xarvio Digital Farming Solutions가 Amazon SageMaker 지리 공간 기능으로 개발을 가속화하는 방법

이것은 xarvio Digital Farming Solutions의 데이터 과학자인 Julian Blau가 공동으로 작성한 게스트 게시물입니다. BASF Digital Farming GmbH 및 Antonio Rodriguez, AWS의 AI/ML 전문 솔루션 설계자

자르비오 Digital Farming Solutions는 BASF 농업 솔루션 사업부의 일부인 BASF Digital Farming GmbH의 브랜드입니다. xarvio 디지털 농업 솔루션은 농부들이 작물 생산을 최적화할 수 있도록 정밀 디지털 농업 제품을 제공합니다. 전 세계적으로 이용 가능한 xarvio 제품은 기계 학습(ML), 이미지 인식 기술, 고급 작물 및 질병 모델을 위성 및 기상 관측소 장치의 데이터와 함께 사용하여 정확하고 시의적절한 농업 권장 사항을 제공하여 개별 분야의 요구 사항을 관리합니다. xarvio 제품은 현지 농업 조건에 맞게 조정되어 성장 단계를 모니터링하고 질병과 해충을 인식할 수 있습니다. 지속 가능한 농업에 기여하는 동시에 효율성을 높이고, 시간을 절약하고, 위험을 줄이고, 계획 및 의사 결정에 더 높은 신뢰성을 제공합니다.

우리는 일부 사용 사례에 대해 사용자 필드가 위치한 지역의 위성 이미지를 포함하여 다양한 지리 공간 데이터로 작업합니다. 따라서 매일 수백 개의 대용량 이미지 파일을 사용하고 처리합니다. 처음에는 타사 도구, 오픈 소스 라이브러리 또는 범용 클라우드 서비스를 사용하여 이 데이터를 수집, 처리 및 분석하기 위해 많은 수동 작업과 노력을 투자해야 했습니다. 경우에 따라 각 특정 프로젝트에 대한 파이프라인을 구축하는 데 최대 2개월이 걸릴 수 있습니다. 이제 지리 공간 기능을 활용하여 아마존 세이지 메이커, 우리는 이 시간을 단 1~2주로 줄였습니다.

이러한 시간 절약은 사용 사례를 보다 효율적으로 제공하기 위해 지리 공간 데이터 파이프라인을 자동화한 결과이며, 재사용 가능한 내장 구성 요소를 사용하여 다른 지역에서 유사한 프로젝트의 속도를 높이고 개선하는 동시에 다른 사용에 대해 동일한 입증된 단계를 적용한 결과입니다. 유사한 데이터를 기반으로 한 사례.

이 게시물에서는 예제 사용 사례를 통해 우리가 일반적으로 사용하는 몇 가지 기술을 설명하고 다른 SageMaker 기능과 함께 SageMaker 지리 공간 기능을 사용하여 이를 구현하여 측정 가능한 이점을 제공하는 방법을 보여줍니다. 또한 코드 예제가 포함되어 있어 자신의 특정 사용 사례에 맞게 조정할 수 있습니다.

솔루션 개요

새로운 솔루션을 개발하기 위한 일반적인 원격 감지 프로젝트에는 다음과 같은 광학 위성이 촬영한 이미지를 단계별로 분석해야 합니다. 보초 or 란삿, 일기 예보 또는 특정 필드 속성을 포함한 다른 데이터와 결합합니다. 위성 이미지는 사용자가 다양한 작업을 수행할 수 있도록 디지털 농업 솔루션에 사용되는 귀중한 정보를 제공합니다.

• 자신의 분야에서 질병을 조기에 발견
• 적용할 올바른 영양 및 치료 계획
• 관개 계획을 위한 날씨와 물에 대한 인사이트 얻기
• 작물 수확량 예측
• 기타 작물 관리 작업 수행

이러한 목표를 달성하기 위해 우리의 분석에는 일반적으로 지리 공간 도메인에서 공통적인 다양한 기술을 사용하여 위성 이미지를 전처리해야 합니다.

SageMaker 지리 공간의 기능을 시연하기 위해 ML 분할 모델을 통해 농업 분야를 식별하는 실험을 했습니다. 또한 기존 SageMaker 지리 공간 모델과 토지 이용 및 토지 피복 분류 또는 작물 분류와 같은 지리 공간 작업에 대한 BYOM(Bring Your Own Model) 기능을 살펴보았는데, 종종 프로세스의 추가 단계로 팬옵틱 또는 시맨틱 분할 기술이 필요합니다.

