ระบบอัตโนมัติทางอุตสาหกรรมที่ Tyson พร้อมคอมพิวเตอร์วิทัศน์, AWS Panorama และ Amazon SageMaker

นี่เป็นครั้งแรกในชุดบล็อกสองตอนเกี่ยวกับวิธีที่ Tyson Foods, Inc. ใช้ Amazon SageMaker และ AWS Panorama เพื่อทำให้กระบวนการทางอุตสาหกรรมในโรงงานบรรจุเนื้อสัตว์เป็นไปโดยอัตโนมัติโดยนำประโยชน์ของแอปพลิเคชันปัญญาประดิษฐ์มาใช้ประโยชน์ ในส่วนที่หนึ่ง เราจะหารือเกี่ยวกับแอปพลิเคชันการนับสินค้าคงคลังสำหรับสายการบรรจุ ในส่วนที่สอง เราจะหารือเกี่ยวกับโซลูชันการตรวจจับสิ่งผิดปกติจากการมองเห็นที่ขอบสำหรับการบำรุงรักษาเชิงคาดการณ์ของอุปกรณ์อุตสาหกรรม

ในฐานะหนึ่งในผู้แปรรูปและนักการตลาดด้านไก่ เนื้อวัว และหมูที่ใหญ่ที่สุดในโลก ไทสันฟู้ดส์อิงค์เป็นที่รู้จักในด้านการนำโซลูชั่นที่เป็นนวัตกรรมมาสู่โรงงานผลิตและการบรรจุหีบห่อ ในเดือนกุมภาพันธ์ 2020 Tyson ประกาศ แผนการที่จะนำ Computer Vision (CV) มาใช้กับโรงงานไก่และเปิดตัวโครงการนำร่องกับ AWS เพื่อบุกเบิกความพยายามในการจัดการสินค้าคงคลัง Tyson ร่วมมือกับ ห้องปฏิบัติการโซลูชัน Amazon ML เพื่อสร้างโซลูชัน CV การนับถาดไก่ที่ล้ำสมัยซึ่งให้ข้อมูลเชิงลึกแบบเรียลไทม์เกี่ยวกับระดับสินค้าคงคลังที่บรรจุ ในโพสต์นี้ เราให้ภาพรวมของสถาปัตยกรรม AWS และคำแนะนำแบบสมบูรณ์ของโซลูชันเพื่อสาธิตส่วนประกอบหลักในไปป์ไลน์การนับถาดที่ตั้งค่าไว้ที่โรงงานของ Tyson เราจะมุ่งเน้นไปที่การรวบรวมและการติดฉลากข้อมูล การฝึกอบรม และการปรับใช้แบบจำลอง CV ที่ขอบโดยใช้ อเมซอน SageMaker, อาปาเช่ MXNet กลูออนและ AWS พาโนรามา.

ความเป็นเลิศในการดำเนินงานเป็นสิ่งสำคัญที่ Tyson Foods Tyson ใช้มาตรการประกันคุณภาพอย่างเข้มงวด (QA) ในสายการบรรจุ เพื่อให้มั่นใจว่าเฉพาะผลิตภัณฑ์ในบรรจุภัณฑ์ที่ผ่านโปรโตคอลการควบคุมคุณภาพเท่านั้นที่จะถูกจัดส่งให้กับลูกค้า เพื่อตอบสนองความต้องการของลูกค้าและนำหน้าปัญหาการผลิตใดๆ Tyson จะตรวจสอบจำนวนถาดไก่ที่บรรจุไว้อย่างใกล้ชิด อย่างไรก็ตาม เทคนิคการนับถาดไก่ที่ผ่าน QA แบบแมนนวลในปัจจุบันนั้นไม่ถูกต้องและไม่แสดงภาพที่ชัดเจนของระดับการผลิตสูง/ต่ำ กลยุทธ์ทางเลือก เช่น การตรวจสอบน้ำหนักรวมของการผลิตรายชั่วโมงต่อแร็ค ไม่ได้ให้ข้อเสนอแนะแก่พนักงานในโรงงานในทันที ด้วยความสามารถในการแปรรูปไก่ที่ 45,000,000 ตัวต่อสัปดาห์ ความแม่นยำและประสิทธิภาพในการผลิตจึงมีความสำคัญต่อธุรกิจของ Tyson สามารถใช้ CV อย่างมีประสิทธิภาพในสถานการณ์ดังกล่าวเพื่อประเมินปริมาณไก่ที่แปรรูปได้อย่างแม่นยำแบบเรียลไทม์ ช่วยให้พนักงานสามารถระบุปัญหาคอขวดที่อาจเกิดขึ้นในบรรจุภัณฑ์และสายการผลิตเมื่อเกิดขึ้นได้ ซึ่งช่วยให้สามารถใช้มาตรการแก้ไขและปรับปรุงประสิทธิภาพการผลิตได้

