השתמש בנתוני ניידות כדי להפיק תובנות באמצעות יכולות גיאו-מרחביות של Amazon SageMaker | שירותי האינטרנט של אמזון

נתונים גיאו-מרחביים הם נתונים על מיקומים ספציפיים על פני כדור הארץ. זה יכול לייצג אזור גיאוגרפי בכללותו או שהוא יכול לייצג אירוע הקשור לאזור גיאוגרפי. ניתוח של נתונים גיאו-מרחביים מבוקש בכמה תעשיות. זה כרוך בהבנה היכן קיימים הנתונים מנקודת מבט מרחבית ומדוע הם קיימים שם.

ישנם שני סוגים של נתונים גיאו-מרחביים: נתונים וקטוריים ונתוני רסטר. נתוני רסטר הם מטריצה ​​של תאים המיוצגים כרשת, המייצגים בעיקר צילומים ותמונות לוויין. בפוסט זה, אנו מתמקדים בנתונים וקטוריים, המיוצגים כקואורדינטות גיאוגרפיות של קווי רוחב ואורך וכן קווים ומצולעים (אזורים) המחברים או מקיפים אותם. לנתונים וקטוריים יש מספר רב של מקרי שימוש בהפקת תובנות ניידות. נתונים ניידים של משתמשים הם מרכיב כזה, והוא נגזר בעיקר מהמיקום הגיאוגרפי של מכשירים ניידים המשתמשים ב-GPS או בבעלי אתרים של אפליקציות המשתמשים ב-SDK או באינטגרציות דומות. לצורך פוסט זה, אנו מתייחסים לנתונים אלה כאל נתוני ניידות.

זו סדרה בת שני חלקים. בפוסט הראשון הזה, אנו מציגים נתוני ניידות, מקורותיהם וסכימה טיפוסית של נתונים אלה. לאחר מכן אנו דנים במקרי השימוש השונים וחוקרים כיצד ניתן להשתמש בשירותי AWS כדי לנקות את הנתונים, כיצד למידת מכונה (ML) יכולה לסייע במאמץ זה, וכיצד ניתן לעשות שימוש אתי בנתונים ביצירת חזותיים ותובנות. הפוסט השני יהיה טכני יותר באופיו ויכסה את השלבים הללו בפירוט לצד קוד לדוגמה. לפוסט הזה אין מערך נתונים או קוד לדוגמה, אלא הוא מכסה כיצד להשתמש בנתונים לאחר רכישתם מאגריטור נתונים.

אתה יכול להשתמש יכולות גיאו-מרחביות של Amazon SageMaker לכסות על נתוני ניידות על מפת בסיס ולספק הדמיה שכבתית כדי להקל על שיתוף הפעולה. המחשה האינטראקטיבית המופעלת על ידי GPU ומחברות Python מספקים דרך חלקה לחקור מיליוני נקודות נתונים בחלון אחד ולשתף תובנות ותוצאות.

מקורות וסכימה

ישנם מעט מקורות לנתוני ניידות. מלבד פינגי GPS ומפרסמי אפליקציות, מקורות אחרים משמשים להגדלת מערך הנתונים, כגון נקודות גישה ל-Wi-Fi, נתוני זרם הצעות מחיר המתקבלים באמצעות הצגת מודעות במכשירים ניידים ומשדרי חומרה ספציפיים המוצבים על ידי עסקים (לדוגמה, בחנויות פיזיות ). לעתים קרובות קשה לעסקים לאסוף את הנתונים האלה בעצמם, ולכן הם עשויים לרכוש אותם מאגרי מידע. צוברי נתונים אוספים נתוני ניידות ממקורות שונים, מנקים אותם, מוסיפים רעש ומעמידים את הנתונים לזמינים על בסיס יומי עבור אזורים גיאוגרפיים ספציפיים. בשל אופי הנתונים עצמם ובגלל קושי להשיגם, הדיוק והאיכות של נתונים אלו עשויים להשתנות במידה ניכרת, ועל העסקים להעריך ולאמת זאת באמצעות מדדים כגון משתמשים פעילים יומיים, סך פינגים יומיים, ופינגים יומיים ממוצעים למכשיר. הטבלה הבאה מראה כיצד עשויה להיראות סכימה טיפוסית של עדכון נתונים יומי שנשלח על ידי אגרטורי נתונים.

