Jeo-uzaysal veriler, dünya yüzeyindeki belirli konumlara ilişkin verilerdir. Bir coğrafi alanı bütün olarak temsil edebileceği gibi, bir coğrafi alanla ilişkili bir olayı da temsil edebilir. Jeo-uzamsal verilerin analizi birkaç sektörde aranmaktadır. Verilerin mekansal açıdan nerede bulunduğunu ve neden orada bulunduğunu anlamayı içerir.

İki tür coğrafi veri vardır: vektör verileri ve tarama verileri. Raster verileri, çoğunlukla fotoğrafları ve uydu görüntülerini temsil eden, ızgara olarak temsil edilen bir hücre matrisidir. Bu yazıda, enlem ve boylamın coğrafi koordinatları ile bunları bağlayan veya kapsayan çizgiler ve çokgenler (alanlar) olarak temsil edilen vektör verilerine odaklanıyoruz. Vektör verilerinin mobilite öngörülerinin elde edilmesinde çok sayıda kullanım durumu vardır. Kullanıcı mobil verileri bunun bir bileşenidir ve çoğunlukla GPS kullanan mobil cihazların coğrafi konumundan veya SDK'lar veya benzer entegrasyonlar kullanan uygulama yayıncılarından elde edilir. Bu yazının amacı doğrultusunda bu verilere şu şekilde atıfta bulunuyoruz: hareketlilik verileri.

Bu iki bölümlük bir seri. Bu ilk gönderide hareketlilik verilerini, kaynaklarını ve bu verilerin tipik şemasını tanıtıyoruz. Daha sonra çeşitli kullanım örneklerini tartışıyor ve verileri temizlemek için AWS hizmetlerini nasıl kullanabileceğinizi, makine öğreniminin (ML) bu çabaya nasıl yardımcı olabileceğini ve görseller ve öngörüler oluştururken verileri etik şekilde nasıl kullanabileceğinizi keşfediyoruz. İkinci yazı doğası gereği daha teknik olacak ve bu adımları örnek kodla birlikte ayrıntılı olarak ele alacak. Bu gönderide örnek bir veri kümesi veya örnek kod yoktur; bunun yerine verilerin bir veri toplayıcıdan satın alındıktan sonra nasıl kullanılacağı ele alınır.

Sen kullanabilirsiniz Amazon SageMaker jeo-uzamsal yetenekleri mobilite verilerini bir temel harita üzerine yerleştirmek ve işbirliğini kolaylaştırmak için katmanlı görselleştirme sağlamak. GPU destekli etkileşimli görselleştirici ve Python not defterleri, tek bir pencerede milyonlarca veri noktasını keşfetmenin ve öngörüleri ve sonuçları paylaşmanın kusursuz bir yolunu sağlar.

Kaynaklar ve şema

Hareketlilik verilerinin az sayıda kaynağı vardır. Veri kümesini genişletmek için GPS ping'leri ve uygulama yayıncılarının yanı sıra Wi-Fi erişim noktaları, mobil cihazlarda reklam sunarak elde edilen teklif akışı verileri ve işletmeler tarafından (örneğin fiziksel mağazalara) yerleştirilen belirli donanım vericileri gibi başka kaynaklar da kullanılır. ). İşletmelerin bu verileri kendilerinin toplaması genellikle zordur, bu nedenle bunları veri toplayıcılardan satın alabilirler. Veri toplayıcılar çeşitli kaynaklardan mobilite verilerini toplar, temizler, gürültü ekler ve verileri belirli coğrafi bölgeler için günlük olarak kullanılabilir hale getirir. Verilerin doğası gereği ve elde edilmesi zor olduğundan, bu verilerin doğruluğu ve kalitesi önemli ölçüde farklılık gösterebilir ve bunu günlük aktif kullanıcılar, toplam günlük pingler gibi ölçümleri kullanarak değerlendirmek ve doğrulamak işletmelerin sorumluluğundadır. ve cihaz başına ortalama günlük ping sayısı. Aşağıdaki tabloda, veri toplayıcılar tarafından gönderilen günlük veri akışının tipik şemasının nasıl görünebileceği gösterilmektedir.

