani, mert ezek felhatalmazzák a felhasználókat arra, hogy meghatározzák, hogyan használhatják fel adataikat a vállalkozások. Ez az első lépés jelentős lépés a mobilitási adatok etikus és felelős felhasználása felé, de még többet lehet tenni.

Minden eszközhöz kivonatolt mobilhirdetési azonosító (MAID) van hozzárendelve, amely az egyes ping-ek rögzítésére szolgál. Ezt a használatával tovább lehet zavarni Amazon Macie, Amazon S3 Object Lambda, Amazon Comprehend, vagy akár a AWS ragasztóstúdió PII transzformáció észlelése. További információkért lásd: Gyakori technikák a PHI- és PII-adatok észlelésére az AWS-szolgáltatások használatával.

A személyazonosításra alkalmas adatokon kívül meg kell fontolni a felhasználó otthonának helyét, valamint más érzékeny helyeket, például katonai bázisokat vagy istentiszteleti helyeket.

Az etikus használat utolsó lépése az, hogy az Amazon SageMakerből csak összesített mutatókat kell levezetni és exportálni. Ez olyan mutatókat jelent, mint például a látogatók átlagos száma vagy teljes száma, szemben az egyéni utazási mintákkal; napi, heti, havi vagy éves trendek lekérése; vagy a mobilitási minták indexelése a nyilvánosan elérhető adatok, például a népszámlálási adatok fölé.

Megoldás áttekintése

Amint azt korábban említettük, a mobilitási adatok elemzésére használható AWS-szolgáltatások az Amazon S3, az Amazon Macie, az AWS Glue, az S3 Object Lambda, az Amazon Comprehend és az Amazon SageMaker térinformatikai képességei. Az Amazon SageMaker térinformatikai képességei megkönnyítik az adattudósok és az ML mérnökök számára a térinformatikai adatokat használó modellek építését, betanítását és üzembe helyezését. Hatékonyan átalakíthatja vagy gazdagíthatja a nagy léptékű térinformatikai adatkészleteket, felgyorsíthatja a modellépítést előre betanított ML-modellekkel, valamint felfedezheti a modell-előrejelzéseket és a térinformatikai adatokat egy interaktív térképen a 3D gyorsított grafika és a beépített vizualizációs eszközök segítségével.

A következő referenciaarchitektúra egy munkafolyamatot ábrázol térinformatikai adatokkal rendelkező ML használatával.

Ebben a munkafolyamatban a különböző adatforrásokból származó nyersadatokat összesítik és tárolják Amazon egyszerű tárolási szolgáltatás (S3) vödör. Az Amazon Macie-t ezen az S3 tárolón használják a személyazonosításra alkalmas adatok azonosítására és szerkesztésére. Ezután az AWS Glue segítségével megtisztítják és átalakítják a nyers adatokat a kívánt formátumra, majd a módosított és megtisztított adatokat egy külön S3 tárolóban tárolják. Az AWS Glue segítségével nem lehetséges adatátalakításokhoz használja AWS Lambda a nyers adatok módosításához és tisztításához. Az adatok megtisztítása után az Amazon SageMaker segítségével ML modelleket építhet, képezhet és telepíthet az előre elkészített térinformatikai adatokon. Használhatja a térinformatikai Feldolgozási munkák Az Amazon SageMaker térinformatikai képességeinek jellemzője az adatok előfeldolgozására – például Python-függvény és SQL-utasítások használatával azonosítja a tevékenységeket a nyers mobilitási adatokból. Az adattudósok ezt a folyamatot az Amazon SageMaker notebookokon keresztül történő csatlakozással hajthatják végre. Használhatod is Amazon QuickSight üzleti eredmények és egyéb fontos mutatók megjelenítése az adatokból.

Amazon SageMaker térinformatikai képességek és térinformatikai feldolgozási feladatok

Miután az adatokat megszereztük, és napi adagolással betápláltuk az Amazon S3-ba, és megtisztították az érzékeny adatoktól, importálhatók az Amazon SageMakerbe egy Amazon SageMaker Studio jegyzetfüzet térinformatikai képpel. A következő képernyőkép az Amazon S3-ba CSV-fájlként feltöltött, majd egy panda adatkeretbe betöltött napi ping-ek mintáját mutatja be. A térinformatikai képpel rendelkező Amazon SageMaker Studio notebook előre telepítve van olyan térinformatikai könyvtárakkal, mint a GDAL, GeoPandas, Fiona és Shapely, és egyszerűvé teszi ezen adatok feldolgozását és elemzését.