תְכוּנָה	תיאור
ID או MAID	מזהה פרסום לנייד (MAID) של המכשיר (גייבש)
lat	קו רוחב של המכשיר
LNG	קו אורך של המכשיר
גיאואש	מיקום Geohash של המכשיר
סוג מכשיר	מערכת הפעלה של המכשיר = IDFA או GAID
אופקי_דיוק	דיוק של קואורדינטות GPS אופקיות (במטרים)
חותם	חותמת זמן של האירוע
ip	כתובת ה-IP
גובה	גובה המכשיר (במטרים)
מְהִירוּת	מהירות המכשיר (במטרים/שנייה)
מדינה	קוד ISO דו ספרתי עבור מדינת המוצא
היו	קודים המייצגים מדינה
עיר	קודים המייצגים עיר
מיקוד	מיקוד של מקום זיהוי המכשיר
נושא	מנשא של המכשיר
device_manufacturer	יצרן המכשיר

מקרי שימוש

לנתוני ניידות יש יישומים נרחבים בתעשיות מגוונות. להלן כמה ממקרי השימוש הנפוצים ביותר:

• מדדי צפיפות - ניתן לשלב ניתוח תנועה רגלית עם צפיפות אוכלוסין כדי לצפות בפעילויות וביקורים בנקודות עניין (POI). מדדים אלה מציגים תמונה של כמה מכשירים או משתמשים עוצרים באופן פעיל ועוסקים בעסק, שניתן להשתמש בהם לבחירת אתר או אפילו לניתוח דפוסי תנועה סביב אירוע (לדוגמה, אנשים שנוסעים ליום משחקים). כדי לקבל תובנות כאלה, הנתונים הגולמיים הנכנסים עוברים תהליך חילוץ, טרנספורמציה וטעינה (ETL) כדי לזהות פעילויות או התקשרויות מהזרם המתמשך של פינגי מיקום המכשיר. אנו יכולים לנתח פעילויות על ידי זיהוי עצירות שנעשו על ידי המשתמש או המכשיר הנייד על ידי קיבוץ פינגים באמצעות מודלים של ML ב אמזון SageMaker.
• טיולים ומסלולים - הזנת המיקום היומית של המכשיר יכולה לבוא לידי ביטוי כאוסף של פעילויות (עצירות) וטיולים (תנועה). צמד פעילויות יכול לייצג טיול ביניהן, ומעקב אחר הנסיעה על ידי המכשיר הנע במרחב הגיאוגרפי יכול להוביל למיפוי המסלול בפועל. דפוסי מסלול של תנועות משתמשים יכולים להוביל לתובנות מעניינות כמו דפוסי תנועה, צריכת דלק, תכנון עיר ועוד. הוא יכול גם לספק נתונים לניתוח המסלול שנלקח מנקודות פרסום כגון שלט חוצות, לזהות את נתיבי המסירה היעילים ביותר כדי לייעל את פעולות שרשרת האספקה, או לנתח נתיבי פינוי באסונות טבע (לדוגמה, פינוי הוריקן).
• ניתוח אזורי התפוסה - אזור התפיסה מתייחס למקומות שמהם אזור נתון שואב את המבקרים שלו, שעשויים להיות לקוחות או לקוחות פוטנציאליים. עסקים קמעונאיים יכולים להשתמש במידע זה כדי לקבוע את המיקום האופטימלי לפתיחת חנות חדשה, או לקבוע אם שני מיקומי חנויות קרובים מדי זה לזה עם אזורי תפיסה חופפים ומפריעים זה לעסק של זה. הם יכולים גם לגלות מהיכן מגיעים הלקוחות בפועל, לזהות לקוחות פוטנציאליים שעוברים באזור בנסיעה לעבודה או הביתה, לנתח מדדי ביקור דומים למתחרים ועוד. חברות Marketing Tech (MarTech) ו-Advertisement Tech (AdTech) יכולות גם להשתמש בניתוח זה כדי לייעל קמפיינים שיווקיים על ידי זיהוי הקהל הקרוב לחנות של מותג או כדי לדרג חנויות לפי ביצועים עבור פרסום חוץ-ביתי.