การสตรีมและการประมวลผลวิดีโอสตรีมภายในองค์กรที่ระบบคลาวด์สำหรับแอปพลิเคชัน CV ต้องการแบนด์วิดท์เครือข่ายสูงและการเตรียมใช้งานโครงสร้างพื้นฐานที่เกี่ยวข้อง นี่อาจเป็นงานที่ต้องห้ามด้านต้นทุน AWS Panorama ลบข้อกำหนดเหล่านี้และช่วยให้ Tyson สามารถประมวลผลการสตรีมวิดีโอที่ Edge บน AWS Panorama Appliance ช่วยลดเวลาแฝงไปยัง/จากคลาวด์และค่าใช้จ่ายแบนด์วิดท์ ในขณะที่ให้อินเทอร์เฟซที่ใช้งานง่ายสำหรับการจัดการอุปกรณ์และแอปพลิเคชันที่ขอบ

การตรวจจับวัตถุเป็นหนึ่งในอัลกอริธึม CV ที่ใช้บ่อยที่สุดที่สามารถกำหนดตำแหน่งของวัตถุในภาพและวิดีโอได้ เทคโนโลยีนี้กำลังถูกใช้ในการใช้งานในชีวิตจริงต่างๆ เช่น การตรวจหาคนเดินถนนในยานพาหนะที่เป็นอิสระ การตรวจจับเนื้องอกในการสแกนทางการแพทย์ ระบบนับคนเพื่อติดตามการเดินเท้าในพื้นที่ค้าปลีก และอื่นๆ นอกจากนี้ยังเป็นสิ่งสำคัญสำหรับกรณีการใช้งานการจัดการสินค้าคงคลัง เช่น การนับถาดเนื้อสำหรับ Tyson เพื่อลดของเสียด้วยการสร้างวงจรป้อนกลับด้วยกระบวนการผลิต การประหยัดต้นทุน และการส่งมอบสินค้าให้กับลูกค้าตรงเวลา

ส่วนต่อไปนี้ของโพสต์ในบล็อกนี้จะสรุปวิธีที่เราใช้วิดีโอสตรีมแบบสดจากโรงงานแห่งหนึ่งของ Tyson Foods เพื่อฝึกโมเดลการตรวจจับวัตถุโดยใช้ Amazon SageMaker จากนั้นเราปรับใช้ที่ขอบด้วยอุปกรณ์ AWS Panorama

AWS พาโนรามา

AWS Panorama เป็นอุปกรณ์การเรียนรู้ของเครื่อง (ML) ที่ช่วยให้องค์กรสามารถนำ CV ไปยังกล้องในองค์กรเพื่อคาดการณ์ในพื้นที่ได้อย่างแม่นยำและมีเวลาแฝงต่ำ AWS Panorama Appliance เป็นอุปกรณ์ฮาร์ดแวร์ที่ให้คุณเรียกใช้แอปพลิเคชันที่ใช้ ML เพื่อรวบรวมข้อมูลจากสตรีมวิดีโอ ส่งออกวิดีโอด้วยข้อความและภาพซ้อนทับแบบกราฟิก และโต้ตอบกับบริการอื่นๆ ของ AWS เครื่องสามารถเรียกใช้แบบจำลอง CV ได้หลายแบบกับสตรีมวิดีโอหลายรายการพร้อมกันและส่งออกผลลัพธ์แบบเรียลไทม์ ออกแบบมาเพื่อใช้ในเชิงพาณิชย์และอุตสาหกรรม