Ez a mintaadatkészlet hozzávetőleg 400,000 5,000 napi eszközpinget tartalmaz 14,000 eszközről 15 2023 egyedi helyről, amelyeket a felhasználók XNUMX. május XNUMX-én felkerestek az Arrowhead Mall-ban, egy népszerű bevásárlóközpont-komplexumban Phoenixben, Arizonában. Az előző képernyőkép az oszlopok egy részhalmazát mutatja. adatséma. A MAID oszlop az eszközazonosítót jelöli, és minden MAID percenként pingeket generál, közvetítve az eszköz szélességi és hosszúsági fokát, amely a mintafájlban rögzítve van Lat és a Lng oszlopok.

Az alábbiakban a Foursquare Studio által működtetett Amazon SageMaker térinformatikai képességek térkép-megjelenítő eszközének képernyőképei láthatók, amelyek a bevásárlóközpontba reggel 7:00 és 6:00 óra között érkező eszközök pingelésének elrendezését ábrázolják.

A következő képernyőképen a bevásárlóközpontból és a környező területekről érkező pingek láthatók.

Az alábbiakban a bevásárlóközpont különböző üzleteiből származó pingek láthatók.

A képernyőképek minden pontja egy adott eszközről egy adott időpontban érkező pinget ábrázol. A ping-ek csoportja olyan népszerű helyeket jelöl, ahol az eszközök összegyűlnek vagy megálltak, például üzleteket vagy éttermeket.

A kezdeti ETL részeként ezek a nyers adatok betölthetők táblákra az AWS Glue segítségével. Létrehozhat egy AWS Glue bejárót az adatok sémájának azonosításához és az űrlaptáblázatok azonosításához, ha adatforrásként az Amazon S3 nyersadatok helyére mutat.

Ahogy fentebb említettük, a nyers adatok (a napi eszközpingek), még a kezdeti ETL után is, a GPS-pingek folyamatos folyamát jelentik, amelyek jelzik az eszközök helyét. Ahhoz, hogy ezekből az adatokból hasznos betekintést nyerhessünk, meg kell határoznunk a megállókat és az utazásokat (pályákat). Ezt a térinformatikai Feldolgozási munkák a SageMaker térinformatikai képességeinek jellemzője. Amazon SageMaker feldolgozás a SageMaker egyszerűsített, felügyelt élményét használja az adatfeldolgozási munkaterhelések futtatásához a célzott térinformatikai tárolóval. A SageMaker feldolgozási feladatok mögöttes infrastruktúráját teljes mértékben a SageMaker felügyeli. Ez a funkció lehetővé teszi az egyéni kód futtatását az Amazon S3-on tárolt térinformatikai adatokon azáltal, hogy egy térinformatikai ML-tárolót futtat egy SageMaker Processing jobon. Egyéni műveleteket futtathat nyílt vagy privát térinformatikai adatokon, ha egyéni kódot ír nyílt forráskódú könyvtárakkal, és futtathatja a műveletet a SageMaker feldolgozási feladatok segítségével. A konténer alapú megközelítés megoldja a fejlesztési környezet szabványosításával kapcsolatos igényeket általánosan használt nyílt forráskódú könyvtárakkal.

Az ilyen nagyszabású munkaterhelések futtatásához rugalmas számítási fürtre van szükség, amely több tíz példánytól skálázható egy várostömb feldolgozásához, több ezer példányig a bolygószintű feldolgozáshoz. A DIY számítási fürt manuális kezelése lassú és költséges. Ez a szolgáltatás különösen akkor hasznos, ha a mobilitási adatkészlet néhány városnál több államot vagy akár országot is magában foglal, és kétlépcsős ML-megközelítés futtatására használható.

Az első lépés az alkalmazások sűrűség alapú térbeli klaszterezése zajjal (DBSCAN) algoritmus használatával a ping-ek fürtleállásaihoz. A következő lépés a támogatási vektorgépek (SVM) módszer használata az azonosított megállók pontosságának további javítására, valamint a POI-val való kapcsolattal rendelkező megállóhelyek és az anélküli megállóhelyek (például otthon vagy munkahely) megkülönböztetésére. A SageMaker feldolgozási feladatot is használhatja utazások és pályák létrehozására a napi eszközpingek alapján az egymást követő megállások azonosításával és a forrás és a célállomások közötti útvonal leképezésével.