ישנם מספר מקרי שימוש נוספים, כולל הפקת מודיעין מיקום עבור נדל"ן מסחרי, הגדלת נתוני תמונות לוויין עם מספרי תנועה, זיהוי מוקדי משלוח למסעדות, קביעת הסבירות לפינוי שכונה, גילוי דפוסי תנועה של אנשים במהלך מגיפה ועוד.

אתגרים ושימוש אתי

שימוש אתי בנתוני ניידות יכול להוביל לתובנות מעניינות רבות שיכולות לעזור לארגונים לשפר את הפעילות שלהם, לבצע שיווק אפקטיבי, או אפילו להשיג יתרון תחרותי. כדי לנצל את הנתונים הללו בצורה אתית, יש לבצע מספר שלבים.

זה מתחיל באיסוף הנתונים עצמו. למרות שרוב נתוני הניידות נותרים נקיים ממידע אישי מזהה (PII) כגון שם וכתובת, אוספי נתונים ואגרגטורים חייבים לקבל את הסכמת המשתמש לאסוף, להשתמש, לאחסן ולשתף את הנתונים שלהם. יש להקפיד על חוקי פרטיות נתונים כגון GDPR ו-CCPA מכיוון שהם מחזקים את המשתמשים לקבוע כיצד עסקים יכולים להשתמש בנתונים שלהם. הצעד הראשון הזה הוא מהלך משמעותי לעבר שימוש אתי ואחראי בנתוני ניידות, אבל אפשר לעשות יותר.

לכל מכשיר מוקצה מזהה פרסום נייד (MAID) המשמש לעיגון הפינגים הבודדים. ניתן לטשטש זאת עוד יותר על ידי שימוש אמזון מאקי, אמזון S3 אובייקט למבדה, אמזון להתבונן, או אפילו את סטודיו דבק AWS זיהוי התמרת PII. למידע נוסף, עיין ב טכניקות נפוצות לזיהוי נתוני PHI ו-PII באמצעות שירותי AWS.

מלבד PII, יש לשקול להסוות את מיקום הבית של המשתמש וכן מיקומים רגישים אחרים כמו בסיסים צבאיים או מקומות פולחן.

השלב האחרון לשימוש אתי הוא להפיק ולייצא רק מדדים מצטברים מתוך Amazon SageMaker. משמעות הדבר היא קבלת מדדים כגון מספר ממוצע או מספר מבקרים הכולל, בניגוד לדפוסי נסיעה בודדים; קבלת מגמות יומיות, שבועיות, חודשיות או שנתיות; או הוספה לאינדקס של דפוסי ניידות על פני נתונים זמינים לציבור כגון נתוני מפקד אוכלוסין.

סקירת פתרונות

כפי שהוזכר קודם לכן, שירותי ה-AWS שבהם אתה יכול להשתמש לניתוח נתוני ניידות הם היכולות הגיאו-מרחביות של Amazon S3, Amazon Macie, AWS Glue, S3 Object Lambda, Amazon Comprehend ו-Amazon SageMaker. היכולות הגיאו-מרחביות של Amazon SageMaker מקלות על מדעני נתונים ומהנדסי ML לבנות, לאמן ולפרוס מודלים באמצעות נתונים גיאו-מרחביים. אתה יכול לשנות או להעשיר ביעילות מערכי נתונים גיאו-מרחביים בקנה מידה גדול, להאיץ את בניית המודלים עם מודלים של ML מאומנים מראש, ולחקור תחזיות מודל ונתונים גיאו-מרחביים על גבי מפה אינטראקטיבית באמצעות גרפיקה מואצת בתלת-ממד וכלי הדמיה מובנים.

ארכיטקטורת ההתייחסות הבאה מתארת ​​זרימת עבודה באמצעות ML עם נתונים גיאו-מרחביים.