Kullanım durumları

Mobilite verilerinin çeşitli endüstrilerde yaygın uygulamaları vardır. Aşağıdakiler en yaygın kullanım durumlarından bazılarıdır:

• Yoğunluk metrikleri – Yaya trafiği analizi, etkinlikleri ve ilgi çekici noktalara (POI'ler) yapılan ziyaretleri gözlemlemek için nüfus yoğunluğuyla birleştirilebilir. Bu ölçümler, kaç cihazın veya kullanıcının aktif olarak durup bir işletmeyle etkileşime girdiğinin bir resmini sunar; bu, ayrıca site seçimi ve hatta bir etkinlik etrafındaki hareket kalıplarını analiz etmek için de kullanılabilir (örneğin, bir oyun günü için seyahat eden insanlar). Bu tür içgörüler elde etmek için, gelen ham veriler, sürekli cihaz konumu ping akışından etkinlikleri veya etkileşimleri tanımlamak üzere bir çıkarma, dönüştürme ve yükleme (ETL) sürecinden geçer. ML modellerini kullanarak pingleri kümeleyerek kullanıcı veya mobil cihaz tarafından yapılan duraklamaları tespit ederek faaliyetleri analiz edebiliriz. Amazon Adaçayı Yapıcı.
• Geziler ve yörüngeler – Bir cihazın günlük konum akışı, etkinliklerin (duraklamalar) ve yolculukların (hareket) toplamı olarak ifade edilebilir. Bir çift aktivite, aralarındaki bir yolculuğu temsil edebilir ve coğrafi alanda hareketli cihaz tarafından yolculuğun izlenmesi, gerçek yörüngenin haritalanmasına yol açabilir. Kullanıcı hareketlerinin yörünge modelleri, trafik modelleri, yakıt tüketimi, şehir planlaması ve daha fazlası gibi ilginç bilgilere yol açabilir. Ayrıca reklam panosu gibi reklam noktalarından alınan rotayı analiz etmek, tedarik zinciri operasyonlarını optimize etmek için en verimli teslimat rotalarını belirlemek veya doğal afetlerde (örneğin kasırga tahliyesi) tahliye rotalarını analiz etmek için de veri sağlayabilir.
• Havza alanı analizi - A toplama alanı belirli bir alanın müşteri veya potansiyel müşteri olabilecek ziyaretçilerini çektiği yerleri ifade eder. Perakende işletmeleri bu bilgiyi, yeni bir mağaza açmak için en uygun konumu belirlemek veya iki mağaza konumunun çakışan hizmet alanları nedeniyle birbirine çok yakın olup olmadığını ve birbirlerinin işlerini engelleyip engellemediğini belirlemek için kullanabilir. Ayrıca gerçek müşterilerin nereden geldiğini öğrenebilir, işe veya eve gitmek için bölgeden geçen potansiyel müşterileri belirleyebilir, rakipler için benzer ziyaret ölçümlerini analiz edebilir ve daha fazlasını yapabilirler. Pazarlama Teknolojisi (MarTech) ve Reklam Teknolojisi (AdTech) şirketleri de bu analizi, bir markanın mağazasına yakın hedef kitleyi belirleyerek pazarlama kampanyalarını optimize etmek veya ev dışı reklamcılıkta mağazaları performansa göre sıralamak için kullanabilir.

Ticari gayrimenkuller için konum zekası oluşturmak, uydu görüntüsü verilerini yaya sayısı sayılarıyla artırmak, restoranlar için teslimat merkezlerini belirlemek, mahalle tahliye olasılığını belirlemek, bir salgın sırasında insanların hareket kalıplarını keşfetmek ve daha fazlasını içeren başka birçok kullanım durumu da vardır.

