소셜 네트워크

AI

Amazon SageMaker Ground Truth를 사용하여 혼합 소스, 산업 데이터 세트에 레이블 지정

화신

게재

on

모든 종류의지도 머신 러닝 (ML) 알고리즘을 사용하기 전에 데이터에 레이블을 지정해야합니다. 아마존 세이지 메이커 그라운드 진실 이 작업을 단순화하고 가속화합니다. Ground Truth는 미리 정의 된 템플릿을 사용하여 이미지의 내용을 분류하는 라벨 or 동영상 or 기존 레이블 확인. Ground Truth를 사용하면 코드를 작성하지 않고도 텍스트, 비디오 또는 이미지와 같은 다양한 종류의 데이터에 레이블을 지정하는 워크 플로를 정의 할 수 있습니다. 이러한 템플릿은 레이블을 지정할 데이터가 단일 형식이거나 단일 소스 인 광범위한 사용 사례에 적용 할 수 있지만 산업 워크로드에는 종종 다른 소스와 다른 형식의 데이터에 레이블을 지정해야합니다. 이 게시물에서는 Ground Truth를 사용하여 사용자 정의되고 복잡한 혼합 소스 라벨링 워크 플로를 구현하는 방법을 보여주기 위해 센서 판독 값과 이미지로 구성된 산업용 용접 데이터의 사용 사례를 살펴 봅니다.

이 게시물에서는 AWS CloudFormation 이 레이블 지정 워크 플로 구현을 시작하기위한 기본 리소스를 프로비저닝하기위한 AWS 계정 템플릿. 다음 주제에 대한 실무 경험을 제공합니다.

  • Ground Truth에서 개인 라벨링 인력 만들기
  • 다음 구성 요소와 함께 Ground Truth 프레임 워크를 사용하여 사용자 지정 레이블 지정 작업 만들기 :
    • 사전 라벨링 디자인 AWS 람다 다른 소스에서 데이터를 가져와 필요한 경우 형식 변환을 실행하는 함수
    • Lambda 사전 레이블 지정 함수로 생성 된 데이터를 동적으로로드하는 크라우드 템플릿을 사용하여 Ground Truth에서 사용자 지정 레이블 지정 사용자 인터페이스 구현
    • 사용자 지정 사후 레이블 지정 Lambda 함수를 사용하여 여러 작업자의 레이블 통합
  • 단일 항목으로 레이블을 지정해야하는 여러 데이터를 표시하기 위해 사용자 정의 인터페이스가있는 Ground Truth를 사용하여 사용자 정의 레이블 지정 작업 구성

구현에 대해 자세히 알아보기 전에 사용 사례에 대한 소개를 제공하고 Ground Truth 사용자 지정 레이블 지정 프레임 워크가 매우 복잡한 레이블 지정 워크 플로를 쉽게 구현하는 방법을 보여줍니다. 이 게시물을 최대한 활용하려면 CloudFormation 템플릿을 배포 할 수있는 AWS 계정이 필요합니다. 이 게시물을 팔로우하기 위해 귀하의 계정에 발생한 총 비용은 $ 1 미만입니다.

산업용 용접 품질 관리를위한 복잡한 데이터 세트 라벨링

이 게시물에서 논의 된 메커니즘은 일반적으로 데이터 형식이 다른 모든 라벨링 워크 플로에 적용 가능하지만 용접 품질 관리 사용 사례의 데이터를 사용합니다. 이 사용 사례에서 용접 프로세스를 실행하는 제조 회사는 용접 결과가 정상인지 또는 프로세스 중에 많은 이상이 발생했는지 예측하려고합니다. 지도 된 ML 모델을 사용하여이를 구현하려면 ML 모델을 학습하는 데 사용할 레이블이 지정된 데이터 (예 : 프로세스가 정상인지 여부를 나타 내기 위해 레이블이 지정되어야하는 용접 프로세스를 나타내는 데이터 세트)를 얻어야합니다. Ground Truth를 사용하여이 라벨링 프로세스 (ML 또는 모델링 프로세스가 아님)를 구현하여 용접 전문가가 용접 결과에 대해 평가하고이 결과를 이미지와 센서 데이터로 구성된 데이터 세트에 할당 할 수 있습니다.

CloudFormation 템플릿은 아마존 단순 스토리지 서비스 (Amazon S3) 이미지가 포함 된 AWS 계정의 버킷 (접두사 images) 및 CSV 파일 (접두사 sensor_data). 이미지에는 용접 빔이 금속 표면에 적용되는 다음과 유사한 산업용 용접 프로세스 중에 찍은 사진이 포함되어 있습니다 (이미지 소스는 TIG 스테인리스 304):

CSV 파일에는 용접기의 센서에서 측정 한 전류, 전극 위치 및 전압을 나타내는 센서 데이터가 포함되어 있습니다. 전체 데이터 세트는 GitHub 레포. 이 CSV 데이터의 원시 샘플은 다음과 같습니다.

0|96.19|1023|420|4.5|4.5|1|8
0.1|96.13|894|424|4.5|4.5|1|8
0.2|96.06|884|425|4.5|4.5|1|8
0.3|96.05|884|426|4.5|4.5|1|8
0.4|96.12|887|426|4.5|4.5|1|8
0.5|96.17|902|426|4.5|4.5|2|8
0.6|95.82|974|426|4.5|4.5|2|8
0.7|95.45|1304|426|4.5|4.5|3|8
0.8|95.15|1410|428|4.5|4.5|3|8
0.9|94.96|1446|428|4.5|4.5|3|8
1|94.79|1464|428|4.5|4.5|3|8
...

데이터의 첫 번째 열은 용접 프로세스 시작에 대해 정규화 된 타임 스탬프 (밀리 초)입니다. 각 행은 타임 스탬프와 관련된 다양한 센서 값으로 구성됩니다. 첫 번째 행은 전극 위치, 두 번째 행은 전류, 세 번째 행은 전압입니다 (다른 값은 여기서 관련이 없음). 예를 들어 타임 스탬프가있는 행 1, 용접 공정 시작 후 100 밀리 초 후 전극 위치가 94.79, 현재 1464및 전압 428.

사람이 원시 CSV 데이터를 사용하여 평가하기가 어렵 기 때문에 이러한 데이터를 레이블링을 위해 즉시 사전 처리하고 더 쉽게 읽을 수있는 플롯으로 변환하는 방법도 보여줍니다. 이렇게하면 용접 전문가가 이미지와 플롯을보고 용접 프로세스에 대한 평가를 할 수 있습니다.

CloudFormation 템플릿 배포

다음에 필요한 설정 및 구성을 단순화하기 위해 여러 기반을 AWS 계정에 배포하는 CloudFormation 템플릿을 생성했습니다. 이 프로세스를 시작하려면 다음 단계를 완료하십시오.

  1. AWS 계정에 로그인하십시오.
  2. 사용중인 AWS 리전에 따라 다음 링크 중 하나를 선택하십시오.
  1. 모든 매개 변수를 그대로 유지하고 선택 AWS CloudFormation이 사용자 지정 이름으로 IAM 리소스를 생성 할 수 있음을 인정합니다AWS CloudFormation에 다음 기능이 필요할 수 있음을 인정합니다. CAPABILITY_AUTO_EXPAND.
  2. 선호하는 스택 생성 배포를 시작합니다.

배포에는 약 3 ~ 5 분이 소요되며, 그 동안 레이블을 지정할 데이터가있는 버킷, 일부 AWS Lambda 함수 및 AWS 자격 증명 및 액세스 관리 (IAM) 역할이 배포됩니다. 배포 상태가 다음으로 전환되면 프로세스가 완료된 것입니다. CREATE_COMPLETE.