בזרימת עבודה זו, נתונים גולמיים מצטברים ממקורות נתונים שונים ומאוחסנים ב-an שירות אחסון פשוט של אמזון (S3) דלי. Amazon Macie משמש בדלי S3 זה כדי לזהות ולערוך PII. לאחר מכן משתמשים ב-AWS Glue לניקוי והפיכת הנתונים הגולמיים לפורמט הנדרש, ואז הנתונים שהשתנו ונקו מאוחסנים בדלי S3 נפרד. עבור טרנספורמציות נתונים שאינן אפשריות באמצעות AWS Glue, אתה משתמש AWS למבדה כדי לשנות ולנקות את הנתונים הגולמיים. כאשר הנתונים מנוקים, אתה יכול להשתמש באמזון SageMaker כדי לבנות, לאמן ולפרוס מודלים של ML על הנתונים הגיאו-מרחביים המוכנים. אתה יכול גם להשתמש ב משרות עיבוד גיאו-מרחבי תכונה של יכולות גיאו-מרחביות של Amazon SageMaker לעיבוד מוקדם של הנתונים - לדוגמה, שימוש בפונקציית Python והצהרות SQL כדי לזהות פעילויות מנתוני הניידות הגולמיים. מדעני נתונים יכולים להשיג תהליך זה על ידי חיבור דרך מחברות אמזון SageMaker. אתה יכול גם להשתמש אמזון קוויקסייט כדי להמחיש תוצאות עסקיות ומדדים חשובים אחרים מהנתונים.

יכולות גיאו-מרחביות של Amazon SageMaker ועבודות עיבוד גיאו-מרחביות

לאחר שהנתונים הושגו והוזנו לאמזון S3 עם עדכון יומי וינוקו עבור כל מידע רגיש, ניתן לייבא אותם לאמזון SageMaker באמצעות סטודיו SageMaker של אמזון מחברת עם תמונה גיאו-מרחבית. צילום המסך הבא מציג דוגמה של פינגים יומיים למכשיר שהועלו לאמזון S3 כקובץ CSV ולאחר מכן נטענו במסגרת נתונים של פנדה. המחברת של Amazon SageMaker Studio עם תמונה גיאו-מרחבית מגיעה מראש עם ספריות גיאו-מרחביות כגון GDAL, GeoPandas, Fiona ו-Shapely, ומאפשרת לעבד ולנתח נתונים אלה בצורה פשוטה.

מערך נתונים לדוגמה זה מכיל כ-400,000 פינגים יומיים של מכשירים מ-5,000 מכשירים מ-14,000 מקומות ייחודיים שתועדו ממשתמשים שביקרו בקניון Arrowhead, מתחם קניונים פופולרי בפיניקס, אריזונה, ב-15 במאי 2023. צילום המסך הקודם מציג תת-קבוצה של עמודות ב- סכימת נתונים. ה MAID העמודה מייצגת את מזהה המכשיר, וכל MAID מייצר פינגים בכל דקה המעבירים את קו הרוחב והאורך של המכשיר, מתועדים בקובץ הדוגמא כ Lat ו Lng עמודות.

להלן צילומי מסך מכלי הדמיית המפה של היכולות הגיאו-מרחביות של Amazon SageMaker המופעל על ידי Foursquare Studio, המתארים את פריסת הפינגים ממכשירים המבקרים בקניון בין השעות 7:00 בבוקר ל-6:00 בערב.

צילום המסך הבא מציג פינגים מהקניון והסביבה.

להלן מראה פינגים מתוך חנויות שונות בקניון.

כל נקודה בצילומי המסך מתארת ​​פינג ממכשיר נתון בנקודת זמן נתונה. מקבץ של פינגים מייצג מקומות פופולריים שבהם התאספו או עצרו מכשירים, כגון חנויות או מסעדות.

כחלק מה-ETL הראשוני, ניתן לטעון נתונים גולמיים אלו על טבלאות באמצעות דבק AWS. אתה יכול ליצור סורק AWS Glue כדי לזהות את הסכימה של הנתונים וטבלאות הטפסים על ידי הצבעה על מיקום הנתונים הגולמיים באמזון S3 כמקור הנתונים.