AWS Panorama Appliance ช่วยให้คุณสามารถเรียกใช้แอปพลิเคชัน CV แบบในตัวที่ Edge โดยไม่ต้องส่งภาพไปยัง AWS Cloud คุณยังสามารถใช้ AWS SDK บน AWS Panorama Appliance เพื่อผสานรวมกับบริการอื่นๆ ของ AWS และใช้เพื่อติดตามข้อมูลจากแอปพลิเคชันเมื่อเวลาผ่านไป ในการสร้างและปรับใช้แอปพลิเคชัน คุณใช้ AWS Panorama Application CLI CLI เป็นเครื่องมือบรรทัดคำสั่งที่สร้างโฟลเดอร์แอปพลิเคชันเริ่มต้นและไฟล์การกำหนดค่า สร้างคอนเทนเนอร์ด้วย Docker และอัปโหลดเนื้อหา

AWS Panorama รองรับโมเดลที่สร้างด้วย Apache MX Net, ดาร์กเน็ต, กลูออนซีวี, Keras, ออนเอ็นเอ็กซ์, ไพทอร์ช, TensorFlowและ TensorFlow Lite. เอ่ยถึง นี้ บล็อกโพสต์เพื่อเรียนรู้เพิ่มเติมเกี่ยวกับการสร้างแอปพลิเคชันบน AWS Panorama ในระหว่างกระบวนการปรับใช้ AWS Panorama จะดูแลการรวบรวมโมเดลเฉพาะสำหรับแพลตฟอร์ม Edge ผ่าน การรวบรวม Amazon SageMaker Neo. ผลการอนุมานสามารถส่งไปยังบริการของ AWS เช่น Amazon S3, Amazon CloudWatch หรือผสานรวมกับแอปพลิเคชันสายงานธุรกิจภายในองค์กร บันทึกการปรับใช้จะถูกเก็บไว้ใน Amazon CloudWatch

หากต้องการติดตามการเปลี่ยนแปลงใดๆ ในลอจิกสคริปต์การอนุมานหรือโมเดลที่ได้รับการฝึก คุณสามารถสร้างเวอร์ชันใหม่ของแอปพลิเคชันได้ เวอร์ชันแอปพลิเคชัน เป็นสแน็ปช็อตที่ไม่เปลี่ยนรูปของการกำหนดค่าของแอปพลิเคชัน AWS Panorama บันทึกแอปพลิเคชันเวอร์ชันก่อนหน้าของคุณ เพื่อให้คุณสามารถย้อนกลับการอัปเดตที่ไม่สำเร็จ หรือเรียกใช้เวอร์ชันต่างๆ บนอุปกรณ์ต่างๆ

สำหรับข้อมูลเพิ่มเติมอ้างถึง หน้า AWS Panorama. หากต้องการเรียนรู้เพิ่มเติมเกี่ยวกับการสร้างแอปพลิเคชันตัวอย่าง โปรดดูที่ ตัวอย่างพาโนรามาของ AWS.