다음 섹션에서는 SageMaker 지리 공간 기능으로 이러한 단계를 수행하는 방법에 대한 몇 가지 예를 살펴봅니다. 다음에서 사용할 수 있는 종단 간 예제 노트북에서 이를 따를 수도 있습니다. GitHub 저장소.

앞서 언급한 바와 같이 우리는 토지피복 분류 사용 사례를 선택했습니다. 이 사용 사례는 초목, 물 또는 눈을 포함한 일련의 클래스로 구성된 지구 표면의 지정된 지리적 영역에 있는 물리적 범위 유형을 식별하는 것으로 구성됩니다. 이 고해상도 분류를 통해 밭과 그 주변의 위치에 대한 세부 정보를 높은 정확도로 감지할 수 있으며 나중에 작물 분류의 변화 감지와 같은 다른 분석과 연결할 수 있습니다.

클라이언트 설정

먼저, 지리적 좌표의 폴리곤 내에서 식별할 수 있는 지정된 지리적 영역에서 작물을 재배하는 사용자가 있다고 가정해 보겠습니다. 이 게시물에서는 독일에 대한 예제 영역을 정의합니다. 예를 들어 2022년 첫 달과 같이 주어진 시간 범위를 정의할 수도 있습니다. 다음 코드를 참조하십시오.

### Coordinates for the polygon of your area of interest...
coordinates = [
    [9.181602157004177, 53.14038825707946],
    [9.181602157004177, 52.30629767547948],
    [10.587520893823973, 52.30629767547948],
    [10.587520893823973, 53.14038825707946],
    [9.181602157004177, 53.14038825707946],
]
### Time-range of interest...
time_start = "2022-01-01T12:00:00Z"
time_end = "2022-05-01T12:00:00Z"

이 예에서는 프로세스에 필요한 여러 단계로 자동화할 수 있는 코드 파이프라인을 구축하는 데 관심이 있기 때문에 프로그래밍 방식 또는 코드 상호 작용을 통해 SageMaker 지리 공간 SDK를 사용합니다. SageMaker 지리 공간과 함께 제공되는 그래픽 확장을 통해 UI로 작업할 수도 있습니다. 아마존 세이지 메이커 스튜디오 다음 스크린샷과 같이 이 접근 방식을 선호하는 경우. Geospatial Studio UI에 액세스하려면 SageMaker Studio 시작 관리자를 열고 다음을 선택하십시오. 지리 공간 리소스 관리. 설명서에서 자세한 내용을 확인할 수 있습니다. Amazon SageMaker 지리 공간 기능 시작하기.

여기에서 SageMaker 지리 공간 기능으로 실행하는 지구 관측 작업(EOJ)의 결과를 그래픽으로 생성, 모니터링 및 시각화할 수 있습니다.

예제로 돌아가서 SageMaker 지리 공간 SDK와 상호 작용하기 위한 첫 번째 단계는 클라이언트를 설정하는 것입니다. 우리는 이것을 할 수 있습니다. botocore 도서관:

import boto3
gsClient = boto3.client('sagemaker-geospatial')

이 시점부터 관심 있는 EOJ를 실행하기 위해 클라이언트를 사용할 수 있습니다.

데이터 얻기

이 사용 사례에서는 주어진 지리적 영역에 대한 위성 이미지를 수집하는 것으로 시작합니다. 관심 위치에 따라 사용 가능한 위성의 적용 범위가 더 많거나 적을 수 있습니다. 래스터 컬렉션.

SageMaker의 지리 공간 기능을 사용하면 지리 공간 데이터를 직접 얻기 위한 고품질 데이터 소스에 직접 액세스할 수 있습니다. AWS 데이터 교환 그리고 AWS의 오픈 데이터 레지스트리, 무엇보다도. 다음 명령을 실행하여 SageMaker에서 이미 제공한 래스터 컬렉션을 나열할 수 있습니다.

list_raster_data_collections_resp = gsClient.list_raster_data_collections()

이것은 Landsat C2L2 표면 반사율(SR), Landsat C2L2 표면 온도(ST) 또는 Sentinel 2A & 2B를 포함하여 사용 가능한 다양한 래스터 컬렉션에 대한 세부 정보를 반환합니다. 편리하게도 Level 2A 이미지는 이미 COG(Cloud-Optimized GeoTIFF)에 최적화되어 있습니다. 다음 코드를 참조하십시오.