כפי שהוזכר לעיל, הנתונים הגולמיים (הפינגים היומיים של המכשיר), גם לאחר ה-ETL הראשוני, ייצגו זרם רציף של פינגי GPS המצביעים על מיקומי המכשיר. כדי לחלץ תובנות ניתנות לפעולה מנתונים אלה, עלינו לזהות עצירות ונסיעות (מסלולים). ניתן להשיג זאת באמצעות משרות עיבוד גיאו-מרחבי תכונה של יכולות גיאו-מרחביות של SageMaker. עיבוד אמזון SageMaker משתמש בחוויה פשוטה ומנוהלת ב- SageMaker כדי להפעיל עומסי עבודה של עיבוד נתונים עם המכולה הגיאו-מרחבית שנבנתה במיוחד. התשתית הבסיסית לעבודת SageMaker Processing מנוהלת במלואה על ידי SageMaker. תכונה זו מאפשרת הפעלה של קוד מותאם אישית על נתונים גיאו-מרחביים המאוחסנים ב-Amazon S3 על-ידי הפעלת מיכל גיאו-מרחבי ML על עבודת SageMaker Processing. אתה יכול להפעיל פעולות מותאמות אישית על נתונים גיאו-מרחביים פתוחים או פרטיים על ידי כתיבת קוד מותאם אישית עם ספריות קוד פתוח, ולהפעיל את הפעולה בקנה מידה באמצעות משרות SageMaker Processing. הגישה המבוססת על מיכל פותרת צרכים סביב סטנדרטיזציה של סביבת פיתוח עם ספריות קוד פתוח נפוצות.

כדי להפעיל עומסי עבודה בקנה מידה כה גדול, אתה זקוק לאשכול מחשוב גמיש שיכול לשנות את קנה המידה מעשרות מופעים לעיבוד גוש עירוני, לאלפי מופעים לעיבוד בקנה מידה פלנטרי. ניהול ידני של אשכול מחשוב עשה זאת בעצמך הוא איטי ויקר. תכונה זו מועילה במיוחד כאשר מערך הנתונים הניידות כולל יותר מכמה ערים למספר מדינות או אפילו מדינות וניתן להשתמש בו כדי להפעיל גישת ML דו-שלבית.

הצעד הראשון הוא להשתמש באשכולות מרחבית מבוססת צפיפות של יישומים עם אלגוריתם רעש (DBSCAN) כדי לצבור עצירות מ-pings. השלב הבא הוא להשתמש בשיטת תמיכה וקטור מכונות (SVMs) כדי לשפר עוד יותר את הדיוק של העצירות שזוהו וגם כדי להבחין בין עצירות עם התקשרויות עם POI לעומת עצירות ללא אחד (כגון בית או עבודה). אתה יכול גם להשתמש בתפקיד SageMaker Processing כדי ליצור נסיעות ומסלולים מהפינגים היומיים של המכשיר על ידי זיהוי עצירות רצופות ומיפוי הנתיב בין עצירות המקור והיעדים.

לאחר עיבוד הנתונים הגולמיים (פינגים יומיים) בקנה מידה עם עבודות עיבוד גיאו-מרחביות, למערך הנתונים החדש שנקרא stops צריך להיות הסכימה הבאה.

תְכוּנָה	תיאור
ID או MAID	מזהה פרסום לנייד של המכשיר (גייבש)
lat	קו הרוחב של המרכז של צביר העצירה
LNG	קו האורך של המרכז של צביר העצירה
גיאואש	מיקום Geohash של ה-POI
סוג מכשיר	מערכת ההפעלה של המכשיר (IDFA או GAID)
חותם	שעת התחלה של העצירה
זמן_שהייה	זמן השהייה של העצירה (בשניות)
ip	כתובת ה-IP
גובה	גובה המכשיר (במטרים)
מדינה	קוד ISO דו ספרתי עבור מדינת המוצא
היו	קודים המייצגים מדינה
עיר	קודים המייצגים עיר
מיקוד	מיקוד של מקום זיהוי המכשיר
נושא	מנשא של המכשיר
device_manufacturer	יצרן המכשיר

העצירות מאוחדות על ידי קיבוץ הפינגים לכל מכשיר. מקבץ מבוסס צפיפות משולב עם פרמטרים כמו סף העצירה הוא 300 שניות והמרחק המינימלי בין העצירות הוא 50 מטר. ניתן להתאים פרמטרים אלה לפי מקרה השימוש שלך.