그리고, 출력 탭에는이 게시물 전체에서 사용하는 매니페스트 파일에 대한 Amazon S3 경로와 같은 추가 정보가 있습니다. 따라서이 브라우저 탭을 열어두고 다른 탭에서 나머지 게시물을 따르는 것이 좋습니다.

Ground Truth 라벨링 인력 만들기

Ground Truth는 정의를위한 세 가지 옵션을 제공합니다. 노동력 라벨링을 완료합니다. 아마존 기계 터크, 공급 업체별 인력민간 인력. 이 섹션에서는 레이블 지정을 직접 완료하기를 원하기 때문에 개인 인력을 구성합니다. 다음 단계에 따라 개인 인력을 생성합니다.

  1. Amazon SageMaker 콘솔의 지상 진실, 선택하다 라벨링 인력.
  2. 비공개 탭에서 개인 팀 만들기.

  1. 라벨링 인력의 이름을 입력합니다. 사용 사례에서는 용접 전문가를 입력합니다.
  2. 고르다 이메일로 새로운 직원 초대.
  3. 전자 메일 주소, 조직 이름 및 연락처 전자 메일 (방금 입력 한 것과 동일 할 수 있음)을 입력합니다.
  4. 선호하는 개인 팀 만들기.

콘솔은 화면 상단에서 라벨링 인력 생성을 확인합니다. 페이지를 새로 고치면 새 인력이 비공개 탭, 아래 개인 팀.

또한 임시 암호 및 로그인 페이지를 열 수있는 링크가 포함 된 로그인 지침이 포함 된 이메일을받습니다.

  1. 링크를 선택하고 이메일 및 임시 비밀번호를 사용하여 로그인 비밀번호를 인증하고 변경하십시오.

다시 로그인 할 필요가 없도록이 브라우저 탭을 열어 두는 것이 좋습니다. 이것으로 인력을 만드는 데 필요한 모든 단계를 마칩니다.

사용자 지정 레이블 지정 작업 구성

이 섹션에서는 레이블 지정 작업을 만들고이 작업을 사용하여 사용자 지정 레이블 지정 작업의 세부 정보와 데이터 흐름을 설명합니다.

  1. Amazon SageMaker 콘솔의 지상 진실, 선택하다 라벨링 작업.
  2. 선호하는 라벨링 작업 생성.

  1. 레이블 지정 작업의 이름 (예 : WeldingLabelJob1)을 입력하십시오.
  2. 선호하는 수동 데이터 설정.
  3. 입력 데이터 셋 위치, CloudFormation 스택에서 ManifestS3Path 값을 입력하십시오. 출력
  4. 출력 데이터 세트 위치, 들어가다 ProposedOutputPath CloudFormation 스택의 값 출력
  5. IAM 역할, 선택하다 사용자 지정 IAM 역할 ARN 입력.
  6. 입력 SagemakerServiceRoleArn CloudFormation 스택의 값 출력
  7. 작업 유형으로 관습.
  8. 선호하는 다음.

IAM 역할은 Ground Truth가 Lambda 함수를 호출하고 Amazon S3에 액세스 할 수 있도록 CloudFormation 템플릿에 의해 생성 된 사용자 지정 역할입니다.

  1. 개인 라벨링 인력을 사용하도록 선택하십시오.
  2. 드롭 다운 메뉴에서 인력을 선택합니다. 용접 전문가.
  3. 작업 시간 초과 및 작업 만료 시간의 경우 1 시간이면 충분합니다.
  4. 데이터 세트 개체 당 작업자 수는 1 개입니다.
  5. 에서 Lambda 함수 섹션 사전 레이블 지정 작업 Lambda 함수으로 시작하는 기능을 선택하십시오. PreLabelingLambda-.
  6. 레이블 지정 후 작업 Lambda 함수으로 시작하는 기능을 선택하십시오. PostLabelingLambda-.
  7. 템플릿 섹션에 다음 코드를 입력합니다. 이 HTML 코드는 개인 레이블 직원의 작업자가 항목에 레이블을 지정할 때 표시되는 인터페이스를 지정합니다. 사용 사례의 경우 템플릿에 XNUMX 개의 이미지가 표시되며 용접 결과를 분류하는 범주는 다음과 같습니다.
    <script src="https://assets.crowd.aws/crowd-html-elements.js"></script>
    <crowd-form> <crowd-classifier name="WeldingClassification" categories="['Good Weld', 'Burn Through', 'Contamination', 'Lack of Fusion', 'Lack of Shielding Gas', 'High Travel Speed', 'Not sure']" header="Please classify the welding process." > <classification-target> <div> <h3>Welding Image</h3> <p><strong>Welding Camera Image </strong>{{ task.input.image.title }}</p> <p><a href="{{ task.input.image.file | grant_read_access }}" target="_blank">Download Image</a></p> <p> <img style="height: 30vh; margin-bottom: 10px" src="{{ task.input.image.file | grant_read_access }}"/> </p> </div> <hr/> <div> <h3>Current Graph</h3> <p><strong>Current Graph </strong>{{ task.input.current.title }}</p> <p><a href="{{ task.input.current.file | grant_read_access }}" target="_blank">Download Current Plot</a></p> <p> <img style="height: 30vh; margin-bottom: 10px" src="{{ task.input.current.file | grant_read_access }}"/> </p> </div> <hr/> <div> <h3>Electrode Position Graph</h3> <p><strong>Electrode Position Graph </strong>{{ task.input.electrode.title }}</p> <p><a href="{{ task.input.electrode.file | grant_read_access }}" target="_blank">Download Electrode Position Plot</a></p> <p> <img style="height: 30vh; margin-bottom: 10px" src="{{ task.input.electrode.file | grant_read_access }}"/> </p> </div> <hr/> <div> <h3>Voltage Graph</h3> <p><strong>Voltage Graph </strong>{{ task.input.voltage.title }}</p> <p><a href="{{ task.input.voltage.file | grant_read_access }}" target="_blank">Download Voltage Plot</a></p> <p> <img style="height: 30vh; margin-bottom: 10px" src="{{ task.input.voltage.file | grant_read_access }}"/> </p> </div> </classification-target> <full-instructions header="Classification Instructions"> <p>Read the task carefully and inspect the image as well as the plots.</p> <p> The image is a picture taking during the welding process. The plots show the corresponding sensor data for the electrode position, the voltage and the current measured during the welding process. </p> </full-instructions> <short-instructions> <p>Read the task carefully and inspect the image as well as the plots</p> </short-instructions> </crowd-classifier>
    </crowd-form>
    

라벨링 작업을 만드는 마법사는 섹션에 미리보기 기능이 있습니다. 사용자 지정 레이블 지정 작업 설정모든 구성이 제대로 작동하는지 확인하는 데 사용할 수 있습니다.

  1. 인터페이스를 미리 보려면 시사.

그러면 새 브라우저 탭이 열리고 다음 스크린 샷과 유사한 레이블 지정 인터페이스의 테스트 버전이 표시됩니다.

  1. 레이블 지정 작업을 생성하려면 만들기.

Ground Truth는 지정된대로 레이블 지정 작업을 설정하고 대시 보드에 해당 상태가 표시됩니다.

라벨 할당

구성한 레이블 지정 작업을 완료하려면 작업자 포털에 로그인하고 이미지와 데이터 그림으로 구성된 다른 데이터 항목에 레이블을 할당합니다. 라벨링 작업의 여러 구성 요소가 함께 작동하는 방법에 대한 세부 정보는 다음 섹션에서 설명합니다.