…
{'Name': 'Sentinel 2 L2A COGs',
  'Arn': 'arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8',
  'Type': 'PUBLIC',
  'Description': 'Sentinel-2a and Sentinel-2b imagery, processed to Level 2A (Surface Reflectance) and converted to Cloud-Optimized GeoTIFFs'
…

이 마지막 항목을 예로 들어 보겠습니다. data_collection_arn Sentinel 2 L2A COG의 수집 ARN에 대한 매개변수.

관심 영역(AOI)으로 정의한 다각형의 좌표를 전달하여 주어진 지리적 위치에 대해 사용 가능한 이미지를 검색할 수도 있습니다. 이를 통해 지정된 AOI에 대해 제출한 다각형을 포함하는 사용 가능한 이미지 타일을 시각화할 수 있습니다. 아마존 단순 스토리지 서비스 (Amazon S3) 이러한 이미지의 URI입니다. 위성 이미지는 일반적으로 다른 형식으로 제공됩니다. 밴드 관측 파장에 따라; 이에 대해서는 게시물 뒷부분에서 자세히 설명합니다.

response = gsClient.search_raster_data_collection(**eoj_input_config, Arn=data_collection_arn)

앞의 코드는 다음과 같은 GeoTIFF와 호환되는 모든 라이브러리로 직접 시각화할 수 있는 사용 가능한 다양한 이미지 타일에 대한 S3 URI를 반환합니다. 래스테리오. 예를 들어 트루 컬러 이미지(TCI) 타일 두 개를 시각화해 보겠습니다.

…
'visual': {'Href': 'https://sentinel-cogs.s3.us-west-2.amazonaws.com/sentinel-s2-l2a-cogs/32/U/NC/2022/3/S2A_32UNC_20220325_0_L2A/TCI.tif'},
…

처리 기술

우리가 적용하는 가장 일반적인 전처리 기술에는 구름 제거, 지리적 모자이크, 시간 통계, 밴드 수학 또는 스태킹이 포함됩니다. 이러한 모든 프로세스는 이제 수동 코딩을 수행하거나 복잡하고 값비싼 타사 도구를 사용할 필요 없이 SageMaker에서 EOJ를 사용하여 직접 수행할 수 있습니다. 이를 통해 데이터 처리 파이프라인을 50% 더 빠르게 구축할 수 있습니다. SageMaker 지리 공간 기능을 사용하면 다양한 입력 유형에 대해 이러한 프로세스를 실행할 수 있습니다. 예를 들어:

• 다음을 통해 서비스에 포함된 래스터 컬렉션에 대한 쿼리를 직접 실행합니다. RasterDataCollectionQuery 매개 변수
• Amazon S3에 저장된 이미지를 입력으로 전달 DataSourceConfig 매개 변수
• 단순히 이전 EOJ의 결과를 PreviousEarthObservationJobArn 매개 변수

이러한 유연성을 통해 필요한 모든 종류의 처리 파이프라인을 구축할 수 있습니다.

다음 다이어그램은 예제에서 다루는 프로세스를 보여줍니다.

이 예에서는 래스터 데이터 수집 쿼리를 입력으로 사용하여 AOI 좌표와 관심 시간 범위를 전달합니다. 또한 우리는 지리적 영역에 대한 명확하고 잡음 없는 관측을 원하기 때문에 최대 구름 범위의 백분율을 2%로 지정합니다. 다음 코드를 참조하십시오.

eoj_input_config = {
    "RasterDataCollectionQuery": {
        "RasterDataCollectionArn": data_collection_arn,
        "AreaOfInterest": {
            "AreaOfInterestGeometry": {"PolygonGeometry": {"Coordinates": [coordinates]}}
        },
        "TimeRangeFilter": {"StartTime": time_start, "EndTime": time_end},
        "PropertyFilters": {
            "Properties": [
                {"Property": {"EoCloudCover": {"LowerBound": 0, "UpperBound": 2}}}
            ]
        },
    }
}

지원되는 쿼리 구문에 대한 자세한 내용은 다음을 참조하십시오. 지구 관측 작업 생성.

클라우드 갭 제거

위성 관측은 높은 구름 범위로 인해 종종 덜 유용합니다. 클라우드 갭 필링 또는 클라우드 제거는 이미지에서 흐린 픽셀을 대체하는 프로세스로, 추가 처리 단계를 위해 데이터를 준비하기 위해 다양한 방법으로 수행할 수 있습니다.