A nyers adatok (napi eszközpingek) térinformatikai feldolgozási feladatokkal történő feldolgozása után az új adathalmaznak a következő sémával kell rendelkeznie.

Attribútum	Leírás
Id vagy MAID	Az eszköz mobilhirdetési azonosítója (kivonatolt)
lat	A stop-klaszter súlypontjának szélessége
hossz	A stop-klaszter súlypontjának hosszúsága
geohash	A POI geohash helye
eszköztípus	Az eszköz operációs rendszere (IDFA vagy GAID)
időbélyeg	A megállás kezdési időpontja
tartózkodási idő	A megállás várakozási ideje (másodpercben)
ip	IP-cím
más	A készülék magassága (méterben)
ország	A származási ország kétjegyű ISO kódja
voltak	Állapot jelképező kódok
város	A várost jelző kódok
irányítószám	Az eszközazonosító látható irányítószáma
hordozó	A készülék hordozója
device_manufacturer	A készülék gyártója

A leállásokat a ping-ek eszközenkénti klaszterezésével konszolidálja. A sűrűség alapú klaszterezés olyan paraméterekkel kombinálva van, mint a leállási küszöb 300 másodperc, és a megállások közötti minimális távolság 50 méter. Ezek a paraméterek a használati esetnek megfelelően beállíthatók.

A következő képernyőképen körülbelül 15,000 400,000 megállást mutatunk be XNUMX XNUMX pingből. Az előző séma egy részhalmaza is jelen van, ahol az oszlop Dwell Time jelenti a leállás időtartamát, és a Lat és a Lng az oszlopok a megállóklaszter súlypontjainak szélességi és hosszúsági fokát jelentik eszközenként és helyenként.

Az ETL után az adatok Parquet fájlformátumban kerülnek tárolásra, amely egy oszlopos tárolási formátum, amely megkönnyíti a nagy mennyiségű adat feldolgozását.

A következő képernyőkép a bevásárlóközpontban és a környező területeken eszközönkénti ping-ekből összevont leállásokat mutatja.

A megállások azonosítása után ez az adatkészlet összekapcsolható a nyilvánosan elérhető POI-adatokkal vagy az adott használati esetre jellemző egyéni POI-adatokkal a tevékenységek, például a márkákkal való kapcsolat azonosítása érdekében.

A következő képernyőképen a főbb POI-knál (üzletek és márkák) azonosított megállók láthatók az Arrowhead bevásárlóközpontban.

Az otthoni irányítószámokat arra használták, hogy elfedjék az egyes látogatók otthoni helyét, hogy megőrizzék a magánélet védelmét abban az esetben, ha ez utazásuk részét képezi az adatkészletben. A szélesség és hosszúság ilyen esetekben az irányítószám súlypontjának megfelelő koordinátái.

A következő képernyőkép az ilyen tevékenységeket szemlélteti. A bal oldali kép a megállóhelyeket térképezi fel az üzletekre, a jobb oldali pedig magának a bevásárlóközpontnak az elrendezéséről ad képet.

Ez az eredményül kapott adatkészlet számos módon megjeleníthető, amelyeket a következő szakaszokban tárgyalunk.

Sűrűségmérők

Kiszámíthatjuk és vizualizálhatjuk a tevékenységek és látogatások sűrűségét.

Példa 1 – A következő képernyőképen a bevásárlóközpont 15 legnépszerűbb üzlete látható.

Példa 2 – A következő képernyőkép az Apple Store látogatások számát mutatja óránként.

Utazások és pályák

Ahogy korábban említettük, az egymást követő tevékenységek párja egy utazást jelent. A tevékenységek adataiból a kirándulások származtatására a következő megközelítést használhatjuk. Itt ablakfüggvényeket használunk az SQL-lel a trips táblázatban, ahogy a képernyőképen is látható.

Azután trips táblázat jön létre, meghatározhatók egy POI-hoz való utazások.

1. példa – A következő képernyőképen a 10 legjobb üzlet látható, amelyek az Apple Store felé irányítják a forgalmat.

Példa 2 – A következő képernyőképen az Arrowhead bevásárlóközpontba tett összes utazás látható.

Példa 3 – A következő videó a bevásárlóközponton belüli mozgásmintákat mutatja be.