  1. Amazon SageMaker 콘솔의 지상 진실, 선택하다 라벨링 인력.
  2. 비공개 탭에서 링크를 선택하십시오. 라벨링 포털 로그인 URL.

Ground Truth가 라벨링 작업 준비를 마치면 등록된 학생들 보기 부분. 표시되지 않으면 몇 분 정도 기다렸다가 탭을 새로 고칩니다.

  1. 선호하는 일을 시작하다.

그러면 레이블링 UI가 시작되어 용접 이미지와 전류, 전극 위치 및 전압에 대한 플롯으로 구성된 혼합 데이터 세트에 레이블을 할당 할 수 있습니다.

이 사용 사례에서는 단일 데이터 세트에 XNUMX 개의 서로 다른 라벨을 할당 할 수 있습니다. 이러한 다양한 클래스와 레이블은 UI의 HTML에 정의되어 있지만 사전 레이블 지정 Lambda 함수를 사용하여 동적으로 삽입 할 수도 있습니다 (다음 섹션에서 설명). 실제로 ML 목적으로 레이블이 지정된 데이터를 사용하지 않기 때문에이 레이블 지정 작업에 대해 Ground Truth에서 표시하는 XNUMX 개 항목에 레이블을 무작위로 할당 할 수 있습니다.

모든 항목에 레이블을 지정한 후 UI는 사용 가능한 작업이있는 목록으로 다시 전환됩니다. 이것으로 레이블 지정 작업 구성 및 시작에 대한 섹션을 마칩니다. 다음 섹션에서는 사용자 지정 레이블 지정 작업의 메커니즘을 자세히 설명하고 HTML 인터페이스의 다양한 요소에 대해 자세히 설명합니다.

맞춤 라벨링 심층 분석

사용자 지정 레이블 지정 작업은 레이블을 지정할 데이터를 세 가지 구성 요소와 결합하여 레이블 지정 인력의 작업자가 데이터 세트의 각 항목에 레이블을 할당 할 수있는 워크 플로를 만듭니다.

  • Lambda 함수 사전 레이블 지정 – 레이블 지정 작업 구성 중에 지정된 매니페스트 파일을 사용하여 레이블 지정 인터페이스에 표시 할 내용을 생성합니다. 이 사용 사례의 경우이 함수는 CSV 파일을 사람이 읽을 수있는 플롯으로 변환하고 이러한 플롯을 접두사 아래 S3 버킷에 이미지로 저장합니다. plots.
  • 라벨링 인터페이스 – 사전 레이블 지정 기능의 출력을 사용하여 사용자 인터페이스를 생성합니다. 이 사용 사례의 경우 인터페이스에 XNUMX 개의 이미지 (용접 과정에서 찍은 사진과 전류, 전극 위치 및 전압에 대한 XNUMX 개의 그래프)와 작업자가 용접 과정을 분류 할 수있는 양식이 표시됩니다.
  • 레이블 통합 Lambda 기능 – 사용자 지정 전략을 구현하여 하나 또는 여러 작업자의 분류를 단일 응답으로 통합 할 수 있습니다. 직원의 경우 레이블이 파일로 통합되고 Ground Truth가 Amazon S3에 저장하는 단일 작업자 만 있기 때문에 이는 매우 간단합니다.

이 세 가지 구성 요소를 분석하기 전에 레이블 지정 작업의 데이터 소스를 설명하는 매니페스트 파일의 구조에 대한 통찰력을 제공합니다.

매니페스트 및 데이터 세트 파일

매니페스트 파일은 JSON 라인 각 행은 레이블을 지정할 하나의 항목을 나타냅니다. Ground Truth는 하나의 키를 기대합니다. source or source-ref 파일의 각 줄에서. 이 사용 사례에서는 source, 매핑 된 값은 Amazon S3 경로를 나타내는 문자열이어야합니다. 이 게시물에서는 XNUMX 개의 항목에만 레이블을 지정하고 JSON 행은 다음 코드와 유사합니다.

{"source": "s3://iiot-custom-label-blog-bucket-unn4d0l4j0/dataset/dataset-1.json"}

여러 입력 형식 및 파일이있는 사용 사례의 경우 매니페스트의 각 줄은 Amazon S3에도 저장된 데이터 세트 파일을 가리 킵니다. 데이터 세트는 용접 이미지에 대한 참조와 센서 데이터가있는 CSV 파일을 포함하는 JSON 문서입니다.

{ "sensor_data": {"s3Path": "s3://iiot-custom-label-blog-bucket-unn4d0l4j0/sensor_data/weld.1.csv"}, "image": {"s3Path": "s3://iiot-custom-label-blog-bucket-unn4d0l4j0/images/weld.1.png"}
}

Ground Truth는 매니페스트 파일의 각 줄을 가져 와서 다음에 설명 할 사전 레이블 지정 Lambda 함수를 트리거합니다.

Lambda 함수 사전 레이블 지정

사전 레이블 지정 Lambda 함수는 레이블 지정 인터페이스의 항목 별 부분을 채우는 데 사용되는 JSON 객체를 생성합니다. 자세한 내용은 AWS Lambda로 처리.

Ground Truth는 작업자에게 라벨링 할 항목을 표시하기 전에 사전 라벨링 기능을 실행하고 매니페스트의 JSON 라인에있는 정보를 함수로 전달합니다. 사용 사례에서 함수에 전달되는 이벤트는 다음과 같습니다.

{ "version": "2018-10-06", "labelingJobArn": "arn:aws:sagemaker:eu-west-1:XXX:labeling-job/weldinglabeljob1", "dataObject": { "source": "s3://iiot-custom-label-blog-bucket-unn4d0l4j0/dataset/dataset-1.json" }
}

여기서 구현 세부 정보를 생략했지만 (관심있는 사용자를 위해 코드는 검토를 위해 CloudFormation 템플릿과 함께 배포 됨) 레이블 지정 작업의 함수는이 입력을 사용하여 다음 단계를 완료합니다.

  1. 에 참조 된 파일을 다운로드하십시오. source 입력 필드 (이전 코드 참조).
  2. 소스에서 참조되는 데이터 세트 파일 다운로드
  3. 센서 데이터가 포함 된 CSV 파일을 다운로드합니다. 데이터 세트 파일에는이 CSV 파일에 대한 참조가 있어야합니다.
  4. CSV 파일의 내용에서 전류, 전극 위치 및 전압에 대한 플롯을 생성합니다.
  5. Amazon S3에 플롯 파일을 업로드합니다.
  6. 앞서 언급 한 플롯 파일에 대한 참조와 데이터 세트 파일에서 참조 된 용접 이미지를 포함하는 JSON 객체를 생성합니다.

이 단계가 완료되면 함수는 두 부분으로 된 JSON 객체를 반환합니다.

  • taskInput – 레이블링 UI에 표시 할 정보를 포함하는 완전히 사용자 지정 가능한 JSON 개체입니다.
  • isHumanAnnotationRequired – 부울 값을 나타내는 문자열 (True or False)를 사용하여 사람이 레이블을 지정하지 않도록 개체를 제외 할 수 있습니다. 제공된 모든 데이터 항목에 레이블을 지정하기 때문에이 사용 사례에는이 플래그를 사용하지 않습니다.

자세한 내용은 다음 링크를 참조하세요 AWS Lambda로 처리.

용접 이미지와 전류, 전극 위치 및 전압에 대한 세 가지 그래프를 표시하고 싶기 때문에 Lambda 함수의 결과는 첫 번째 데이터 세트에 대해 다음과 같습니다.