เข้าใกล้

พนักงานโรงงานคนหนึ่งบรรจุถาดไก่ที่บรรจุแล้วลงในถังขยะพลาสติกอย่างต่อเนื่องและเรียงซ้อนกันตามกาลเวลา ดังแสดงในภาพก่อนหน้า เราต้องการตรวจจับและนับจำนวนถาดทั้งหมดจากถังขยะทั้งหมดที่จัดวางในแนวตั้ง

โมเดลการตรวจจับวัตถุที่ได้รับการฝึกอบรมสามารถคาดการณ์กรอบของถาดทั้งหมดที่วางอยู่ในถังขยะในทุกเฟรมวิดีโอ สามารถใช้เพื่อวัดจำนวนถาดในถังขยะในอินสแตนซ์ที่กำหนด เรายังทราบด้วยว่าเมื่อใดก็ตาม จะมีการเติมถาดบรรจุกล่องเพียงถังเดียว ถาดนับแกว่งอย่างต่อเนื่องจากสูง (ระหว่างการบรรจุ) ไปที่ต่ำ (เมื่อถังใหม่กีดขวางมุมมองของถังที่บรรจุแล้ว)

ด้วยความรู้นี้ เราใช้กลยุทธ์ต่อไปนี้เพื่อนับจำนวนถาดไก่ทั้งหมด:

1. รักษาสองเคาน์เตอร์ที่แตกต่างกัน – ท้องถิ่นและทั่วโลก ตัวนับทั่วโลกจะรักษาถาดรวมถาดทั้งหมด และตัวนับในเครื่องจะจัดเก็บถาดสูงสุดในถังใหม่
2. อัปเดตตัวนับในพื้นที่เมื่อมีการวางถาดใหม่ลงในถังขยะ
3. ตรวจหาเหตุการณ์ถังขยะใหม่ด้วยวิธีต่อไปนี้:
   1. จำนวนถาดในเฟรมที่กำหนดจะเป็นศูนย์ (หรือ)
   2. กระแสเลขถาดสุดท้าย n เฟรมลดลงอย่างต่อเนื่อง
4. เมื่อตรวจพบเหตุการณ์ bin ใหม่ ให้เพิ่มค่าตัวนับในพื้นที่ไปยังตัวนับส่วนกลาง
5. รีเซ็ตตัวนับในเครื่องเป็นศูนย์

เราทดสอบอัลกอริทึมนี้กับวิดีโอหลายชั่วโมงและได้ผลลัพธ์ที่สม่ำเสมอ

ฝึกโมเดลการตรวจจับวัตถุด้วย Amazon SageMaker

การสร้างชุดข้อมูล:

เรารวบรวมตัวอย่างรูปภาพจากสายการผลิตบรรจุภัณฑ์โดยใช้ AWS Panorama Appliance สคริปต์ในการประมวลผลอิมเมจและบันทึกได้รับการบรรจุเป็นแอปพลิเคชันและปรับใช้บน AWS Panorama แอปพลิเคชั่นรวบรวมเฟรมวิดีโอจากกล้องในองค์กรที่ติดตั้งใกล้กับโซนบรรจุภัณฑ์และบันทึกในช่วงเวลา 60 วินาทีเป็น Amazon S3 ถัง; ซึ่งจะช่วยป้องกันการถ่ายภาพที่คล้ายกันในลำดับวิดีโอที่ห่างกันไม่กี่วินาที นอกจากนี้เรายังปิดบังพื้นที่ที่อยู่ติดกันในภาพที่ไม่เกี่ยวข้องกับกรณีการใช้งาน

เราติดฉลากถาดไก่ด้วยกล่องที่มีขอบโดยใช้ Amazon SageMaker Ground Truth's งานติดฉลากสตรีมมิ่ง นอกจากนี้เรายังตั้งค่าการแจ้งเตือนเหตุการณ์ Amazon S3 ที่เผยแพร่ เหตุการณ์ที่สร้างขึ้นด้วยวัตถุ เพื่อ บริการแจ้งเตือนแบบง่ายของ Amazon หัวข้อ (SNS) ซึ่งทำหน้าที่เป็นแหล่งอินพุตสำหรับงานติดฉลาก เมื่อสคริปต์แอปพลิเคชัน AWS Panorama บันทึกรูปภาพไปยังบัคเก็ต S3 การแจ้งเตือนเหตุการณ์จะถูกเผยแพร่ไปยังหัวข้อ SNS ซึ่งจะส่งอิมเมจนี้ไปยังงานการติดป้ายกำกับ ในขณะที่คำอธิบายประกอบติดป้ายกำกับทุกภาพที่เข้ามา Ground Truth จะบันทึกป้ายกำกับลงในไฟล์รายการ ซึ่งมีเส้นทาง S3 ของภาพรวมถึงพิกัดของกล่องขอบถาดไก่