Példa 4 – A következő videó a bevásárlóközponton kívüli mozgásmintákat mutatja be.

Vízgyűjtő terület elemzése

Elemezhetjük az összes POI látogatást, és meghatározhatjuk a vonzáskörzetet.

1. példa – A következő képernyőképen látható a Macy’s boltban tett összes látogatás.

Példa 2 – A következő képernyőképen látható a 10 legjobb otthoni terület irányítószáma (a határok kiemelve), ahonnan a látogatások történtek.

Adatminőség ellenőrzés

A QuickSight irányítópultjai és adatelemzései segítségével ellenőrizhetjük a napi bejövő adatfolyam minőségét, és észlelhetjük az anomáliákat. A következő képernyőképen egy példa irányítópult látható.

Következtetés

A mobilitási adatok és azok elemzése az ügyfelek betekintésére és a versenyelőny megszerzésére továbbra is szűk területet jelent, mivel nehéz konzisztens és pontos adatkészletet szerezni. Ezek az adatok azonban segíthetnek a szervezeteknek kontextust adni a meglévő elemzésekhez, és akár új betekintést is nyerhetnek az ügyfelek mozgási szokásaiba. Az Amazon SageMaker térinformatikai képességei és a térinformatikai feldolgozási feladatok segíthetnek ezeknek a használati eseteknek a megvalósításában, és intuitív és hozzáférhető módon nyerhetnek betekintést.

Ebben a bejegyzésben bemutattuk, hogyan lehet az AWS-szolgáltatásokat használni a mobilitási adatok tisztítására, majd az Amazon SageMaker térinformatikai képességei segítségével származtatott adatkészleteket, például megállókat, tevékenységeket és utazásokat generálni ML-modellek segítségével. Ezután a származtatott adatkészleteket használtuk a mozgásminták megjelenítésére és betekintések generálására.

Kétféleképpen kezdheti meg az Amazon SageMaker térinformatikai képességeit:

Ha többet szeretne megtudni, látogasson el Amazon SageMaker térinformatikai képességek és a Az Amazon SageMaker térinformatikai használatának első lépései. Látogass el hozzánk is GitHub repo, amely számos példajegyzetfüzetet tartalmaz az Amazon SageMaker térinformatikai képességeiről.

---

A szerzőkről

Jimy Matthews az AWS Solutions Architect, aki jártas az AI/ML technológiában. Jimy székhelye Bostonban van, és vállalati ügyfelekkel dolgozik, miközben a felhő alkalmazása révén átalakítják vállalkozásukat, és segítik őket hatékony és fenntartható megoldások kidolgozásában. Szenvedélye a családja, az autók és a vegyes harcművészetek.

Girish Keshav az AWS megoldástervezője, aki segít az ügyfeleknek a felhőalapú migrációs útjukon a munkaterhelések modernizálása és biztonságos és hatékony futtatása érdekében. Technológiai csapatok vezetőivel dolgozik, hogy útmutatást adjon nekik az alkalmazások biztonságáról, a gépi tanulásról, a költségoptimalizálásról és a fenntarthatóságról. Székhelye San Franciscóban van, és szeret utazni, túrázni, sportokat nézni és kézműves sörfőzdéket felfedezni.

Ramesh móló a Solutions Architecture vezető vezetője, aki arra összpontosít, hogy segítse az AWS vállalati ügyfeleit adatvagyonuk bevételszerzésére. Azt tanácsolja a vezetőknek és mérnököknek, hogy tervezzenek és készítsenek rendkívül méretezhető, megbízható és költséghatékony felhőmegoldásokat, különös tekintettel a gépi tanulásra, az adatokra és az elemzésekre. Szabadidejében szívesen kirándul a szabadban, kerékpározik és túrázik családjával.

• SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
• PlatoData.Network Vertical Generative Ai. Erősítse meg magát. Hozzáférés itt.
• PlatoAiStream. Web3 Intelligence. Felerősített tudás. Hozzáférés itt.
• PlatoESG. Carbon, CleanTech, Energia, Környezet, Nap, Hulladékgazdálkodás. Hozzáférés itt.
• PlatoHealth. Biotechnológiai és klinikai vizsgálatok intelligencia. Hozzáférés itt.
• Forrás: https://aws.amazon.com/blogs/machine-learning/use-mobility-data-to-derive-insights-using-amazon-sagemaker-geospatial-capabilities/