{ "taskInput": { "image": { "file": "s3://iiot-custom-label-blog-bucket-unn4d0l4j0/images/weld.1.png", "title": " from image at s3://iiot-custom-label-blog-bucket-unn4d0l4j0/images/weld.1.png" }, "voltage": { "file": "s3://iiot-custom-label-blog-bucket-unn4d0l4j0/plots/weld.1.csv-current.png", "title": " from file at plots/weld.1.csv-current.png" }, "electrode": { "file": "s3://iiot-custom-label-blog-bucket-unn4d0l4j0/plots/weld.1.csv-electrode_pos.png", "title": " from file at plots/weld.1.csv-electrode_pos.png" }, "current": { "file": "s3://iiot-custom-label-blog-bucket-unn4d0l4j0/plots/weld.1.csv-voltage.png", "title": " from file at plots/weld.1.csv-voltage.png" } }, "isHumanAnnotationRequired": "true"
}

앞의 코드에서 taskInput 완전히 사용자 정의 할 수 있습니다. 이 함수는 표시 할 이미지에 대한 Amazon S3 경로와 일부 작동하지 않는 텍스트가있는 제목도 반환합니다. 다음으로 이러한 다양한 부분에 액세스하는 방법을 보여줍니다. taskInput Ground Truth에서 작업자에게 표시되는 사용자 지정 레이블 지정 UI를 빌드 할 때 JSON 개체입니다.

레이블링 UI : taskInput 콘텐츠 액세스

Ground Truth는 Lambda 함수의 출력을 사용하여 레이블 지정 작업 생성시 제공되는 HTML 스켈레톤에 콘텐츠를 채 웁니다. 일반적으로 taskInput 출력 객체는 task.input HTML 코드에서.

예를 들어 출력에서 ​​용접 이미지가 저장된 Amazon S3 경로를 검색하려면 경로에 액세스해야합니다. taskInput/image/file. 왜냐하면 taskInput 함수 출력의 객체는 task.input HTML에서 용접 이미지 파일에 대한 해당 참조는 task.input.image.file. 이 참조는 라벨링 UI의 HTML 코드에 직접 통합되어 용접 이미지를 표시합니다.

<img style="height: 30vh; margin-bottom: 10px" src="{{ task.input.image.file | grant_read_access }}"/>

그리고, grant_read_access 필터링 공개적으로 액세스 할 수없는 S3 버킷의 파일에 필요합니다. 이렇게하면 브라우저에 전달 된 URL에 이미지에 대한 단기 액세스 토큰이 포함되므로 레이블 지정 작업을 위해 리소스에 공개적으로 액세스 할 필요가 없습니다. 머신 데이터와 같이 레이블을 지정할 데이터는 기밀이기 때문에 이는 종종 필수입니다. 사전 라벨링 기능도 CSV 파일을 플롯과 이미지로 변환했기 때문에 UI 로의 통합도 유사합니다.

레이블 통합 Lambda 함수

사용자 지정 레이블 지정 작업을 위해 구성된 두 번째 Lambda 함수는 모든 작업자가 항목에 레이블을 지정했거나 기일 라벨링 작업에 도달했습니다. 이 함수의 핵심 작업은 작업자의 응답에서 단일 레이블을 파생하는 것입니다. 또한이 기능은 사용하는 ML 파이프 라인에 이상적인 형식으로 Amazon S3에 저장하는 등 레이블이 지정된 데이터를 추가로 처리하는 데 사용할 수 있습니다.

레이블을 통합 할 수있는 다양한 전략이 있지만 이러한 기능에 대한 구현의 초석에 초점을 맞추고 이들이 사용 사례로 어떻게 변환되는지 보여줍니다. 통합 기능은 다음 JSON 코드와 유사한 이벤트에 의해 트리거됩니다.

{ "version": "2018-10-06", "labelingJobArn": "arn:aws:sagemaker:eu-west-1:261679111194:labeling-job/weldinglabeljob1", "payload": { "s3Uri": "s3://iiot-custom-label-blog-bucket-unn4d0l4j0/output/WeldingLabelJob1/annotations/consolidated-annotation/consolidation-request/iteration-1/2020-09-15_16:16:11.json" }, "labelAttributeName": "WeldingLabelJob1", "roleArn": "arn:aws:iam::261679111194:role/AmazonSageMaker-Service-role-unn4d0l4j0", "outputConfig": "s3://iiot-custom-label-blog-bucket-unn4d0l4j0/output/WeldingLabelJob1/annotations", "maxHumanWorkersPerDataObject": 1 }

이 이벤트의 핵심 항목은 payload, 여기에는 s3Uri Amazon S3에 저장된 파일을 가리 킵니다. 이 페이로드 파일에는 라벨이 지정된 데이터 세트 목록과 작업자가 할당 한 라벨이 포함되어 있습니다. 다음 코드는 이러한 목록 항목의 예입니다.

{ "datasetObjectId": "4", "dataObject": { "s3Uri": "s3://iiot-custom-label-blog-bucket-unn4d0l4j0/dataset/dataset-5.json" }, "annotations": [ { "workerId": "private.eu-west-1.abd2ec3e354db315", "annotationData": { "content":"{"WeldingClassification":{"label":"Not sure"}}" } } ] }

항목에 라벨을 지정한 작업자를 결정하는 데 사용할 수있는 식별자와 함께 각 항목은 라벨이 할당 된 각 데이터 세트에 대해 나열합니다. 예를 들어 작업자가 여러 명인 경우 annotations. 이 게시물의 모든 항목에 레이블을 지정하는 단일 작업자를 만들었으므로 항목이 하나뿐입니다. 파일 dataset-5.json 레이블이 지정되었습니다 Not Sure 분류 자용 WeldingClassification.

레이블 통합 기능은 모든 목록 항목을 반복하고 각 데이터 세트에 대해 감독 된 ML 훈련에 대한 기준으로 사용할 레이블을 결정해야합니다. Ground Truth는 함수가 다음 구조의 각 데이터 세트 항목에 대한 항목을 포함하는 목록을 반환 할 것으로 예상합니다.

{ "datasetObjectId": "4", "consolidatedAnnotation": { "content": { "WeldingLabelJob1": { "WeldingClassification": "Not sure" } } } }

반환 된 목록의 각 항목에는 datasetObjectId 페이로드 파일 및 JSON 객체의 해당 항목 consolidatedAnnotation, 객체를 포함 content. Ground Truth는 콘텐츠에 라벨 지정 작업의 이름과 동일한 키가 포함될 것으로 예상합니다 (사용 사례의 경우 WeldingLabelJob1). 자세한 내용은 AWS Lambda로 처리.
레이블 지정 작업을 만들 때이 동작을 변경할 수 있습니다. 라벨 작업 이름과 다른 라벨 속성 이름을 지정하고 싶습니다 및 레이블 속성 이름을 입력합니다.

레이블 지정 작업의 이름과 동일한이 키 내부의 내용은 자유롭게 구성 할 수 있으며 임의로 복잡 할 수 있습니다. 우리의 사용 사례에서는 할당 된 레이블을 반환하는 것으로 충분합니다. Not Sure. 이러한 서식 요구 사항 중 하나라도 충족되지 않으면 Ground Truth는 레이블 지정 작업이 제대로 실행되지 않아 실패했다고 가정합니다.

내가 지정했기 때문에 output 레이블 지정 작업을 생성하는 동안 원하는 접두사로 요구 사항이 충족되고 Ground Truth는 통합 레이블을 생성하는 동안 지정된 버킷 및 접두사에 JSON 항목 목록을 업로드하고 다음 접두사를 사용하여 업로드합니다.

output/WeldingLabelJob1/annotations/consolidated-annotation/consolidation-response/iteration-1/

Amazon SageMaker에서 ML 알고리즘을 교육하거나 추가 처리를 위해 이러한 파일을 사용할 수 있습니다.