Zorluklar ve etik kullanım

Mobilite verilerinin etik kullanımı, kuruluşların operasyonlarını geliştirmelerine, etkili pazarlama yapmalarına ve hatta rekabet avantajı elde etmelerine yardımcı olabilecek birçok ilginç içgörüye yol açabilir. Bu verileri etik olarak kullanmak için birkaç adımın izlenmesi gerekir.

Verilerin toplanmasıyla başlar. Mobilite verilerinin çoğunda ad ve adres gibi kişisel olarak tanımlanabilir bilgiler (PII) bulunmamasına rağmen, veri toplayıcılar ve toplayıcılar, verilerini toplamak, kullanmak, saklamak ve paylaşmak için kullanıcının iznini almalıdır. GDPR ve CCPA gibi veri gizliliği yasalarına uyulması gerekir çünkü bu yasalar kullanıcılara işletmelerin verilerini nasıl kullanabileceğini belirleme yetkisi verir. Bu ilk adım, hareketlilik verilerinin etik ve sorumlu bir şekilde kullanılmasına yönelik önemli bir adımdır ancak daha fazlası yapılabilir.

Her cihaza, bireysel ping'leri sabitlemek için kullanılan karma bir Mobil Reklam Kimliği (MAID) atanır. Bu, kullanılarak daha da karmaşık hale getirilebilir. Amazon Macie'si, Amazon S3 Nesnesi Lambda, Amazon Kavramak, hatta AWS Tutkal Stüdyosu PII dönüşümünü tespit edin. Daha fazla bilgi için bkz. AWS Hizmetlerini kullanarak PHI ve PII verilerini tespit etmeye yönelik yaygın teknikler.

PII'nın yanı sıra, kullanıcının ev konumunun yanı sıra askeri üsler veya ibadet yerleri gibi diğer hassas konumların da maskelenmesine dikkat edilmelidir.

Etik kullanıma yönelik son adım, Amazon SageMaker'dan yalnızca toplu ölçümler türetip dışa aktarmaktır. Bu, bireysel seyahat modellerinin aksine ortalama ziyaretçi sayısı veya toplam ziyaretçi sayısı gibi ölçümlerin elde edilmesi anlamına gelir; günlük, haftalık, aylık veya yıllık trendlerin alınması; veya nüfus sayımı verileri gibi kamuya açık veriler üzerinden hareketlilik modellerinin indekslenmesi.

Çözüme genel bakış

Daha önce de belirtildiği gibi, mobilite verilerinin analizi için kullanabileceğiniz AWS hizmetleri Amazon S3, Amazon Macie, AWS Glue, S3 Object Lambda, Amazon Comprehend ve Amazon SageMaker jeo-uzamsal yetenekleridir. Amazon SageMaker'ın coğrafi özellikleri, veri bilimcilerin ve makine öğrenimi mühendislerinin jeouzaysal verileri kullanarak modeller oluşturmasını, eğitmesini ve dağıtmasını kolaylaştırır. Büyük ölçekli jeo-uzamsal veri kümelerini verimli bir şekilde dönüştürebilir veya zenginleştirebilir, önceden eğitilmiş makine öğrenimi modelleriyle model oluşturmayı hızlandırabilir ve 3B hızlandırılmış grafikleri ve yerleşik görselleştirme araçlarını kullanarak etkileşimli bir harita üzerinde model tahminlerini ve coğrafi uzamsal verileri keşfedebilirsiniz.

Aşağıdaki referans mimarisi, coğrafi verilerle makine öğrenimi kullanan bir iş akışını gösterir.