SageMaker 지리 공간 기능을 사용하면 다음을 지정하여 이를 달성할 수 있습니다. CloudRemovalConfig 작업 구성의 매개변수입니다.

eoj_config =  {
    'CloudRemovalConfig': {
        'AlgorithmName': 'INTERPOLATION',
        'InterpolationValue': '-9999'
    }
}

이 예제에서는 고정 값이 있는 보간 알고리즘을 사용하고 있지만 다른 구성도 지원됩니다. 지구 관측 작업 생성 선적 서류 비치. 보간을 통해 주변 픽셀을 고려하여 흐린 픽셀을 대체하기 위한 값을 추정할 수 있습니다.

이제 입력 및 작업 구성으로 EOJ를 실행할 수 있습니다.

response = gsClient.start_earth_observation_job(
    Name =  'cloudremovaljob',
    ExecutionRoleArn = role,
    InputConfig = eoj_input_config,
    JobConfig = eoj_config,
)

이 작업은 입력 영역 및 처리 매개변수에 따라 완료하는 데 몇 분 정도 걸립니다.

완료되면 EOJ의 결과는 서비스 소유 위치에 저장되며 여기에서 결과를 Amazon S3로 내보내거나 다른 EOJ의 입력으로 연결할 수 있습니다. 이 예에서는 다음 코드를 실행하여 결과를 Amazon S3로 내보냅니다.

response = gsClient.export_earth_observation_job(
    Arn = cr_eoj_arn,
    ExecutionRoleArn = role,
    OutputConfig = {
        'S3Data': {
            'S3Uri': f's3://{bucket}/{prefix}/cloud_removal/',
            'KmsKeyId': ''
        }
    }
)

이제 개별 스펙트럼 대역에 대해 지정된 Amazon S3 위치에 저장된 결과 이미지를 시각화할 수 있습니다. 예를 들어 반환된 두 개의 파란색 밴드 이미지를 살펴보겠습니다.

또는 다음 스크린샷과 같이 Studio에서 사용할 수 있는 지리 공간 확장을 사용하여 EOJ의 결과를 그래픽으로 확인할 수도 있습니다.

시간 통계

위성은 지속적으로 지구 주위를 공전하기 때문에 주어진 지리적 관심 영역에 대한 이미지는 위성에 따라 매일, 5일마다 또는 2주와 같은 특정 시간 빈도로 특정 시간 프레임에서 촬영됩니다. 시간 통계 프로세스를 통해 서로 다른 시간에 취한 서로 다른 관찰을 결합하여 주어진 영역에 대한 연간 평균 또는 특정 시간 범위의 모든 관찰 평균과 같은 집계 보기를 생성할 수 있습니다.

SageMaker 지리 공간 기능을 사용하면 다음을 설정하여 이를 수행할 수 있습니다. TemporalStatisticsConfig 매개변수. 이 예에서는 근적외선(NIR) 대역에 대한 연간 평균 집계를 얻습니다. 이 대역은 캐노피 상단 아래의 초목 밀도 차이를 나타낼 수 있기 때문입니다.

eoj_config =  {
    'TemporalStatisticsConfig': {
        'GroupBy': 'YEARLY',
        'Statistics': ['MEAN'],
        'TargetBands': ['nir']
    }
}

이 구성으로 EOJ를 몇 분 동안 실행한 후 결과를 Amazon S3로 내보내 다음 예와 같은 이미지를 얻을 수 있습니다. 여기에서 다양한 색상 강도로 표현된 다양한 초목 밀도를 관찰할 수 있습니다. EOJ는 지정된 시간 범위 및 좌표에 사용 가능한 위성 데이터에 따라 여러 이미지를 타일로 생성할 수 있습니다.

밴드 수학

지구 관측 위성은 다양한 파장의 빛을 감지하도록 설계되었으며 그 중 일부는 인간의 눈에 보이지 않습니다. 각 범위에는 서로 다른 파장에서 광 스펙트럼의 특정 밴드가 포함되어 있으며 산술 연산과 결합하여 식생 상태, 온도 또는 구름의 존재와 같은 필드의 특성에 대한 풍부한 정보가 포함된 이미지를 생성할 수 있습니다. 이것은 일반적으로 밴드 수학 또는 밴드 산술이라고 하는 프로세스에서 수행됩니다.

SageMaker 지리 공간 기능을 사용하면 다음을 설정하여 이를 실행할 수 있습니다. BandMathConfig 매개변수. 예를 들어, 다음 코드를 실행하여 수분 지수 이미지를 얻어봅시다.

eoj_config =  {
    'BandMathConfig': {
        'CustomIndices': {
            'Operations': [
                {
                    'Name': 'moisture',
                    'Equation': '(nir08 - swir16) / (nir08 + swir16)'
                }
            ]
        }
    }
}

이 구성으로 EOJ를 실행한 후 몇 분 후에 결과를 내보내고 다음 두 가지 예와 같은 이미지를 얻을 수 있습니다.