청소

향후 요금이 발생하지 않도록이 게시물에 대해 생성 된 모든 리소스를 삭제하십시오.

  1. AWS CloudFormation 콘솔에서 스택.
  2. 스택 선택 iiot-custom-label-blog.
  3. 선호하는 지우다.

이 단계는 계정에서 모든 파일과 S3 버킷을 제거합니다. 이 과정은 3 ~ 5 분 정도 걸립니다.

결론

감독 형 ML에는 레이블이 지정된 데이터가 필요하며 Ground Truth는 레이블 지정 워크 플로를 만들기위한 플랫폼을 제공합니다. 이 게시물은 라벨링 항목에 여러 소스의 데이터를 고려해야하는 복잡한 산업용 IoT 라벨링 워크 플로를 구축하는 방법을 보여주었습니다. 이 게시물에서는 사용자 지정 레이블 지정 작업을 만드는 방법을 설명하고 Ground Truth가 이러한 워크 플로를 구현하는 데 필요한 메커니즘에 대한 세부 정보를 제공했습니다. 사용자 지정 레이블 지정 작업 작성을 시작하려면 다음을 참조하십시오. 맞춤 라벨링 문서 Ground Truth 페이지를 참조하고이 게시물의 CloudFormation 템플릿을 재배포하여 사전 라벨링 및 통합 람다에 대한 샘플을 얻으십시오. 또한 블로그 게시물 "AWS Lambda 및 Amazon SageMaker Ground Truth를 사용하여 사용자 지정 레이블 지정 작업 생성”는 맞춤형 라벨링 작업 구축에 대한 추가적인 통찰력을 제공합니다.


저자에 관하여

수석 프로토 타이핑 참여 관리자로서 Markus Bestehorn 박사 AWS 고객과 함께 비즈니스 크리티컬 프로토 타입을 구축하는 책임을 맡고 있으며 IoT 및 기계 학습 전문가입니다. 그의 "경력"은 7 살 때 5.25 인치 플로피 디스크 XNUMX 개, 하드 디스크, 마우스가없는 컴퓨터를 손에 쥐고 BASIC을 작성하고 나중에 C 및 C ++ 프로그램을 작성하기 시작했습니다. . 그는 컴퓨터 과학 박사 학위와 현재 사용 가능한 모든 AWS 자격증을 보유하고 있습니다. 컴퓨터를 사용하지 않을 때는 뛰거나 산을 오릅니다.

출처 : https://aws.amazon.com/blogs/machine-learning/labeling-mixed-source-industrial-datasets-with-amazon-sagemaker-ground-truth/

AI

캠페인가는 Peter Thiel의 AI 회사 Palantir와 NHS 거래에 대한 사법 검토를 요구합니다.

화신

게재

on

캠페인 그룹은 논란이되고있는 AI 회사 인 Palantir와 £ 23m NHS 계약을 체결하기로 한 영국 정부의 결정에 대한 사법 검토를 모색하고 있습니다.

별도의 조사에 따르면 Palantir는 전염병이 발생하기 훨씬 전인 2019 년 중반부터 영국 시민의 건강 데이터를 활용하는 것에 대해 NHS와 논의했습니다.

작년 XNUMX 월에 NHS는 Palantir와 XNUMX 년 계약을 체결했습니다., 영국 보건 서비스와의 참여는 원래 COVID-19 전염병을 해결하는 데 도움이되는 일시적인 비상 조치로되어 있었음에도 불구하고 정밀 조사없이. 새로운 거래는 2022 년 XNUMX 월까지 Palantir의 Foundry 플랫폼을 사용하기로 약속합니다.

2016 년 Quicken Loans Arena에서 열린 공화당 전당 대회의 Peter Thiel

NHS, 논란의 여지가있는 Peter Thiel AI 회사 Palantir에 23 천 XNUMX 백만 파운드

자세히 보기

뉴스 웹 사이트 openDemocracy, 기술 캠페인 그룹 Foxglove가 지원하는 이번 주 개최 사법 심사 신청 NHS와 국방 및 정보 커뮤니티를위한 정보 분석 및 처리 작업을 수행하는 미국 AI 회사 인 Palantir 간의 데이터 거래 중 종종 조직을위한 디지털 프로파일 링 도구와 같은 맞춤형 솔루션을 생성합니다. CIA 및 ICE 포함. 회사 설립 저명한 트럼프 금융가PayPal 투자자 Peter Thiel.

작년 XNUMX 월 NHS는 논란이되고있는 또 다른 AI 회사 인 마이크로 소프트, 구글, 팰런 티르, 교수진과 협력하는 COVID 데이터 스토어 프로젝트를 발표했을 때 그것이 일시적이라고 강조했다. 오프라인으로 전환되었지만 보관 된 이후 원본 블로그 여기를 클릭해 주세요,“매장의 모든 NHS 데이터는 NHS England 및 NHS Improvement의 통제하에 유지됩니다. 공중 보건 비상 상황이 종료되면 데이터는 법과 NHS와 파트너간에 체결 된 엄격한 계약에 따라 폐기되거나 반환 될 것입니다.”

openDemocracy의 사법 검토에 따르면 XNUMX 월 계약은 영국 데이터 보호법에 따라 공개 협의를 보장하는 대유행과 관련없는 문제를 휩쓸고있는 그러한 변화를 나타냅니다.

Palantir 계약은 거래가 Brexit 및 일반 사업 계획과 같이 전염병과 관련이없는 많은 문제를 다루고 있음을 보여줍니다. 동시에 영국 정부는 Palantir 데이터 저장소에 입력 된 건강 데이터 소스 목록을 완전히 수정했다고 캠페인 그룹이 말했습니다.

따라서 계약 변경에는 공개 협의가 필요합니다. "데이터 보호 영향 평가"(DPIA)는 국가 규모의 민감한 건강 데이터를 처리하는 것이 공정하고 합법적인지 여부도 고려해야합니다. Palantir 거래를 위해 그러한 운동이 수행되지 않았습니다.

Ming Tang은 NHS England 및 NHS Improvement의 데이터 및 분석 담당 국가 이사입니다. 에 XNUMX 월 계약을 정당화하는 그녀의 블로그, 그녀는 서비스가 "시스템에서 데이터를 관리하고 사용하는 방식을 지속적으로 개선하는 동시에 높은 수준의 대중 신뢰를 유지하고 투명성을 높이기 위해"필요하다고 말했습니다.

A 별도의 보고서 수사 저널리즘 국 (BIJ)은 팰런 티어가 NHS 족장에게 서비스를 판매하려는 매력적 공격이 2019 년 여름에 시작되었다고 밝혔다. 2019 년 하반기, 전염병이 닥 치기 훨씬 전입니다.

Palantir의 영국 사장 인 Louis Mosley는 2 년 2019 월 XNUMX 일 NHS England의 회장 인 David Prior가 참석 한 식사를 주최했습니다. 파티는 수박 칵테일을 통해 NHS 데이터의 향후 활용 가능성에 대해 논의했습니다. 다음날 오후 Mosley는 정보 자유 법 (Freedom of Information Act)을 통해 획득 한 문서의“트 로브”를 기반으로 한 국 보고서에 따르면 저녁 식사를“의장”해준 것에 대해 Prior에게 이메일을 보냈습니다.

2020 년 XNUMX 월까지 Palantir의 런던 팀은 이미 영국의 의료 시장에 "독점적으로 초점을 맞춘"제품을 개발하고 있다고 보고서는 전했습니다.