เราทำการเพิ่มข้อมูลหลายอย่าง (เช่น นอยส์แบบสุ่ม คอนทราสต์และความสว่างแบบสุ่ม การสับเปลี่ยนช่องสัญญาณ) บนรูปภาพที่ติดป้ายกำกับ เพื่อทำให้โมเดลแข็งแกร่งต่อการเปลี่ยนแปลงในชีวิตจริง ภาพต้นฉบับและภาพเสริมถูกรวมเข้าด้วยกันเพื่อสร้างชุดข้อมูลแบบรวมศูนย์

การฝึกโมเดล:

เมื่องานการติดฉลากเสร็จสิ้น เราจะเรียกใช้ an . ด้วยตนเอง AWS แลมบ์ดา การทำงาน. ฟังก์ชันแลมบ์ดานี้จะรวมรูปภาพและป้ายกำกับที่เกี่ยวข้องจากรายการผลลัพธ์ลงใน an ไฟล์ LST. ไฟล์การฝึกอบรมและทดสอบของเรามีภาพที่รวบรวมจากสายการบรรจุต่างๆ เพื่อป้องกันข้อมูลรั่วไหลในการประเมิน จากนั้นฟังก์ชัน Lambda จะเรียกใช้งานการฝึกอบรม Amazon SageMaker

เราใช้ โหมดสคริปต์ SageMakerซึ่งช่วยให้คุณนำอัลกอริธึมการฝึกอบรมของคุณเองและฝึกฝนโมเดลได้โดยตรงในขณะที่อยู่ในขอบเขตที่เป็นมิตรกับผู้ใช้ของ Amazon SageMaker เราฝึกโมเดลต่างๆ เช่น SSD, Yolo-v3 (สำหรับเวลาแฝงการอนุมานแบบเรียลไทม์) ด้วยการผสมผสานเครือข่ายแกนหลักต่างๆ จาก GluonCV Model Zoo สำหรับการตรวจจับวัตถุ ในโหมดสคริปต์ โครงข่ายประสาทเทียมมีแนวโน้มที่จะใส่ข้อมูลการฝึกมากเกินไป ส่งผลให้ผลการสุ่มตัวอย่างไม่ดี GluonCV ให้การทำให้เป็นมาตรฐานของรูปภาพและการเพิ่มรูปภาพ เช่น การพลิกและครอบตัดรูปภาพแบบสุ่ม เพื่อช่วยลดการใส่มากเกินไประหว่างการฝึก ดิ รหัสการฝึกโมเดล ถูกบรรจุและใช้อิมเมจ Docker ใน AWS Elastic Container Registry ของเรา งานการฝึกอบรมใช้โฟลเดอร์อิมเมจ S3 และเส้นทางไฟล์ LST เป็นอินพุตและบันทึกสิ่งประดิษฐ์ของโมเดลที่ดีที่สุด (.พารามิเตอร์ และ .json) ถึง S3 เมื่อเสร็จสิ้น