צילום המסך הבא מציג כ-15,000 עצירות שזוהו מתוך 400,000 פינגים. תת-קבוצה של הסכימה הקודמת קיימת גם כן, כאשר העמודה Dwell Time מייצג את משך העצירה, ואת Lat ו Lng עמודות מייצגות את קו הרוחב והאורך של מוקדי מקבץ העצירות לכל מכשיר לכל מיקום.

לאחר ETL, הנתונים מאוחסנים בפורמט קובץ Parquet, שהוא פורמט אחסון עמודי המקל על עיבוד כמויות גדולות של נתונים.

צילום המסך הבא מציג את העצירות מאוחדות מפינגים לכל מכשיר בתוך הקניון והאזורים שמסביב.

לאחר זיהוי עצירות, ניתן לחבר את מערך הנתונים הזה עם נתוני POI זמינים לציבור או נתוני POI מותאמים אישית ספציפיים למקרה השימוש כדי לזהות פעילויות, כגון מעורבות עם מותגים.

צילום המסך הבא מציג את התחנות שזוהו בנקודות עניין מרכזיות (חנויות ומותגים) בתוך קניון Arrowhead.

נעשה שימוש במיקוד הבית כדי להסוות את מיקום הבית של כל מבקר כדי לשמור על פרטיות במקרה שזה חלק מהטיול שלו במערך הנתונים. קו הרוחב וקו האורך במקרים כאלה הם הקואורדינטות המתאימות של מרכז המיקוד.

צילום המסך הבא הוא ייצוג חזותי של פעילויות כאלה. התמונה השמאלית ממפה את התחנות לחנויות, והתמונה הימנית נותנת מושג על פריסת הקניון עצמו.

ניתן להמחיש את מערך הנתונים המתקבל במספר דרכים, בהן נדון בסעיפים הבאים.

מדדי צפיפות

אנו יכולים לחשב ולדמיין את צפיפות הפעילויות והביקורים.

דוגמה 1 - צילום המסך הבא מציג את 15 החנויות המובילות בהן ביקרו בקניון.

דוגמה 2 - צילום המסך הבא מציג את מספר הביקורים ב-Apple Store בכל שעה.

טיולים ומסלולים

כפי שהוזכר קודם לכן, צמד פעילויות רצופות מייצג טיול. אנו יכולים להשתמש בגישה הבאה כדי להפיק נסיעות מנתוני הפעילויות. כאן, נעשה שימוש בפונקציות חלון עם SQL כדי ליצור את trips טבלה, כפי שמוצג בצילום המסך.

לאחר trips נוצרת טבלה, ניתן לקבוע נסיעות ל-POI.

דוגמה 1 - צילום המסך הבא מציג את 10 החנויות המובילות שמפנות תנועה רגלית לכיוון Apple Store.

דוגמה 2 – צילום המסך הבא מציג את כל הנסיעות לקניון Arrowhead.

דוגמה 3 – הסרטון הבא מציג את דפוסי התנועה בתוך הקניון.

דוגמה 4 – הסרטון הבא מציג את דפוסי התנועה מחוץ לקניון.

ניתוח אזורי התפוסה

אנו יכולים לנתח את כל הביקורים ב-POI ולקבוע את אזור התפיסה.

דוגמה 1 - צילום המסך הבא מציג את כל הביקורים בחנות של מייסי.

דוגמה 2 - צילום המסך הבא מציג את 10 המיקודים המובילים באזור הבית (הגבולות מודגשים) מהם התרחשו הביקורים.