Bu iş akışında ham veriler çeşitli veri kaynaklarından toplanır ve bir Amazon Basit Depolama Hizmeti (S3) kova. Amazon Macie, bu S3 klasöründe kimlik bilgilerinin (PII) tanımlanması ve düzenlenmesi için kullanılıyor. Daha sonra ham verileri temizlemek ve gereken formata dönüştürmek için AWS Glue kullanılır, ardından değiştirilen ve temizlenen veriler ayrı bir S3 klasöründe depolanır. AWS Glue aracılığıyla mümkün olmayan veri dönüşümleri için şunları kullanırsınız: AWS Lambda Ham verileri değiştirmek ve temizlemek için. Veriler temizlendiğinde Amazon SageMaker'ı kullanarak hazırlanan jeo-uzamsal veriler üzerinde makine öğrenimi modelleri oluşturabilir, eğitebilir ve dağıtabilirsiniz. Ayrıca şunları da kullanabilirsiniz: Jeo-uzamsal İşleme işleri Amazon SageMaker'ın verileri önceden işlemeye yönelik jeo-uzamsal yetenekleri özelliği (örneğin, ham mobilite verilerinden etkinlikleri tanımlamak için bir Python işlevi ve SQL ifadeleri kullanma). Veri bilimcileri bu süreci Amazon SageMaker not defterleri aracılığıyla bağlantı kurarak gerçekleştirebilir. Ayrıca kullanabilirsin Amazon QuickSight Verilerden iş sonuçlarını ve diğer önemli ölçümleri görselleştirmek.

Amazon SageMaker jeo-uzamsal yetenekleri ve coğrafi-uzamsal İşleme işleri

Veriler alınıp Amazon S3'e günlük beslemeyle beslendikten ve hassas veriler açısından temizlendikten sonra Amazon SageMaker'a bir Amazon SageMaker Stüdyosu Jeo-uzaysal görüntü içeren not defteri. Aşağıdaki ekran görüntüsü, Amazon S3'e CSV dosyası olarak yüklenen ve ardından pandas veri çerçevesine yüklenen günlük cihaz ping'lerinin bir örneğini göstermektedir. Jeo-uzamsal görüntüye sahip Amazon SageMaker Studio dizüstü bilgisayar, GDAL, GeoPandas, Fiona ve Shapely gibi jeo-uzamsal kitaplıklarla önceden yüklenmiş olarak gelir ve bu verilerin işlenmesini ve analiz edilmesini kolaylaştırır.

Bu örnek veri kümesi, 400,000 Mayıs 5,000'te Phoenix, Arizona'daki popüler bir alışveriş merkezi kompleksi olan Arrowhead Alışveriş Merkezi'ni ziyaret eden kullanıcılardan kaydedilen, 14,000 benzersiz yerden 15 cihazdan alınan yaklaşık 2023 günlük cihaz pingini içerir. Önceki ekran görüntüsü, sütunların bir alt kümesini göstermektedir. veri şeması. MAID sütunu aygıt kimliğini temsil eder ve her MAID, örnek dosyaya şu şekilde kaydedilen, aygıtın enlem ve boylamını aktaran ping'leri her dakika üretir: Lat ve Lng sütunlar.

Aşağıda, Foursquare Studio tarafından desteklenen Amazon SageMaker'ın coğrafi uzamsal yeteneklerinin harita görselleştirme aracından alınan ekran görüntüleri yer almakta olup, alışveriş merkezini sabah 7:00 ile akşam 6:00 arasında ziyaret eden cihazlardan gelen pinglerin düzenini göstermektedir.

Aşağıdaki ekran görüntüsü alışveriş merkezinden ve çevre bölgelerden gelen ping'leri göstermektedir.

Aşağıda alışveriş merkezindeki çeşitli mağazaların içinden gelen ping'ler gösterilmektedir.

Ekran görüntülerindeki her nokta, belirli bir zamanda belirli bir cihazdan gelen ping'i gösterir. Bir ping kümesi, mağazalar veya restoranlar gibi cihazların toplandığı veya durdurulduğu popüler noktaları temsil eder.

İlk ETL'nin bir parçası olarak bu ham veriler, AWS Glue kullanılarak tablolara yüklenebilir. Veri kaynağı olarak Amazon S3'teki ham veri konumunu işaret ederek veri ve form tablolarının şemasını tanımlamak için bir AWS Glue tarayıcısı oluşturabilirsiniz.