그 달 말에 Mosley는 Palantir의 소프트웨어 시연과 Alex Karp CEO 소개를 제공하기 위해 Prior에 편지를 썼습니다. 그의 답장에서 Prior는 새로 만든 NHSX의 책임자 인 Matthew Gould를 복사했습니다.

심하게 편집 된 문서에 따르면 Palantir는 국제 무역부 (DIT)의 공무원도 참여했습니다. 2020 년 XNUMX 월까지 DIT의 공무원은 "채용 지원, 확장을위한 부동산 식별 [및] 비자 계획"을 포함하여 "영국에서 [Palantir]의 성장을 지원"하는 방법을 찾고있었습니다.

우리는 NHS를 사랑합니다

공개 : NHS 영국 보스가 기술 및 제약 거대 기업과 만나 수백만 영국의 의료 데이터 가격 목록을 논의합니다.

자세히 보기

DIT는 BIJ에 거래에 필요한 모든 실사를 수행했다고 밝혔다.

BIJ에 따르면 Palantir와 NHS 리더 간의 대화는 2019 년 XNUMX 월에 개최 된 NHS Health and Care Data Day 동안 진행 중이었습니다. 독점적으로 공개 등록,이 행사에는 Prior, Gould, NHS 및 Genomics England의 다른 지역의 공무원과 AstraZeneca, Microsoft 및 Amazon의 대표가 포함되었습니다.

그들은 "특별하고 국제적으로 고유 한 자원", "65 천 XNUMX 백만 시민을위한 단일, 국가, 표준화 된 이벤트 기반 종단 기록"을 만드는 것에 대해 논의했습니다. 우리가 본 유출 된 슬라이드는 GP, 병원, 지역 사회 및 사회 복지사의 데이터 소스를 "국가 데이터 모델"로 "큐레이팅"할 것을 제안했으며, 목표는 "영국을 데이터 기반 연구의 세계적 리더로 만들고 혁신".

이달 초 정부는 백서 출시 NHS의 통합 및 혁신 계획을 설명합니다. COVID-19 유행성 대응은 "불필요한 관료주의 대신 디지털 및 데이터의 잠재력을 활용하여 혁신적이고 창의적인 솔루션을 사용하여 치료를 제공"하는 새로운 방법을 보여 주었다고합니다. 개혁안은 개선 된 데이터 수집과 NHS 전반에 걸친 공유에 대해 논의합니다.

데이터 수집 및 분석이 의료 서비스를 개선 할 수 있다는 것은 사실 일 수 있습니다. 그러나 그것은 필요성을 설명하지 않습니다 공공 계약의 대부분을 수정하다. 또는 위협을받은 이유 NHS와 Palantir의 이전 계약을 발표하는 법원 사건. 또한 최신 계약을 감독하기 위해 사법 검토가 필요한 이유를 설명하지도 않습니다.

투명성이 부족한 이러한 움직임은 NHS가 민간 기업의 이익을 위해 사용되는 건강 데이터의 최고 보석을 공개한다고 말하는 사람들의 우려를 덜어주지 않습니다.

한편, 거래를 감독하는 책임자 인 Matt Hancock 보건부 장관은 불법 행위가 발견됨 대유행 기간 동안 서명 한 계약서를 적시에 공개하지 않은 것입니다. 자신감을 불러 일으키지는 않습니다.

보건 사회 복지부 (Department of Health and Social Care)에 의견을 요청했지만 NHS는 스카이 뉴스에 말했다.: "이 회사는 영국 공공 부문의 공인 공급 업체이며 NHS는 2020 년 XNUMX 월에 데이터 보호 영향 평가를 완료했으며 적절한시기에 업데이트가 게시 될 것입니다." ®

출처 : https://go.theregister.com/feed/www.theregister.com/2021/02/24/nhs_palantir_judicial_review/

계속 읽기

AI

설문 조사 결과 : 2021 년 글로벌 고객 서비스 리더의 최우선 과제

화신

게재

on

XNUMX 월에 McKinsey & Company는 행동을 요구하다 누군가 기업과의 모든 상호 작용의 중요성이 커지고 있음을 인식합니다. 소비자와 기업 모두 우리의 삶과 시스템을 뒤흔든 충격파를 헤쳐나 가면서 신뢰할 수있는 정보, 안내 및 지원에 대한 고객의 요구를 완벽하게 해결해야하는 새로운 시급함이 있다고 주장했습니다.

대유행이 시작된 지 거의 2021 개월이 지난 10 년을 시작하면서 우리는 빠르게 가속화되는 미래를 선도해 온 고객 서비스 전문가를 확인하기로 결정했습니다. 우리는 오늘날 글로벌 고객 서비스 운영을 관리 할 때 가장 먼저 떠오르는 문제가 무엇인지 알아보기 위해 미국, 영국 및 독일에서 온 다양한 산업 분야의 600 명의 고객 서비스 리더를 대상으로 설문 조사를 실시했습니다.

놀랍게도 경제적 인 불확실성에도 불구하고 설문 조사에 따르면 대부분의 기업은 2021 년에 고객 서비스에 계속해서 막대한 투자를 할뿐만 아니라 많은 기업이 예산을 늘릴 것입니다. 미국에서, 응답자의 50 %는 내년에 예산이 늘어날 것이라고 답했으며 영국 응답자의 30 %와 독일 지도자의 40 %도 더 많은 자금을받을 것이라고 말했습니다.

설문 조사 응답자들로부터 배운 다른 내용은 다음과 같습니다. 

42 % 이상이 전 세계 고객에게 일관된 경험을 제공하는 것이 가장 큰 과제라고 답했습니다.

설문 조사에 참여한 국가 전체에서 리더들은 일관성이 가장 큰 문제를 제기한다는 데 동의했습니다. 언어는 국제 시장에서 주요 장벽으로 작용합니다. 통계에 따르면이 합의에 대해 놀라지 않았습니다. 전 세계 고객의 40 % 단순히 다른 언어로 구매하지 않으며 74 비율 모국어로 판매 후 지원이 제공되는 경우 두 번째로 브랜드에서 구매할 가능성이 높습니다. 일관된 다국어 고객 서비스를 제공하면 수익과 고객 신뢰 모두에 영향을 미치기 때문에 지원 리더가 밤에 계속 일할 수 있습니다.

XNUMX/XNUMX은 의미있는 고객 관계를 구축하고 전 세계 고객 충성도를 향상시킬 수있는 솔루션을 원합니다.

고객 서비스의 어떤 요소를 가장 중요하게 생각하는지 묻는 질문에 고객 지원 리더의 XNUMX/XNUMX은 "고객과의 의미있는 관계 구축"이 "상담원이 문제를 신속하게 해결할 수 있도록 지원"및 "시간대 전반에 걸쳐 훌륭한 고객 경험 제공"과 같은 우려를 능가한다고 응답했습니다. 이는 서비스의 즐거움을 지속적으로 제공하는 회사가 가장 충성도가 높은 고객을 창출하고 결과적으로 상당한 성장을 주도한다는 광범위한 이해를 반영합니다. (실제로 온라인 회사의 고객 서비스 성과를 측정하고 평가하는 회사 인 StellaConnect는 고객 서비스가 고객의 문제를 해결하면 80 비율 그들 중 브랜드와 더 감정적으로 연결되어 있다고 느낍니다.)

40 % 이상이 사내 모국어 지원 에이전트를 고용하여 언어 장벽을 해결합니다.