בדיקת איכות הנתונים

אנו יכולים לבדוק את איכות העדכון היומי של הנתונים הנכנסים ולזהות חריגות באמצעות לוחות מחוונים וניתוחי נתונים של QuickSight. צילום המסך הבא מציג לוח מחוונים לדוגמה.

סיכום

נתוני ניידות וניתוחם להשגת תובנות לקוחות והשגת יתרון תחרותי נותרו תחום נישה מכיוון שקשה להשיג מערך נתונים עקבי ומדויק. עם זאת, נתונים אלה יכולים לעזור לארגונים להוסיף הקשר לניתוח קיים ואף לייצר תובנות חדשות לגבי דפוסי תנועה של לקוחות. יכולות גיאו-מרחביות של אמזון SageMaker ועבודות עיבוד גיאו-מרחביות יכולות לעזור ליישם מקרי שימוש אלה ולהפיק תובנות בצורה אינטואיטיבית ונגישה.

בפוסט זה, הדגמנו כיצד להשתמש בשירותי AWS כדי לנקות את נתוני הניידות ולאחר מכן להשתמש ביכולות גיאו-מרחביות של Amazon SageMaker כדי ליצור מערכי נתונים נגזרים כגון עצירות, פעילויות ונסיעות באמצעות מודלים של ML. לאחר מכן השתמשנו במערך הנתונים הנגזרות כדי להמחיש דפוסי תנועה ולייצר תובנות.

אתה יכול להתחיל עם היכולות הגיאו-מרחביות של Amazon SageMaker בשתי דרכים:

כדי ללמוד עוד, בקר יכולות גיאו-מרחביות של Amazon SageMaker ו תחילת העבודה עם Amazon SageMaker geospatial. כמו כן, בקר אצלנו GitHub ריפו, שיש לו כמה מחברות לדוגמה על יכולות גיאו-מרחביות של אמזון SageMaker.

---

על הכותבים

ג'ימי מתיוס הוא אדריכל פתרונות AWS, בעל מומחיות בטכנולוגיית AI/ML. ג'ימי מבוסס מבוסטון ועובד עם לקוחות ארגוניים בזמן שהם משנים את העסק שלהם על ידי אימוץ הענן ועוזר להם לבנות פתרונות יעילים וברי קיימא. הוא נלהב ממשפחתו, מכוניות ואומנויות לחימה מעורבות.

גיריש קשב הוא ארכיטקט פתרונות ב-AWS, שעוזר ללקוחות במסע ההגירה שלהם לענן כדי לחדש ולהפעיל עומסי עבודה בצורה מאובטחת ויעילה. הוא עובד עם מנהיגים של צוותי טכנולוגיה כדי להדריך אותם באבטחת יישומים, למידת מכונה, אופטימיזציה של עלויות וקיימות. הוא מבוסס מסן פרנסיסקו, ואוהב לטייל, לטייל, לצפות בספורט ולחקור מבשלות בירה.

מזח רעמש הוא מנהיג בכיר של ארכיטקטורת פתרונות המתמקד בסיוע ללקוחות ארגוניים של AWS לייצר רווחים מנכסי הנתונים שלהם. הוא מייעץ למנהלים ומהנדסים לתכנן ולבנות פתרונות ענן ניתנים להרחבה, אמינים וחסכוניים ביותר, במיוחד המתמקדים בלמידת מכונה, נתונים וניתוח. בזמנו הפנוי הוא נהנה בחיק הטבע, מרכיבה על אופניים וטיולים עם משפחתו.

• הפצת תוכן ויחסי ציבור מופעל על ידי SEO. קבל הגברה היום.
• PlatoData.Network Vertical Generative Ai. העצים את עצמך. גישה כאן.
• PlatoAiStream. Web3 Intelligence. הידע מוגבר. גישה כאן.
• PlatoESG. פחמן, קלינטק, אנרגיה, סביבה, שמש, ניהול פסולת. גישה כאן.
• PlatoHealth. מודיעין ביוטכנולוגיה וניסויים קליניים. גישה כאן.
• מקור: https://aws.amazon.com/blogs/machine-learning/use-mobility-data-to-derive-insights-using-amazon-sagemaker-geospatial-capabilities/