스태킹

밴드 수학과 유사하게 밴드를 함께 결합하여 원래 밴드에서 합성 이미지를 생성하는 프로세스를 스태킹이라고 합니다. 예를 들어, AOI의 트루 컬러 이미지를 생성하기 위해 위성 이미지의 빨간색, 파란색 및 녹색 빛 밴드를 쌓을 수 있습니다.

SageMaker 지리 공간 기능을 사용하면 다음을 설정하여 이를 수행할 수 있습니다. StackConfig 매개변수. 다음 명령을 사용하여 이전 예제에 따라 RGB 밴드를 쌓겠습니다.

eoj_config =  {
    'StackConfig': {
        'OutputResolution': {
            'Predefined': 'HIGHEST'
        },
        'TargetBands': ['red', 'green', 'blue']
    }
}

이 구성으로 EOJ를 실행한 후 몇 분 후에 결과를 내보내고 이미지를 얻을 수 있습니다.

시맨틱 세분화 모델

작업의 일환으로 우리는 일반적으로 ML 모델을 사용하여 흐린 지역을 감지하거나 이미지의 각 영역에서 토지 유형을 분류하는 것과 같이 사전 처리된 이미지에 대한 추론을 실행합니다.

SageMaker 지리 공간 기능을 사용하면 내장 세분화 모델을 사용하여 이를 수행할 수 있습니다.

이 예에서는 다음을 지정하여 토지 피복 세분화 모델을 사용하겠습니다. LandCoverSegmentationConfig 매개변수. 이렇게 하면 SageMaker에서 인프라를 교육하거나 호스팅할 필요 없이 내장 모델을 사용하여 입력에 대한 추론을 실행합니다.

response = gsClient.start_earth_observation_job(
    Name =  'landcovermodeljob',
    ExecutionRoleArn = role,
    InputConfig = eoj_input_config,
    JobConfig = {
        'LandCoverSegmentationConfig': {},
    },
)

이 구성으로 작업을 실행한 후 몇 분 후에 결과를 내보내고 이미지를 얻을 수 있습니다.

앞의 예에서 이미지의 각 픽셀은 다음 범례에 표시된 대로 토지 유형 클래스에 해당합니다.

이를 통해 초목이나 물과 같은 장면에서 특정 유형의 영역을 직접 식별할 수 있어 추가 분석을 위한 귀중한 통찰력을 제공합니다.

SageMaker로 자신의 모델 가져오기

SageMaker와 함께 제공되는 최첨단 지형 공간 모델이 사용 사례에 충분하지 않은 경우 설명된 대로 추론을 위해 SageMaker에 온보딩된 모든 사용자 지정 모델을 사용하여 지금까지 표시된 전처리 단계의 결과를 연결할 수도 있습니다. 이것에서 SageMaker 스크립트 모드 예시. 실시간 SageMaker 엔드포인트와의 동기식, SageMaker 비동기식 엔드포인트와의 비동기식, SageMaker 일괄 변환의 일괄 또는 오프라인, SageMaker 서버리스 추론의 서버리스 등 SageMaker에서 지원되는 모든 추론 모드로 이 작업을 수행할 수 있습니다. 이러한 모드에 대한 자세한 내용은 다음에서 확인할 수 있습니다. 추론을 위한 모델 배포 선적 서류 비치. 다음 다이어그램은 높은 수준의 워크플로를 보여줍니다.

예를 들어 토지 표지 분류 및 작물 유형 분류를 수행하기 위해 두 가지 모델을 온보딩했다고 가정해 보겠습니다.