Yukarıda belirtildiği gibi, ham veriler (günlük cihaz ping'leri), ilk ETL'den sonra bile, cihaz konumlarını gösteren sürekli bir GPS ping akışını temsil edecektir. Bu verilerden eyleme geçirilebilir bilgiler elde etmek için durakları ve gezileri (yörüngeleri) tanımlamamız gerekir. Bu, aşağıdakiler kullanılarak başarılabilir: Jeo-uzamsal İşleme işleri SageMaker'ın coğrafi özelliklerinin özelliği. Amazon SageMaker İşleme veri işleme iş yüklerini amaca yönelik olarak oluşturulmuş jeo-uzamsal konteynerle çalıştırmak için SageMaker'da basitleştirilmiş, yönetilen bir deneyim kullanır. Bir SageMaker İşleme işinin temelindeki altyapı tamamen SageMaker tarafından yönetilir. Bu özellik, bir SageMaker İşleme işinde bir jeo-uzamsal ML kapsayıcısı çalıştırarak Amazon S3'te depolanan jeo-uzamsal veriler üzerinde özel kodun çalıştırılmasına olanak tanır. Açık kaynak kitaplıklarla özel kod yazarak açık veya özel coğrafi veriler üzerinde özel işlemler çalıştırabilir ve SageMaker İşleme işlerini kullanarak işlemi uygun ölçekte çalıştırabilirsiniz. Konteyner tabanlı yaklaşım, yaygın olarak kullanılan açık kaynak kitaplıklarla geliştirme ortamının standartlaştırılmasıyla ilgili ihtiyaçları çözer.

Bu kadar büyük ölçekli iş yüklerini çalıştırmak için, bir şehir bloğunu işlemek için onlarca örnekten, gezegen ölçeğinde işleme için binlerce örneğe kadar ölçeklenebilen esnek bir bilgi işlem kümesine ihtiyacınız var. Bir DIY bilgi işlem kümesinin manuel olarak yönetilmesi yavaş ve pahalıdır. Bu özellik, hareketlilik veri kümesinin birkaç şehirden birden fazla eyalete ve hatta ülkeye kadar kapsandığı durumlarda özellikle faydalıdır ve iki adımlı bir ML yaklaşımını çalıştırmak için kullanılabilir.

İlk adım, pinglerden gelen duraklamaları kümelemek için gürültü (DBSCAN) algoritmasıyla uygulamaların yoğunluğa dayalı mekansal kümelenmesini kullanmaktır. Bir sonraki adım, tanımlanan durakların doğruluğunu daha da artırmak ve aynı zamanda POI'li duraklar ile POI'siz duraklar (ev veya iş gibi) arasında ayrım yapmak için destek vektör makineleri (SVM'ler) yöntemini kullanmaktır. Ardışık durakları belirleyerek ve kaynak ile hedef duraklar arasındaki yolu haritalandırarak günlük cihaz ping'lerinden yolculuklar ve yörüngeler oluşturmak için SageMaker İşleme işini de kullanabilirsiniz.

Ham verileri (günlük cihaz pingleri) jeouzaysal İşleme işleriyle uygun ölçekte işledikten sonra stop adı verilen yeni veri kümesinin aşağıdaki şemaya sahip olması gerekir.

Durdurmalar, cihaz başına ping'lerin kümelenmesiyle birleştirilir. Yoğunluk bazlı kümeleme, durma eşiğinin 300 saniye olması ve duraklar arasındaki minimum mesafenin 50 metre olması gibi parametrelerle birleştirilmiştir. Bu parametreler kullanım durumunuza göre ayarlanabilir.

Aşağıdaki ekran görüntüsü 15,000 ping üzerinden belirlenen yaklaşık 400,000 durağı göstermektedir. Önceki şemanın bir alt kümesi de mevcuttur; burada sütun Dwell Time durma süresini temsil eder ve Lat ve Lng sütunlar, konum ve cihaz başına durak kümesinin ağırlık merkezlerinin enlem ve boylamını temsil eder.

ETL sonrasında veriler, büyük miktarlarda verinin işlenmesini kolaylaştıran sütunlu bir depolama formatı olan Parquet dosya formatında depolanır.

