Η πρόβλεψη κοινών τύπων αστοχίας μηχανών είναι κρίσιμης σημασίας στις μεταποιητικές βιομηχανίες. Δεδομένου ενός συνόλου χαρακτηριστικών ενός προϊόντος που συνδέεται με έναν δεδομένο τύπο αστοχίας, μπορείτε να αναπτύξετε ένα μοντέλο που να μπορεί να προβλέψει τον τύπο αποτυχίας όταν τροφοδοτείτε αυτά τα χαρακτηριστικά σε ένα μοντέλο μηχανικής εκμάθησης (ML). Η ML μπορεί να βοηθήσει με πληροφορίες, αλλά μέχρι τώρα χρειαζόσασταν ειδικοί ML για τη δημιουργία μοντέλων για την πρόβλεψη των τύπων αστοχίας μηχανήματος, η έλλειψη των οποίων θα μπορούσε να καθυστερήσει τυχόν διορθωτικές ενέργειες που χρειάζονται οι επιχειρήσεις για την αποτελεσματικότητα ή τη βελτίωση.

Σε αυτήν την ανάρτηση, σας δείχνουμε πώς οι επιχειρησιακοί αναλυτές μπορούν να δημιουργήσουν ένα μοντέλο ML πρόβλεψης τύπου αστοχίας μηχανής Καμβάς Amazon SageMaker. Το Canvas σάς παρέχει μια οπτική διεπαφή point-and-click που σας επιτρέπει να δημιουργείτε μοντέλα και να δημιουργείτε ακριβείς προβλέψεις ML μόνοι σας—χωρίς να απαιτείται εμπειρία ML ή να χρειάζεται να γράψετε ούτε μια γραμμή κώδικα.

Επισκόπηση λύσεων

Ας υποθέσουμε ότι είστε επιχειρηματικός αναλυτής που έχει ανατεθεί σε μια ομάδα συντήρησης ενός μεγάλου κατασκευαστικού οργανισμού. Η ομάδα συντήρησης σας ζήτησε να βοηθήσετε στην πρόβλεψη κοινών βλαβών. Σας παρείχαν ένα ιστορικό σύνολο δεδομένων που περιέχει χαρακτηριστικά που συνδέονται με έναν συγκεκριμένο τύπο αποτυχίας και θα ήθελαν να προβλέψετε ποια αποτυχία θα συμβεί στο μέλλον. Οι τύποι αστοχιών περιλαμβάνουν No Failure, Overstrain και Power Failures. Το σχήμα δεδομένων παρατίθεται στον παρακάτω πίνακα.

Όνομα στήλης	Τύπος δεδομένων	Περιγραφή
UID	INT	Μοναδικό αναγνωριστικό που κυμαίνεται από 1 έως 10,000
αναγνωριστικό προϊόντος	STRING	Αποτελείται από ένα γράμμα - L, M ή H για χαμηλή, μεσαία ή υψηλή - ως παραλλαγές ποιότητας προϊόντος και έναν σειριακό αριθμό συγκεκριμένης παραλλαγής
τύπος	STRING	Το αρχικό γράμμα που σχετίζεται με το αναγνωριστικό προϊόντος που αποτελείται μόνο από L, M ή H
θερμοκρασία αέρα [K]	ΔΕΚΑΔΙΚΟΣ	Θερμοκρασία αέρα που καθορίζεται σε Kelvin
θερμοκρασία διεργασίας [K]	ΔΕΚΑΔΙΚΟΣ	Ακριβώς ελεγχόμενες θερμοκρασίες για τη διασφάλιση της ποιότητας ενός συγκεκριμένου τύπου προϊόντος που καθορίζεται σε kelvin
ταχύτητα περιστροφής [rpm]	ΔΕΚΑΔΙΚΟΣ	Η ταχύτητα περιστροφής ενός αντικειμένου που περιστρέφεται γύρω από έναν άξονα είναι ο αριθμός των στροφών του αντικειμένου διαιρεμένος με το χρόνο, που καθορίζεται ως στροφές ανά λεπτό
ροπή [Nm]	ΔΕΚΑΔΙΚΟΣ	Δύναμη περιστροφής μηχανής μέσω μιας ακτίνας, εκφρασμένης σε νιουτονόμετρα
φθορά εργαλείων [min]	INT	Η φθορά του εργαλείου εκφράζεται σε λεπτά
τύπος αποτυχίας (στόχος)	STRING	Καμία βλάβη, διακοπή ρεύματος ή αστοχία υπερέντασης