โมเดล 2 อันดับแรกจากชุดทดสอบของเราคือ SSD-resnet50 และ Yolov3-darketnet53, ด้วยคะแนน mAP ที่ 0.91 แต่ละอัน เรายังทำการทดสอบในโลกแห่งความเป็นจริงด้วยการปรับใช้แอปพลิเคชันการอนุมานบนอุปกรณ์ AWS Panorama พร้อมกับโมเดลที่ผ่านการฝึกอบรม สคริปต์การอนุมานจะบันทึกการคาดคะเนและเฟรมวิดีโอไปยังบัคเก็ต Amazon S3 เราได้สร้างงาน SageMaker Ground Truth อีกงานสำหรับใส่คำอธิบายประกอบความจริงพื้นๆ แล้วทำการประเมินแบบจำลองเชิงปริมาณเพิ่มเติม ความจริงพื้นและป้ายกำกับกล่องขอบเขตที่คาดการณ์ไว้บนรูปภาพถูกบันทึกไว้ใน S3 สำหรับการประเมินเชิงคุณภาพ ตัวแบบสามารถสรุปข้อมูลในโลกแห่งความเป็นจริงและให้ประสิทธิภาพที่สม่ำเสมอคล้ายกับในชุดทดสอบของเรา

คุณสามารถค้นหาตัวอย่างเต็มรูปแบบจากต้นทางถึงปลายทางของการสร้างงานการฝึกแบบกำหนดเอง การฝึกโมเดลการตรวจจับวัตถุที่ทันสมัย ​​การใช้ Hyperparameter Optimization (HPO) และการปรับใช้โมเดลบน Amazon SageMaker ได้บน ที่เก็บ GitHub ของ AWS Labs.

กำลังปรับใช้แอปพลิเคชันการนับถาดเนื้อ

ก่อนนำไปใช้งาน เราจัดแพ็คเกจทรัพย์สินทั้งหมดของเรา – โมเดล สคริปต์การอนุมาน กล้อง และการกำหนดค่าตัวแปรส่วนกลางลงในคอนเทนเนอร์เดียวตามที่กล่าวไว้ใน โพสต์บล็อกนี้. ไปป์ไลน์การผสานรวมอย่างต่อเนื่องและการปรับใช้อย่างต่อเนื่อง (CI/CD) ของเราจะอัปเดตการเปลี่ยนแปลงใดๆ ในสคริปต์การอนุมานเป็นเวอร์ชันแอปพลิเคชันใหม่ เมื่อมีการเผยแพร่แอปพลิเคชันเวอร์ชันใหม่ เราจะปรับใช้โดยทางโปรแกรมโดยใช้ boto3 SDK ใน Python

เมื่อปรับใช้แอปพลิเคชัน AWS Panorama จะสร้างงาน AWS SageMaker Neo Compilation เพื่อรวบรวมโมเดลสำหรับอุปกรณ์ AWS Panorama สคริปต์แอปพลิเคชันการอนุมานนำเข้าโมเดลที่คอมไพล์แล้วบนอุปกรณ์และทำการตรวจจับถาดไก่ในทุกเฟรม นอกจาก SageMaker Neo-Compilation แล้ว เรายังเปิดใช้งานการหาปริมาณหลังการฝึกด้วยการเพิ่ม a os.environ['TVM_TENSORRT_USE_FP16'] = '1' ตั้งค่าสถานะในสคริปต์ สิ่งนี้จะลดขนาดของน้ำหนักโมเดลจาก float 32 เป็น float 16 ลดขนาดโมเดลลงครึ่งหนึ่งและปรับปรุงเวลาแฝงโดยไม่ลดประสิทธิภาพการทำงาน ผลการอนุมานถูกจับใน การตรวจสอบ SiteWise ของ AWS ผ่านข้อความ MQTT จากอุปกรณ์ AWS Panorama ผ่าน แกน AWS IoT. ผลลัพธ์จะถูกผลักไปที่ Amazon S3 และแสดงผลใน อเมซอน QuickSight แดชบอร์ด ผู้จัดการโรงงานและพนักงานสามารถดูแดชบอร์ดเหล่านี้ได้โดยตรงเพื่อทำความเข้าใจปริมาณงานของสายการบรรจุทุกรายการแบบเรียลไทม์