Aşağıdaki ekran görüntüsü, alışveriş merkezi ve çevresindeki alanlardaki cihaz başına ping'lerden birleştirilmiş durakları göstermektedir.

Durakları belirledikten sonra bu veri kümesi, markalarla etkileşim gibi etkinlikleri tanımlamak için halka açık POI verileriyle veya kullanım senaryosuna özel özel POI verileriyle birleştirilebilir.

Aşağıdaki ekran görüntüsü Arrowhead Alışveriş Merkezi içindeki önemli İÇN'lerde (mağazalar ve markalar) belirlenen durakları göstermektedir.

Veri kümesindeki seyahatlerinin bir parçası olması durumunda gizliliği korumak amacıyla her ziyaretçinin ev konumunu maskelemek için ev posta kodları kullanıldı. Bu gibi durumlarda enlem ve boylam, posta kodunun ağırlık merkezinin ilgili koordinatlarıdır.

Aşağıdaki ekran görüntüsü bu tür etkinliklerin görsel bir temsilidir. Soldaki resim durakları mağazalarla eşleştiriyor, sağdaki resim ise alışveriş merkezinin düzeni hakkında fikir veriyor.

Ortaya çıkan bu veri seti, aşağıdaki bölümlerde ele alacağımız çeşitli yollarla görselleştirilebilir.

Yoğunluk metrikleri

Faaliyetlerin ve ziyaretlerin yoğunluğunu hesaplayıp görselleştirebiliyoruz.

Örnek 1 – Aşağıdaki ekran görüntüsü alışveriş merkezinde en çok ziyaret edilen 15 mağazayı göstermektedir.

Örnek 2 – Aşağıdaki ekran görüntüsünde saat bazında Apple Store'a yapılan ziyaretlerin sayısı gösterilmektedir.

Geziler ve yörüngeler

Daha önce de belirtildiği gibi, birbirini takip eden bir çift etkinlik bir geziyi temsil eder. Faaliyet verilerinden yolculuklar elde etmek için aşağıdaki yaklaşımı kullanabiliriz. Burada pencere fonksiyonları SQL ile birlikte kullanılarak trips ekran görüntüsünde gösterildiği gibi tablo.

Sonra trips tablosu oluşturulur, bir İÇN'ye yapılan geziler belirlenebilir.

Örnek 1 – Aşağıdaki ekran görüntüsü, yaya trafiğini Apple Store'a yönlendiren ilk 10 mağazayı göstermektedir.

Örnek 2 – Aşağıdaki ekran görüntüsü Arrowhead Alışveriş Merkezi'ne yapılan tüm gezileri göstermektedir.

Örnek 3 – Aşağıdaki video alışveriş merkezi içindeki hareket kalıplarını göstermektedir.

Örnek 4 – Aşağıdaki video alışveriş merkezinin dışındaki hareket şekillerini göstermektedir.

Havza alanı analizi

Bir İÇN'ye yapılan tüm ziyaretleri analiz edebilir ve hizmet alanını belirleyebiliriz.

Örnek 1 – Aşağıdaki ekran görüntüsü Macy's mağazasına yapılan tüm ziyaretleri göstermektedir.

Örnek 2 – Aşağıdaki ekran görüntüsü, ziyaretlerin gerçekleştiği ilk 10 ana bölge posta kodunu (sınırları vurgulanmıştır) göstermektedir.

Veri kalitesi kontrolü

QuickSight kontrol panellerini ve veri analizlerini kullanarak günlük gelen veri akışını kalite açısından kontrol edebilir ve anormallikleri tespit edebiliriz. Aşağıdaki ekran görüntüsünde örnek bir kontrol paneli gösterilmektedir.