Αφού εντοπιστεί ο τύπος αποτυχίας, οι επιχειρήσεις μπορούν να προβούν σε τυχόν διορθωτικές ενέργειες. Για να το κάνετε αυτό, χρησιμοποιείτε τα δεδομένα που έχετε σε ένα αρχείο CSV, το οποίο περιέχει ορισμένα χαρακτηριστικά ενός προϊόντος όπως περιγράφονται στον πίνακα. Χρησιμοποιείτε το Canvas για να εκτελέσετε τα ακόλουθα βήματα:

1. Εισαγάγετε το σύνολο δεδομένων συντήρησης.
2. Εκπαιδεύστε και δημιουργήστε το μοντέλο προγνωστικής συντήρησης μηχανών.
3. Αναλύστε τα αποτελέσματα του μοντέλου.
4. Δοκιμές προβλέψεων έναντι του μοντέλου.

Προϋποθέσεις

Ένας διαχειριστής cloud με ένα Λογαριασμός AWS με τις κατάλληλες άδειες απαιτείται να συμπληρωθούν οι ακόλουθες προϋποθέσεις:

1. Αναπτύξτε ένα Amazon Sage Maker domain Για οδηγίες, βλ Ενσωματωμένος στον τομέα Amazon SageMaker.
2. Εκκίνηση Canvas. Για οδηγίες, βλ Ρύθμιση και διαχείριση του Amazon SageMaker Canvas (για διαχειριστές IT).
3. Διαμορφώστε τις πολιτικές κοινής χρήσης πόρων μεταξύ προέλευσης (CORS) για το Canvas. Για οδηγίες, βλ Δώστε στους χρήστες σας τη δυνατότητα να ανεβάζουν τοπικά αρχεία.

Εισαγάγετε το σύνολο δεδομένων

Πρώτα, κατεβάστε το σύνολο δεδομένων συντήρησης και ελέγξτε το αρχείο για να βεβαιωθείτε ότι υπάρχουν όλα τα δεδομένα.

Το Canvas παρέχει πολλά δείγματα συνόλων δεδομένων στην αίτησή σας για να σας βοηθήσει να ξεκινήσετε. Για να μάθετε περισσότερα σχετικά με τα δείγματα συνόλων δεδομένων που παρέχονται από το SageMaker με τα οποία μπορείτε να πειραματιστείτε, δείτε Χρησιμοποιήστε δείγματα συνόλων δεδομένων. Εάν χρησιμοποιείτε το δείγμα δεδομένων (canvas-sample-maintenance.csv) διαθέσιμο στο Canvas, δεν χρειάζεται να εισαγάγετε το σύνολο δεδομένων συντήρησης.

Μπορείτε να εισάγετε δεδομένα από διαφορετικές πηγές δεδομένων στον Καμβά. Εάν σκοπεύετε να χρησιμοποιήσετε το δικό σας σύνολο δεδομένων, ακολουθήστε τα βήματα Εισαγωγή δεδομένων στον καμβά Amazon SageMaker.

Για αυτήν την ανάρτηση, χρησιμοποιούμε το πλήρες σύνολο δεδομένων συντήρησης που κατεβάσαμε.

1. Συνδεθείτε στο Κονσόλα διαχείρισης AWS, χρησιμοποιώντας έναν λογαριασμό με τα κατάλληλα δικαιώματα για πρόσβαση στο Canvas.
2. Συνδεθείτε στην κονσόλα Canvas.
3. Επιλέξτε εισαγωγή.
4. Επιλέξτε Μεταφόρτωση Και επιλέξτε το maintenance_dataset.csv αρχείο.
5. Επιλέξτε Εισαγωγή δεδομένων για να το ανεβάσετε στο Canvas.