설문 조사에 참여한 모든 고객 서비스 리더의 거의 절반이 기존 및 잠재 고객의 요구를 해결하기 위해 원어민을 고용하기 위해 노력하고 있다고 말했습니다. 우리가 논의했듯이 여기서 도전은 이전 게시물에서, 전담 원어민에게만 의존하는 것은 엄청난 비용이들뿐만 아니라 글로벌 기업에 필요한 민첩성에 대한 장벽이 될 수 있다는 것입니다. 다른 언어로 된 고객 서비스 요구는 지속적으로 바뀔 수 있기 때문에 종종 엄청나게 어렵습니다 주어진 순간에 갈 준비가 된 올바른 언어를 사용하는 적절한 수의 담당자를 보유합니다.

79 % 이상이 AI 기반 솔루션이 매우 중요하다고 생각합니다.

모국어 사용자와 AI 기반 솔루션을 모두 사용하고 있다고보고 한 세 국가의 응답자들이 많이 겹치는 것은 대부분의 기업이 원어민, 아웃소싱 및 AI 기반 번역 도구를 함께 사용하고 있음을 시사합니다. 물론 악마는 인간과 소프트웨어의 적절한 균형을 찾는 세부 사항에 있습니다. 기계 학습 배포는 다국어 고객 서비스 조직을 확장하는 데 필수적이되었지만 "고리 안에 갇힌 사람" AI 플랫폼은 매우 중요한 의미있는 고객 관계를 만드는 데 필요한 뉘앙스와 컨텍스트를 제공합니다.

그렇다면 새로운 노멀 탐색을 담당하는 고객 서비스 리더에게는 COVID 이후의 세상이 어떻게 보일까요? 중국의 초기 데이터는 3 ~ 6 % 포인트 증가 전염병의 여파로 전체 전자 상거래 보급률. 또한 45 세 이상 중국 소비자의 비중은 27 월부터 XNUMX 월까지 XNUMX % 증가했다. 모든 징후는 온라인 쇼핑으로의 영구적 인 전환과 디지털 상호 작용을 통한 소비자 편의 증가를 나타냅니다. 설문 조사 응답자와 전 세계의 동료 고객 서비스 리더의 날로 증가하는 민첩성과 혁신이 필요합니다. 

선도 기업이 다국어 번역 장벽을 어떻게 해결하고 있는지 궁금하십니까? Daniel Wellington 사례 연구 읽기 사례 연구 읽기

출처 : https://unbabel.com/blog/survey-says-whats-top-of-mind-for-global-customer-service-leaders-in-2021/

계속 읽기

AI

Symbio는 산업 조립을 자동화하기 위해 30 천만 달러로 스텔스에서 등장

화신

게재

on

캘리포니아 주 에머리 빌 소재 산업용 로봇 스타트 업 심비 오 로보틱스 오늘은 30 천만 달러의 자금으로 스텔스에서 나왔습니다. 이 회사는 새로운 고객을 유치하기 위해 자본이 기술 개발에 투입 될 것이라고 말합니다.

맥킨지  생산 직종의 자동화 잠재력은 79 %이며, 전염병은 이러한 변화를 가속화 할 것으로 보입니다. ㅏ 신고 제조 연구소와 딜로이트는 향후 4.6 년 동안 XNUMX 만 개의 제조 일자리를 채워야 할 것이며, 물리적 거리 측정과 전자 상거래 활동의 지속적인 증가로 인해 발생하는 문제로 인해 일부 물류 운영이 한계에 도달했습니다.

2014 년에 설립 된 Symbio는 자사 소프트웨어가 공장 현장 로봇이 수행 할 작업을 "학습"할 수 있도록함으로써 도움이 될 수 있다고 주장합니다. 이 회사의 미들웨어를 통해 개발자는 Java, Ruby 및 Python과 같은 최신 프로그래밍 언어를 사용하여 단일 또는 전체 로봇 군에 대한 지침을 생성 할 수 있습니다. 플랫폼은 시간이 지남에 따라 자체 최적화되어 로봇이 할당 된 작업을 개선 할 수 있도록합니다.

하위 어셈블리에서 최종 어셈블리에 이르기까지 Symbio의 소프트웨어는 프로세스의 변화에 ​​적응할 수있는 자동화를 지원합니다. AI와 자동화 센서의 피드백을 사용하여 Symbio는 로봇이 무작위로 분포 된 부품이 포함 된 빈을 인식하고 선택하거나 고유 한 패스너 위치 및 방향과 같은 항목에 맞게 조정할 수 있도록 도와줍니다. 또한 Symbio는 카메라가있는 로봇이 고정밀 작업을 수행하면서 움직이는 부품을 추적 할 수 있도록합니다.

Symbio의 소프트웨어는 산업 네트워크를 통해 에지 컴퓨팅 인프라에서 실행되어 공장 시스템에 조립 작업을 실행하도록 알리고 지시합니다. 파이프 라인을 완전히 자동화하는 것과 달리이 회사는 "최고의 인간-기계 협업"을 지원하는 빌딩 자동화에 초점을 맞추고 있다고 말합니다.

“Symbio는 Windows가 DOS 용으로 한 일을 제조하기 위해 노력하고 있습니다. 기존 산업용 제조 로봇은 독점적 인 프로그래밍 언어를 실행하므로 느리고 번거 롭습니다. 이러한 로봇은 손재주가 부족할뿐만 아니라 필요한 작업을 수행 할 수있는 지능이 부족합니다.”공동 설립자이자 CEO 인 Max Reynolds는 보도 자료에서 말했습니다. “우리의 기술은 AI와 인간 로봇 상호 작용의 모범 사례를 활용하여 이러한 기존 제조 문제를 근본적으로 재구성하도록 설계되었습니다. 그것이 우리가 성공을 이끌 것이라고 믿는 것입니다.”

Symbio는 이미 다른 자동차 회사 외에도 Nissan 및 Toyota와 협력하고 있다고 말합니다. 최근 투자는 Andreessen Horowitz, Eclipse Ventures 및 The House Fund를 포함한 기존 투자자의 참여로 ACME Capital이 주도했습니다.

“우리는 산업 자동화가 시작된 이후 수십 년 동안 자동차가 훨씬 더 복잡해지고 맞춤화되는 것을 목격했습니다. 오늘날의 자동차 제조업체는 점점 더 정교 해지는 어셈블리를 수행하기 위해보다 민첩하고 미묘한 로봇 공학이 필요합니다. "Symbio는 고급 컴퓨팅, 감지 및 정밀 제어 소프트웨어를 결합한 AI 기반 플랫폼을 통해 미래 지향적 인 제조업체를위한 정확한 솔루션을 제공합니다."

Symbio의 기금 모금은 창고, 물류 및 조립 자동화에 수십억 달러를 투자 한 이후입니다. Amazon은 775 년 2012 월에 로봇 회사 인 Kiva Systems를 2019 억 XNUMX 만 달러에 인수했으며 XNUMX 년 XNUMX 월에는 DHL을 인수했습니다. 발표 IoT 센서와 로봇으로 북미 창고를 현대화하기 위해 300 억 달러를 투자 할 것입니다. 이와 별도로 스타트 업은 아타 보 틱스 와 커먼 센스 로봇 좁은 공간에 배치 할 수있는 소형 자동 주문 처리 센터를 위해 수천만 달러를 모금했습니다. 같은 다른 사람 공변량 와 소프트 로봇 창고에서 물건을 줍고 놓거나 내릴 수있는 제어 시스템으로 투자자를 이겼습니다.

VentureBeat

VentureBeat의 사명은 기술 의사 결정권자가 혁신적인 기술과 거래에 대한 지식을 습득 할 수있는 디지털 타운 스퀘어가되는 것입니다. 당사 사이트는 데이터 기술 및 전략에 대한 필수 정보를 제공하여 조직을 이끌 때 안내합니다. 다음에 액세스 할 수 있도록 커뮤니티의 일원이되도록 귀하를 초대합니다.