Sonuç

Tutarlı ve doğru bir veri kümesi elde etmek zor olduğundan, mobilite verileri ve bunların müşteri öngörüleri elde etmeye ve rekabet avantajı elde etmeye yönelik analizi, niş bir alan olmaya devam ediyor. Ancak bu veriler, kuruluşların mevcut analize bağlam eklemesine ve hatta müşteri hareket kalıpları hakkında yeni bilgiler üretmesine yardımcı olabilir. Amazon SageMaker'ın jeo-uzamsal yetenekleri ve jeo-uzaysal İşleme işleri, bu kullanım senaryolarının uygulanmasına ve sezgisel ve erişilebilir bir şekilde içgörü elde edilmesine yardımcı olabilir.

Bu gönderide, mobilite verilerini temizlemek için AWS hizmetlerinin nasıl kullanılacağını ve ardından ML modellerini kullanarak duraklar, etkinlikler ve geziler gibi türev veri kümeleri oluşturmak için Amazon SageMaker'ın coğrafi uzamsal yeteneklerini nasıl kullanacağımızı gösterdik. Daha sonra hareket modellerini görselleştirmek ve içgörüler oluşturmak için türev veri kümelerini kullandık.

Amazon SageMaker'ın coğrafi özelliklerini iki şekilde kullanmaya başlayabilirsiniz:

Daha fazla bilgi edinmek için ziyaret Amazon SageMaker jeo-uzamsal yetenekleri ve Amazon SageMaker coğrafi uzamsal özelliğini kullanmaya başlama. Ayrıca, ziyaret edin GitHub repoAmazon SageMaker'ın coğrafi özelliklerine ilişkin çeşitli örnek not defterleri içeren .

Yazarlar Hakkında

Jimmy Matthews AI/ML teknolojisinde uzmanlığa sahip bir AWS Çözüm Mimarıdır. Jimy, Boston merkezlidir ve bulutu benimseyerek işlerini dönüştürürken kurumsal müşterilerle birlikte çalışır ve onlara verimli ve sürdürülebilir çözümler oluşturmalarına yardımcı olur. Ailesi, arabaları ve Karma dövüş sanatları konusunda tutkulu.

Giriş Keshav AWS'de bir Çözüm Mimarıdır ve müşterilerin buluta geçiş yolculuklarında iş yüklerini güvenli ve verimli bir şekilde modernize etmelerine ve çalıştırmalarına yardımcı olur. Uygulama güvenliği, makine öğrenimi, maliyet optimizasyonu ve sürdürülebilirlik konularında onlara rehberlik etmek için teknoloji ekiplerinin liderleriyle birlikte çalışıyor. Kendisi San Francisco'da yaşıyor ve seyahat etmeyi, yürüyüş yapmayı, spor izlemeyi ve butik bira fabrikalarını keşfetmeyi seviyor.

Ramesh İskelesi AWS kurumsal müşterilerinin veri varlıklarından para kazanmasına yardımcı olmaya odaklanan Çözüm Mimarisinin Kıdemli lideridir. Yöneticilere ve mühendislere, özellikle makine öğrenimi, veri ve analitik odaklı, yüksek oranda ölçeklenebilir, güvenilir ve uygun maliyetli bulut çözümleri tasarlamaları ve oluşturmaları konusunda tavsiyelerde bulunur. Boş zamanlarında ailesiyle birlikte açık havada gezmenin, bisiklete binmenin ve yürüyüş yapmanın keyfini çıkarıyor.

• SEO Destekli İçerik ve Halkla İlişkiler Dağıtımı. Bugün Gücünüzü Artırın.
• PlatoData.Network Dikey Üretken Yapay Zeka. Kendine güç ver. Buradan Erişin.
• PlatoAiStream. Web3 Zekası. Bilgi Genişletildi. Buradan Erişin.
• PlatoESG. karbon, temiz teknoloji, Enerji, Çevre, Güneş, Atık Yönetimi. Buradan Erişin.
• PlatoSağlık. Biyoteknoloji ve Klinik Araştırmalar Zekası. Buradan Erişin.
• Kaynak: https://aws.amazon.com/blogs/machine-learning/use-mobility-data-to-derive-insights-using-amazon-sagemaker-geospatial-capabilities/