Η διαδικασία εισαγωγής διαρκεί περίπου 10 δευτερόλεπτα (αυτό μπορεί να διαφέρει ανάλογα με το μέγεθος δεδομένων). Όταν ολοκληρωθεί, μπορείτε να δείτε ότι το σύνολο δεδομένων είναι μέσα Ready κατάστασης.

Αφού επιβεβαιώσετε ότι το εισαγόμενο σύνολο δεδομένων είναι ready, μπορείτε να δημιουργήσετε το μοντέλο σας.

Κατασκευάστε και εκπαιδεύστε το μοντέλο

Για να δημιουργήσετε και να εκπαιδεύσετε το μοντέλο σας, ολοκληρώστε τα παρακάτω βήματα:

1. Επιλέξτε νέο μοντέλοκαι δώστε ένα όνομα για το μοντέλο σας.
2. Επιλέξτε Δημιουργία.
3. Επιλέξτε το maintenance_dataset.csv σύνολο δεδομένων και επιλέξτε Επιλέξτε σύνολο δεδομένων.
   Στην προβολή μοντέλου, μπορείτε να δείτε τέσσερις καρτέλες, οι οποίες αντιστοιχούν στα τέσσερα βήματα για τη δημιουργία ενός μοντέλου και τη χρήση του για τη δημιουργία προβλέψεων: Αγορά, Χτίστε, Αναλύστε, να Προλέγω.
4. Στις Αγορά καρτέλα, επιλέξτε το maintenance_dataset.csv σύνολο δεδομένων που ανεβάσατε προηγουμένως και επιλέξτε Επιλέξτε σύνολο δεδομένων.
   Αυτό το σύνολο δεδομένων περιλαμβάνει 9 στήλες και 10,000 σειρές. Ο καμβάς μετακινείται αυτόματα στη φάση Build.
5. Σε αυτήν την καρτέλα, επιλέξτε τη στήλη προορισμού, στην περίπτωσή μας Τύπος αποτυχίας.Η ομάδα συντήρησης σάς ενημέρωσε ότι αυτή η στήλη υποδεικνύει τον τύπο των αστοχιών που συνήθως παρατηρούνται βάσει ιστορικών δεδομένων από τα υπάρχοντα μηχανήματα. Αυτό είναι που θέλετε να εκπαιδεύσετε το μοντέλο σας να προβλέπει. Ο καμβάς εντοπίζει αυτόματα ότι πρόκειται για α 3 Κατηγορία πρόβλημα (γνωστό και ως πολυταξική ταξινόμηση). Εάν εντοπιστεί λάθος τύπος μοντέλου, μπορείτε να τον αλλάξετε μη αυτόματα με το Τύπος αλλαγής επιλογή.
   Θα πρέπει να σημειωθεί ότι αυτό το σύνολο δεδομένων είναι εξαιρετικά μη ισορροπημένο ως προς την κατηγορία No Failure, η οποία μπορεί να φανεί με την προβολή της στήλης με το όνομα Τύπος αποτυχίας. Αν και το Canvas και οι υποκείμενες δυνατότητες AutoML μπορούν εν μέρει να χειριστούν ανισορροπία δεδομένων, αυτό μπορεί να έχει ως αποτέλεσμα ορισμένες λοξές αποδόσεις. Ως πρόσθετο επόμενο βήμα, ανατρέξτε στο Εξισορροπήστε τα δεδομένα σας για μηχανική εκμάθηση με το Amazon SageMaker Data Wrangler. Ακολουθώντας τα βήματα στον κοινόχρηστο σύνδεσμο, μπορείτε να εκκινήσετε ένα Στούντιο Amazon SageMaker εφαρμογή από την κονσόλα SageMaker και εισαγάγετε αυτό το σύνολο δεδομένων μέσα Amazon SageMaker Data Wrangler και χρησιμοποιήστε τον μετασχηματισμό δεδομένων Υπόλοιπο και, στη συνέχεια, επιστρέψτε το ισορροπημένο σύνολο δεδομένων στον Καμβά και συνεχίστε τα παρακάτω βήματα. Προχωράμε με το μη ισορροπημένο σύνολο δεδομένων σε αυτήν την ανάρτηση για να δείξουμε ότι το Canvas μπορεί να χειριστεί και μη ισορροπημένα σύνολα δεδομένων.
   Στο κάτω μισό της σελίδας, μπορείτε να δείτε μερικά από τα στατιστικά στοιχεία του συνόλου δεδομένων, συμπεριλαμβανομένων των τιμών που λείπουν και δεν ταιριάζουν, των μοναδικών τιμών και των μέσων και διάμεσων τιμών. Μπορείτε επίσης να απορρίψετε μερικές από τις στήλες εάν δεν θέλετε να τις χρησιμοποιήσετε για την πρόβλεψη, απλώς αποεπιλέγοντάς τις.
   Αφού εξερευνήσετε αυτήν την ενότητα, ήρθε η ώρα να εκπαιδεύσετε το μοντέλο! Πριν δημιουργήσετε ένα πλήρες μοντέλο, είναι καλή πρακτική να έχετε μια γενική ιδέα για την απόδοση του μοντέλου εκπαιδεύοντας ένα Quick Model. Ένα γρήγορο μοντέλο εκπαιδεύει λιγότερους συνδυασμούς μοντέλων και υπερπαραμέτρων προκειμένου να δώσει προτεραιότητα στην ταχύτητα έναντι της ακρίβειας, ειδικά σε περιπτώσεις όπου θέλετε να αποδείξετε την αξία της εκπαίδευσης ενός μοντέλου ML για την περίπτωση χρήσης σας. Λάβετε υπόψη ότι η επιλογή γρήγορης κατασκευής δεν είναι διαθέσιμη για μοντέλα μεγαλύτερα από 50,000 σειρές.
6. Επιλέξτε Γρήγορη κατασκευή.