สรุป

ด้วยการรวมบริการ AWS Cloud เช่น Amazon SageMaker, Amazon S3 และบริการ Edge เช่น AWS Panorama ทำให้ Tyson Foods Inc. ผสานรวมปัญญาประดิษฐ์เพื่อทำให้กระบวนการทางอุตสาหกรรมที่เน้นมนุษย์เป็นอัตโนมัติ เช่น การนับสินค้าคงคลังในโรงงานผลิต ความสามารถในการอนุมานขอบแบบเรียลไทม์ทำให้ Tyson สามารถระบุการผลิตที่เกิน/ต่ำกว่า และปรับขั้นตอนการผลิตแบบไดนามิกเพื่อเพิ่มประสิทธิภาพสูงสุด นอกจากนี้ ด้วยการเป็นเจ้าของอุปกรณ์ AWS Panorama ที่ Edge Tyson ยังสามารถประหยัดค่าใช้จ่ายที่เกี่ยวข้องกับแบนด์วิดท์เครือข่ายที่มีราคาแพง เพื่อถ่ายโอนไฟล์วิดีโอไปยังระบบคลาวด์ และขณะนี้สามารถประมวลผลสินทรัพย์วิดีโอ/รูปภาพทั้งหมดภายในเครือข่ายของตนได้

โพสต์ในบล็อกนี้ให้ภาพรวมแอปพลิเคชัน end-end และสถาปัตยกรรมอ้างอิงสำหรับการพัฒนาแอปพลิเคชัน CV ด้วย AWS Panorama เราได้พูดคุยถึง 3 แง่มุมที่แตกต่างกันของการสร้างแอปพลิเคชัน edge CV

1. ข้อมูล: การรวบรวมข้อมูล การประมวลผล และการติดป้ายกำกับโดยใช้ AWS Panorama และ Amazon SageMaker Ground Truth
2. รุ่น: การฝึกโมเดลและการประเมินโดยใช้ Amazon SageMaker และ AWS Lambda
3. แพ็คเกจการใช้งาน: การรวมโมเดล สคริปต์ และไฟล์การกำหนดค่าที่ได้รับการฝึกอบรมสำหรับ AWS Panorama

คอยติดตามส่วนที่สองของซีรีส์นี้เกี่ยวกับวิธีที่ Tyson ใช้ AWS Panorama สำหรับการบำรุงรักษาเชิงคาดการณ์ตาม CV ของเครื่องจักรอุตสาหกรรม

คลิก โปรดคลิกที่นี่เพื่ออ่านรายละเอียดเพิ่มเติม เพื่อเริ่มต้นการเดินทางของคุณด้วย AWS Panorama หากต้องการเรียนรู้เพิ่มเติมเกี่ยวกับการทำงานร่วมกับ ML Solutions Lab โปรดดูที่ ห้องปฏิบัติการโซลูชันแมชชีนเลิร์นนิงของ Amazon.

---

เกี่ยวกับผู้เขียน

ดิวา ภาร์กาวี เป็นนักวิทยาศาสตร์ข้อมูลที่ ห้องปฏิบัติการโซลูชัน Amazon ML ซึ่งเธอทำงานร่วมกับลูกค้าในแนวดิ่งต่างๆ และใช้การแก้ปัญหาอย่างสร้างสรรค์เพื่อสร้างมูลค่าให้กับลูกค้าด้วยโซลูชัน ML/AI ที่ล้ำสมัย

ดิลิป สุบรามาเนียม เป็นนักพัฒนาอาวุโสกับทีม Emerging Technologies ที่ Tyson Foods เขาหลงใหลในการสร้างแอปพลิเคชันแบบกระจายขนาดใหญ่เพื่อแก้ปัญหาทางธุรกิจและทำให้กระบวนการง่ายขึ้นโดยใช้ความรู้ในการพัฒนาซอฟต์แวร์ การเรียนรู้ของเครื่อง และบิ๊กดาต้า

ที่มา: https://aws.amazon.com/blogs/machine-learning/industrial-automation-at-tyson-with-computer-vision-aws-panorama-and-amazon-sagemaker/