다음 코드와 유사한 PyTorch 모델 예에서 훈련된 모델 아티팩트를 가리키기만 하면 됩니다.

from sagemaker.pytorch import PyTorchModel
import datetime

model = PyTorchModel(
    name=model_name, ### Set a model name
    model_data=MODEL_S3_PATH, ### Location of the custom model in S3
    role=role,
    entry_point='inference.py', ### Your inference entry-point script
    source_dir='code', ### Folder with any dependencies
    image_uri=image_uri, ### URI for your AWS DLC or custom container
    env={
        'TS_MAX_REQUEST_SIZE': '100000000',
        'TS_MAX_RESPONSE_SIZE': '100000000',
        'TS_DEFAULT_RESPONSE_TIMEOUT': '1000',
    }, ### Optional – Set environment variables for max size and timeout
)

predictor = model.deploy(
    initial_instance_count = 1, ### Your number of instances
    instance_type = 'ml.g4dn.8xlarge', ### Your instance type
    async_inference_config=sagemaker.async_inference.AsyncInferenceConfig(
        output_path=f"s3://{bucket}/{prefix}/output",
        max_concurrent_invocations_per_instance=2,
    ), ### Optional – Async config if using SageMaker Async Endpoints
)

predictor.predict(data) ### Your images for inference

이렇게 하면 사용 중인 모델에 따라 추론 후 결과 이미지를 얻을 수 있습니다.

이 예에서 맞춤형 토지 피복 분할을 실행할 때 모델은 입력 및 예측 이미지를 해당 범례와 비교하는 다음과 유사한 이미지를 생성합니다.

 .

다음은 크롭 분류 모델의 또 다른 예입니다. 원본 대 결과 팬옵틱 및 시맨틱 분할 결과를 해당 범례와 비교하여 보여줍니다.

지리정보 파이프라인 자동화

마지막으로 지리 공간 데이터 처리 및 추론 파이프라인을 구축하여 이전 단계를 자동화할 수도 있습니다. Amazon SageMaker 파이프 라인. 다음을 사용하여 필요한 각 전처리 단계를 간단히 연결합니다. 람다 단계 및 콜백 단계 파이프라인에서. 예를 들어, 변환 단계를 사용하거나 Lambda 단계와 콜백 단계의 다른 조합을 통해 직접 최종 추론 단계를 추가하여 SageMaker 지리 공간 기능에 내장된 의미론적 세분화 모델 중 하나를 사용하여 EOJ를 실행할 수도 있습니다.

EOJ가 비동기식이므로 파이프라인에서 Lambda 단계 및 콜백 단계를 사용하고 있으므로 이 유형의 단계를 통해 처리 작업의 실행을 모니터링하고 완료되면 파이프라인의 메시지를 통해 파이프라인을 재개할 수 있습니다. 아마존 단순 대기열 서비스 (Amazon SQS) 대기열.

에서 노트북을 확인할 수 있습니다. GitHub 저장소 이 코드의 자세한 예는 .

이제 다음 스크린샷과 같이 Studio를 통해 지리 공간적 파이프라인의 다이어그램을 시각화하고 파이프라인에서 실행을 모니터링할 수 있습니다.

결론

이 게시물에서는 xarvio Digital Farming Solutions의 고급 제품을 위한 지리 공간 데이터 파이프라인을 구축하기 위해 SageMaker 지리 공간 기능으로 구현한 프로세스를 요약했습니다. SageMaker 지리 공간을 사용하여 ML을 위한 사전 처리 및 모델링 단계를 가속화하고 단순화하는 사전 구축된 API를 사용하여 지리 공간 작업의 효율성을 50% 이상 높였습니다.

다음 단계로 우리는 솔루션 파이프라인의 자동화를 지속하기 위해 카탈로그에서 SageMaker로 더 많은 모델을 온보딩하고 있으며 서비스가 발전함에 따라 SageMaker의 더 많은 지리 공간적 기능을 계속 활용할 것입니다.

이 게시물에서 제공하는 종단 간 예제 노트북을 적용하고 서비스에 대해 자세히 알아봄으로써 SageMaker 지리 공간 기능을 사용해 보시기 바랍니다. Amazon SageMaker 지리 공간 기능이란 무엇입니까?.

저자에 관하여

줄리안 블라우 독일 쾰른에 위치한 BASF Digital Farming GmbH의 데이터 과학자입니다. 지리 공간 데이터와 기계 학습을 사용하여 BASF의 글로벌 고객 기반의 요구 사항을 해결하는 농업용 디지털 솔루션을 개발합니다. 직장 밖에서는 여행을 즐기고 친구 및 가족과 야외 활동을 즐깁니다.

안토니오 로드리게스 스페인에 기반을 둔 Amazon Web Services의 인공 지능 및 기계 학습 전문가 솔루션 설계자입니다. 그는 모든 규모의 회사가 혁신을 통해 문제를 해결하도록 돕고 AWS 클라우드 및 AI/ML 서비스를 통해 새로운 비즈니스 기회를 창출합니다. 일 외에는 가족과 시간을 보내고 친구들과 스포츠를 즐기는 것을 좋아합니다.