Τώρα περιμένετε από 2–15 λεπτά. Μόλις ολοκληρωθεί, ο Καμβάς μετακινείται αυτόματα στο Αναλύστε καρτέλα για να σας δείξουμε τα αποτελέσματα της γρήγορης προπόνησης. Η ανάλυση που πραγματοποιήθηκε χρησιμοποιώντας τη γρήγορη κατασκευή εκτιμά ότι το μοντέλο σας είναι σε θέση να προβλέψει τον σωστό τύπο αστοχίας (έκβαση) στο 99.2% των περιπτώσεων. Μπορεί να αντιμετωπίσετε ελαφρώς διαφορετικές τιμές. Αυτό είναι αναμενόμενο.

Ας εστιάσουμε στην πρώτη καρτέλα, Επισκόπηση. Αυτή είναι η καρτέλα που σας δείχνει το Κρούση στήλης, ή την εκτιμώμενη σημασία κάθε στήλης για την πρόβλεψη της στήλης στόχου. Σε αυτό το παράδειγμα, οι στήλες Ροπή [Nm] και Ταχύτητα Περιστροφής [rpm] έχουν τον πιο σημαντικό αντίκτυπο στην πρόβλεψη του τύπου αστοχίας που θα συμβεί.

Αξιολογήστε την απόδοση του μοντέλου

Όταν μετακινείστε στο Βαθμολόγηση μέρος της ανάλυσής σας, μπορείτε να δείτε μια γραφική παράσταση που αντιπροσωπεύει την κατανομή των προβλεπόμενων τιμών μας σε σχέση με τις πραγματικές τιμές. Σημειώστε ότι οι περισσότερες αποτυχίες θα ανήκουν στην κατηγορία Χωρίς αποτυχία. Για να μάθετε περισσότερα σχετικά με τον τρόπο με τον οποίο το Canvas χρησιμοποιεί τις βασικές γραμμές SHAP για να φέρει την επεξήγηση στο ML, ανατρέξτε στο Αξιολόγηση της απόδοσης του μοντέλου σας στον καμβά Amazon SageMaker, καθώς Βασικές γραμμές SHAP για επεξήγηση.