  • 관심있는 주제에 대한 최신 정보
  • 뉴스 레터
  • 통제 된 사고 리더 콘텐츠 및 Transform과 같은 소중한 이벤트에 대한 할인 된 액세스
  • 네트워킹 기능 등

회원 가입

출처 : https://venturebeat.com/2021/02/24/symbio-emerges-from-stealth-with-30-million-to-automate-industrial-assembly/

계속 읽기

AI

기업은 AI가 어떻게 작동하는지 설명 할 수 없지만 AI를 사용하여 비즈니스 목표를 달성하고 있습니다.

화신

게재

on

기술 의사 결정권자를 대상으로 한 새로운 설문 조사에 따르면 인공 지능과 관련하여 보안 문제는 높고 신뢰는 낮습니다.

AI (인공 지능) 개념 기계 학습, 나노 기술, 스마트 개체 및 글로벌 네트워크 기술

이미지 : KOHb, 게티 이미지 / iStockphoto

인공 지능 (AI) 새로운 설문 조사에 따르면 아무도 설명 가능성을 파악하지 못했음에도 불구하고 알고리즘은 많은 비즈니스에서 열심히 작동합니다. Modzy의 연구에 따르면 72 %의 기업이 AI 시스템에 대한 보안 침해 또는 위협을보고하면서 보안이 심각한 문제라고합니다. Modzy는 새로운 보고서 인“인공 지능 채택을 향한 경쟁”을 위해 기업이 AI를 배포하고 관리하는 방법에 대해 821 명의 의사 결정권자를 설문 조사했습니다. 

설문 조사에 따르면 의사 결정자의 85 %가 AI의 설명 가능성을 매우 또는 매우 중요하다고 생각합니다. 동시에 리더들은 조직이나 정부 기관이이 기능을 위임하는 능력에 회의적이며 59 %는 그렇게하는 것이 불가능하다고 동의했습니다.

응답자의 동일한 비율이 데이터 과학자조차도 일부 알고리즘의 작동 방식을 완전히 이해하지 못한다고 답했습니다. 또한 응답자의 64 %가 조직의 직원이 여전히 AI 지원 권장 사항을 신뢰하거나 이해하지 못한다고 답한 AI 구현의 문제이기도합니다. 

만나다: 자연어 처리 : 치트 시트 (TechRepublic)

설문 조사는 2020 년 1,000 월과 XNUMX 월에 진행되었으며 XNUMX 명 이상의 직원을 보유한 회사의 기술 의사 결정권자를 포함했습니다.

이러한 우려에도 불구하고 이러한 AI 기술은 설문 조사에 따르면 가장 널리 사용되고 있습니다. 

  • 머신 러닝 88 %
  • 컴퓨터 비전 81 %
  • 자연어 처리 81 %
  • 딥 러닝 / 신경망 80 %
  • 로봇 공학 및 모션 77 %
  • 생성 적대 네트워크 66 %

설문 조사에 따르면 AI 기술의 가장 일반적인 용도는 다음과 같습니다.

  • 데이터 분석 / 기본 패턴 식별 60 %
  • 계획 및 최적화 개선 52 %
  • 지식 포착 및 추출 개선 48 %
  • 고객과 소통 48 %
  • 백 오피스 프로세스 자동화 44 %
  • 이미지 또는 비디오 분석 44 %

설문 조사 응답자는 SIO (중요한 영향 조직)와 LIO (영향력이 낮은 조직)의 두 가지 범주로 구성되었습니다. 이는 비즈니스 운영에서 AI의 중요성을 반영합니다. SIO는 위 목록에있는 모든 작업에 AI를 사용할 가능성이 훨씬 더 높습니다.

또한 SIO는 AI 배포에서 가치를 볼 가능성이 훨씬 더 높았으며 75 %는 기술에서 상당한 가치를 본다고 답했으며 동일한 가치를 보는 LIO는 30 %에 불과했습니다. 또한 SIO의 88 %가 LIO의 52 %에 비해 향후 XNUMX 년 동안 AI 투자를 늘릴 계획 인 두 그룹간에 지출 계획에 상당한 차이가 있습니다.

Modzy의 책임자 인 Josh Sullivan은 보도 자료에서 성공적인 채택은 복잡성 장애물을 극복하기위한 사고의 근본적인 변화에서 시작된다고 말했습니다.

"2021 년은 AI를 구현하는 사람들이 규모에 맞게 가치를 달성하기 시작하는 해가 될 것이며, 부서지기 쉬운 모델을 훈련하고 따라 잡지 못하는 사람들은 점점 더 기하 급수적으로 불리하게 될 것입니다."라고 Sullivan은 말했습니다.

설문 조사 작성자는 "AI 기술은 조직이 더 큰 설명 가능성, 신뢰 및 보안을 개발할 수있을 때만 잠재력을 발휘할 것"이라고 결론지었습니다. 이러한 목표를 달성하고 기술에 대한 직원과 대중의 신뢰를 구축하는 기업은 AI로 성공하기위한 경쟁에서 승리 할 것입니다.

참조

출처 : https://www.techrepublic.com/article/companies-are-using-ai-to-hit-business-goals-even-though-they-cant-explain-how-it-works/#ftag=RSS56d97e7

계속 읽기
뉴 아틀라스5 일 전

자외선 TV는 동물의 시력을 더 잘 이해할 수 있습니다.

SPACS5 일 전

250 억 XNUMX 천만 달러 IPO를위한 TPB Acquisition I 파일; SPAC는 지속 가능한 식량 생산을 목표로합니다.

뉴 아틀라스5 일 전

Google, 첫 번째 개발자 미리보기로 Android 12 출시

스타트 업5 일 전

SaaS 스타트 업에 상표가 필요한 이유

Amb Crypto4 일 전

Litecoin 가격 분석 : 20 월 XNUMX 일

SPACS5 일 전

Elliott Management의 기술 중심의 SPAC Elliott Opportunity I가 1.0 억 달러의 IPO를 신청합니다.

뉴 아틀라스5 일 전

magped는 더 가볍지 만 강한 자석 산악 자전거 페달을 발표합니다.

뉴 아틀라스5 일 전

초음파 및 자기로 인해 약물 전달 나노 비드가 상류로 이동

블록체인4 일 전

VeChain 검토 : 블록 체인 공급망 관리

PR 뉴스 와이어4 일 전

S3 AeroDefense, Honeywell Aerospace와 10 년 유통 계약 및 수리 라이센스 체결

SPACS5 일 전

대유행 기간 동안 월스트리트에서 특수 목적 인수 회사의 인기 증가

Amb Crypto4 일 전

MicroStrategy 및 기타 기관이 Bitcoin 구매를 후회하지 않는 이유

Amb Crypto4 일 전

Bitcoin의 소매 채택이 $ 55,000에 도전하는 이유

SPACS5 일 전

Paul Singer가 지원하는 백지 수표 회사, 최대 1.5 억 달러 IPO 신청

뉴 아틀라스4 일 전

인내가 터치 다운 후 셀카를 되돌려줍니다

Amb Crypto4 일 전

Chainlink는 Danal Fintech와 통합하여 소매 Bitcoin 지불을 지원합니다.

자동차4 일 전

Tesla의 Gigafactory 공식은 Fremont Factory의 겸손한 "텐트"에서 시작되었습니다.

Amb Crypto4 일 전

비트 코인의 장기 호 들러가 판매자의 시장에 진입하고 있습니까?

인도 대마5 일 전

대마초 SPAC이란 무엇입니까?

뉴 아틀라스4 일 전

초경량 노트북에는 무거운 가격표가 있습니다.

인기순