Το Canvas διαχωρίζει το αρχικό σύνολο δεδομένων σε σετ εκπαίδευσης και επικύρωσης πριν από την εκπαίδευση. Η βαθμολογία είναι αποτέλεσμα της εκτέλεσης του σετ επικύρωσης από το Canvas στο μοντέλο. Αυτή είναι μια διαδραστική διεπαφή όπου μπορείτε να επιλέξετε τον τύπο αποτυχίας. Αν επιλέξετε Αποτυχία υπερέντασης στο γραφικό, μπορείτε να δείτε ότι το μοντέλο προσδιορίζει αυτό το 84% του χρόνου. Αυτό είναι αρκετά καλό για να αναλάβετε δράση—ίσως ζητήστε από χειριστή ή μηχανικό να ελέγξει περαιτέρω. Μπορείς να διαλέξεις Διακοπή ρεύματος στο γραφικό για να δείτε την αντίστοιχη μοριοδότηση για περαιτέρω ερμηνεία και ενέργειες.

Μπορεί να σας ενδιαφέρουν οι τύποι αστοχιών και πόσο καλά το μοντέλο προβλέπει τύπους αστοχιών με βάση μια σειρά εισόδων. Για να ρίξετε μια πιο προσεκτική ματιά στα αποτελέσματα, επιλέξτε Σύνθετες μετρήσεις. Αυτό εμφανίζει έναν πίνακα που σας επιτρέπει να εξετάσετε πιο προσεκτικά τα αποτελέσματα. Στην ML, αυτό αναφέρεται ως α μήτρα σύγχυσης.

Αυτός ο πίνακας ορίζει ως προεπιλογή την κυρίαρχη κλάση, No Failure. Στο Τάξη μενού, μπορείτε να επιλέξετε να προβάλετε σύνθετες μετρήσεις των άλλων δύο τύπων αποτυχίας, της Βλάβης Υπερέντασης και της Διακοπής ρεύματος.

Στο ML, η ακρίβεια του μοντέλου ορίζεται ως ο αριθμός των σωστών προβλέψεων διαιρεμένος επί του συνολικού αριθμού προβλέψεων. Τα μπλε πλαίσια αντιπροσωπεύουν σωστές προβλέψεις που έκανε το μοντέλο σε σχέση με ένα υποσύνολο δεδομένων δοκιμής όπου υπήρχε γνωστό αποτέλεσμα. Εδώ μας ενδιαφέρει το ποσοστό των περιπτώσεων που το μοντέλο προέβλεψε έναν συγκεκριμένο τύπο αστοχίας μηχανής (ας πούμε Καμία Αποτυχία) όταν είναι στην πραγματικότητα αυτός ο τύπος αποτυχίας (Καμία Αποτυχία). Στο ML, μια αναλογία που χρησιμοποιείται για τη μέτρηση είναι TP / (TP + FN). Αυτό αναφέρεται ως ανάκληση. Στην προεπιλεγμένη περίπτωση, No Failure, υπήρχαν 1,923 σωστές προβλέψεις από τις 1,926 συνολικές εγγραφές, οι οποίες είχαν ως αποτέλεσμα το 99% ανάκληση. Εναλλακτικά, στην κατηγορία Overstrain Failure, υπήρχαν 32 από 38, με αποτέλεσμα το 84% ανάκληση. Τέλος, στην κατηγορία Διακοπή ρεύματος ήταν 16 στα 19, με αποτέλεσμα το 84% ανάκληση.

Τώρα, έχετε δύο επιλογές:

1. Μπορείτε να χρησιμοποιήσετε αυτό το μοντέλο για να εκτελέσετε ορισμένες προβλέψεις επιλέγοντας Προλέγω.
2. Μπορείτε να δημιουργήσετε μια νέα έκδοση αυτού του μοντέλου για εκπαίδευση με το Τυπική κατασκευή επιλογή. Αυτό θα διαρκέσει πολύ περισσότερο—περίπου 1–2 ώρες—αλλά παρέχει ένα πιο εύρωστο μοντέλο επειδή περνάει από μια πλήρη αναθεώρηση AutoML δεδομένων, αλγορίθμων και επαναλήψεων συντονισμού.

Επειδή προσπαθείτε να προβλέψετε αποτυχίες και το μοντέλο προβλέπει σωστά τις αποτυχίες το 84% του χρόνου, μπορείτε να χρησιμοποιήσετε με σιγουριά το μοντέλο για να εντοπίσετε πιθανές αστοχίες. Επομένως, μπορείτε να προχωρήσετε στην επιλογή 1. Εάν δεν ήσασταν σίγουροι, τότε θα μπορούσατε να ζητήσετε από έναν επιστήμονα δεδομένων να εξετάσει τη μοντελοποίηση που έκανε το Canvas και να προσφέρει πιθανές βελτιώσεις μέσω της επιλογής 2.

Δημιουργήστε προβλέψεις

Τώρα που το μοντέλο έχει εκπαιδευτεί, μπορείτε να αρχίσετε να δημιουργείτε προβλέψεις.

1. Επιλέξτε Προλέγω στο κάτω μέρος του Αναλύστε σελίδα ή επιλέξτε το Προλέγω Tab.
2. Επιλέξτε Επιλέξτε σύνολο δεδομένωνκαι επιλέξτε το maintenance_dataset.csv αρχείο.
3. Επιλέξτε Δημιουργήστε προβλέψεις.

Το Canvas χρησιμοποιεί αυτό το σύνολο δεδομένων για να δημιουργήσει τις προβλέψεις μας. Αν και είναι γενικά καλή ιδέα να μην χρησιμοποιείτε το ίδιο σύνολο δεδομένων τόσο για εκπαίδευση όσο και για δοκιμές, μπορείτε να χρησιμοποιήσετε το ίδιο σύνολο δεδομένων για λόγους απλότητας σε αυτήν την περίπτωση. Εναλλακτικά, μπορείτε να αφαιρέσετε ορισμένες εγγραφές από το αρχικό σας σύνολο δεδομένων που χρησιμοποιείτε για εκπαίδευση και να χρησιμοποιήσετε αυτές τις εγγραφές σε ένα αρχείο CSV και να τις τροφοδοτήσετε στην πρόβλεψη παρτίδας εδώ, ώστε να μην χρησιμοποιείτε το ίδιο σύνολο δεδομένων για τη δοκιμή μετά την εκπαίδευση.

Μετά από λίγα δευτερόλεπτα, η πρόβλεψη έχει ολοκληρωθεί. Το Canvas επιστρέφει μια πρόβλεψη για κάθε σειρά δεδομένων και την πιθανότητα να είναι σωστή η πρόβλεψη. Μπορείς να διαλέξεις Προβολή για να δείτε τις προβλέψεις ή επιλέξτε Λήψη για λήψη ενός αρχείου CSV που περιέχει την πλήρη έξοδο.

Μπορείτε επίσης να επιλέξετε να προβλέψετε μία προς μία τιμές επιλέγοντας Ενιαία πρόβλεψη αντί του Πρόβλεψη παρτίδας. Ο Καμβάς σάς δείχνει μια προβολή όπου μπορείτε να παρέχετε τις τιμές για κάθε χαρακτηριστικό με μη αυτόματο τρόπο και να δημιουργήσετε μια πρόβλεψη. Αυτό είναι ιδανικό για καταστάσεις όπως τα σενάρια "τι θα συμβεί", για παράδειγμα: Πώς επηρεάζει η φθορά του εργαλείου τον τύπο αστοχίας; Τι γίνεται αν η θερμοκρασία της διεργασίας αυξηθεί ή μειωθεί; Τι γίνεται αν αλλάξει η ταχύτητα περιστροφής;

Τυπική κατασκευή

Η Τυπική κατασκευή Η επιλογή επιλέγει την ακρίβεια έναντι της ταχύτητας. Εάν θέλετε να μοιραστείτε τα τεχνουργήματα του μοντέλου με τον επιστήμονα δεδομένων και τους μηχανικούς ML, μπορείτε στη συνέχεια να δημιουργήσετε μια τυπική κατασκευή.

1. Επιλέξτε Προσθήκη έκδοσης
   
   
2. Επιλέξτε μια νέα έκδοση και επιλέξτε Τυπική κατασκευή.
3. Αφού δημιουργήσετε μια τυπική έκδοση, μπορείτε να μοιραστείτε το μοντέλο με επιστήμονες δεδομένων και μηχανικούς ML για περαιτέρω αξιολόγηση και επανάληψη.

εκκαθάριση

Για να αποφύγετε το μέλλον χρεώσεις συνεδρίας, αποσυνδεθείτε από το Canvas.

Συμπέρασμα

Σε αυτήν την ανάρτηση, δείξαμε πώς ένας επιχειρησιακός αναλυτής μπορεί να δημιουργήσει ένα μοντέλο πρόβλεψης τύπου αστοχίας μηχανής με το Canvas χρησιμοποιώντας δεδομένα συντήρησης. Το Canvas επιτρέπει σε επιχειρησιακούς αναλυτές, όπως μηχανικούς αξιοπιστίας, να δημιουργούν ακριβή μοντέλα ML και να δημιουργούν προβλέψεις χρησιμοποιώντας μια διεπαφή χωρίς κώδικα, οπτική, σημείο και κλικ. Οι αναλυτές μπορούν να το ανεβάσουν στο επόμενο επίπεδο μοιράζοντας τα μοντέλα τους με συναδέλφους επιστήμονες δεδομένων. Οι επιστήμονες δεδομένων μπορούν να δουν το μοντέλο Canvas στο Studio, όπου μπορούν να εξερευνήσουν τις επιλογές που έκανε ο Καμβάς, να επικυρώσουν τα αποτελέσματα του μοντέλου και ακόμη και να μεταφέρουν το μοντέλο στην παραγωγή με μερικά κλικ. Αυτό μπορεί να επιταχύνει τη δημιουργία αξίας με βάση το ML και να βοηθήσει στην ταχύτερη κλίμακα βελτιωμένων αποτελεσμάτων.

Για να μάθετε περισσότερα σχετικά με τη χρήση του Canvas, δείτε Δημιουργία, κοινή χρήση, ανάπτυξη: πώς οι επιχειρησιακοί αναλυτές και οι επιστήμονες δεδομένων επιτυγχάνουν ταχύτερο χρόνο για την αγορά χρησιμοποιώντας ML χωρίς κώδικα και το Amazon SageMaker Canvas. Για περισσότερες πληροφορίες σχετικά με τη δημιουργία μοντέλων ML με λύση χωρίς κώδικα, βλ Ανακοινώνουμε το Amazon SageMaker Canvas – μια οπτική ικανότητα εκμάθησης μηχανών χωρίς κώδικα για επιχειρησιακούς αναλυτές.

---

Σχετικά με τους Συγγραφείς

Rajakumar Sampathkumar είναι Κύριος Τεχνικός Διευθυντής Λογαριασμού στην AWS, παρέχοντας καθοδήγηση στους πελάτες σχετικά με την ευθυγράμμιση επιχειρηματικής τεχνολογίας και υποστηρίζοντας την επανεφεύρεση των μοντέλων και διαδικασιών λειτουργίας cloud. Είναι παθιασμένος με το cloud και τη μηχανική μάθηση. Ο Raj είναι επίσης ειδικός στη μηχανική εκμάθηση και συνεργάζεται με πελάτες AWS για το σχεδιασμό, την ανάπτυξη και τη διαχείριση του φόρτου εργασίας και των αρχιτεκτονικών τους AWS.

Τουάν Άτκινς είναι Senior Solutions Architect για τις Υπηρεσίες Ιστού της Amazon. Είναι υπεύθυνος για τη συνεργασία με πελάτες Γεωργίας, Λιανικής και Μεταποίησης για τον εντοπισμό επιχειρηματικών προβλημάτων και την αντίστροφη εργασία για τον εντοπισμό βιώσιμων και επεκτάσιμων τεχνικών λύσεων. Η Twann βοηθά τους πελάτες να σχεδιάζουν και να μεταφέρουν κρίσιμους φόρτους εργασίας για περισσότερα από 10 χρόνια με πρόσφατη εστίαση στον εκδημοκρατισμό των αναλυτικών στοιχείων, της τεχνητής νοημοσύνης και της μηχανικής μάθησης για πελάτες και κατασκευαστές του αύριο.

Ομκάρ Μουκαντάμ είναι μια Edge Specialist Solution Architecture στο Amazon Web Services. Επί του παρόντος εστιάζει σε λύσεις που επιτρέπουν στους εμπορικούς πελάτες να σχεδιάζουν, να κατασκευάζουν και να κλιμακώνονται αποτελεσματικά με τις προσφορές υπηρεσιών AWS Edge που περιλαμβάνουν, ενδεικτικά, την AWS Snow Family.