ان کے اپنے الفاظ میں، "1902 میں، Willis Carrier نے جدید ایئر کنڈیشنگ کے ذریعے اندرونی ماحول کو کنٹرول کرنے کے لیے بنی نوع انسان کے سب سے پرجوش چیلنجوں میں سے ایک کو حل کیا۔ آج، کیریئر کی مصنوعات آرام دہ ماحول پیدا کرتی ہیں، عالمی خوراک کی فراہمی کی حفاظت کرتی ہیں، اور سخت حالات میں اہم طبی سامان کی محفوظ نقل و حمل کو قابل بناتی ہیں۔

At کیریئر، ہماری کامیابی کی بنیاد ایسی مصنوعات بنانا ہے جو ہمارے گاہک سال بھر انہیں آرام دہ اور محفوظ رکھنے کے لیے بھروسہ کر سکتے ہیں۔ اعلی وشوسنییتا اور کم آلات کا وقت تیزی سے اہم ہے کیونکہ موسمیاتی تبدیلی کی وجہ سے انتہائی درجہ حرارت زیادہ عام ہو جاتا ہے۔ ہم نے تاریخی طور پر دہلیز پر مبنی نظاموں پر انحصار کیا ہے جو ہماری انجینئرنگ ٹیم کی طرف سے بیان کردہ پیرامیٹرز کا استعمال کرتے ہوئے غیر معمولی آلات کے رویے سے آگاہ کرتے ہیں۔ اگرچہ اس طرح کے نظام موثر ہیں، لیکن ان کا مقصد آلات کے مسائل کی پیش گوئی کرنے کے بجائے ان کی شناخت اور تشخیص کرنا ہے۔ خرابیوں کے پیش آنے سے پہلے پیش گوئی کرنا ہمارے HVAC ڈیلرز کو فعال طور پر مسائل کو حل کرنے اور کسٹمر کے تجربے کو بہتر بنانے کی اجازت دیتا ہے۔

اپنے آلات کی وشوسنییتا کو بہتر بنانے کے لیے، ہم نے اس کے ساتھ شراکت کی۔ ایمیزون مشین لرننگ سلوشنز لیب ایک حسب ضرورت مشین لرننگ (ML) ماڈل تیار کرنا جو ناکامی سے پہلے آلات کے مسائل کی پیش گوئی کرنے کے قابل ہو۔ ہماری ٹیموں نے 50 TB سے زیادہ تاریخی سینسر ڈیٹا پر کارروائی کرنے اور 91% درستگی کے ساتھ غلطیوں کی پیش گوئی کرنے کے لیے ایک فریم ورک تیار کیا۔ اب ہم ڈیلرز کو آلات کی ناکامی کے بارے میں مطلع کر سکتے ہیں، تاکہ وہ معائنے کا شیڈول بنا سکیں اور یونٹ کے وقت کو کم سے کم کر سکیں۔ حل کا فریم ورک قابل توسیع ہے کیونکہ مزید آلات نصب ہیں اور اسے مختلف قسم کے ڈاؤن اسٹریم ماڈلنگ کے کاموں کے لیے دوبارہ استعمال کیا جا سکتا ہے۔

اس پوسٹ میں، ہم دکھاتے ہیں کہ کس طرح کیریئر اور AWS ٹیموں نے ایک ماڈل کا استعمال کرتے ہوئے آلات کے بڑے بیڑے میں خرابیوں کی پیش گوئی کرنے کے لیے ML کا اطلاق کیا۔ ہم سب سے پہلے اس بات پر روشنی ڈالتے ہیں کہ ہم کس طرح استعمال کرتے ہیں۔ AWS گلو انتہائی متوازی ڈیٹا پروسیسنگ کے لیے۔ اس کے بعد ہم کس طرح بحث کرتے ہیں۔ ایمیزون سیج میکر فیچر انجینئرنگ میں ہماری مدد کرتا ہے اور ایک قابل توسیع زیر نگرانی ڈیپ لرننگ ماڈل تیار کرتا ہے۔

استعمال کے معاملے، اہداف اور خطرات کا جائزہ

اس پراجیکٹ کا بنیادی مقصد آنے والے آلات کی ناکامی کی پیشین گوئی کرکے اور ڈیلروں کو مطلع کرکے ڈاؤن ٹائم کو کم کرنا ہے۔ یہ ڈیلروں کو فعال طور پر دیکھ بھال کا شیڈول بنانے اور غیر معمولی کسٹمر سروس فراہم کرنے کی اجازت دیتا ہے۔ اس حل پر کام کرتے وقت ہمیں تین بنیادی چیلنجوں کا سامنا کرنا پڑا:

• ڈیٹا اسکیل ایبلٹی - ڈیٹا پروسیسنگ اور فیچر نکالنے کے لیے بڑے بڑھتے ہوئے تاریخی سینسر ڈیٹا کو پیمانے کی ضرورت ہے۔
• ماڈل اسکیل ایبلٹی - ماڈلنگ کے نقطہ نظر کو 10,000 سے زیادہ یونٹس میں پیمانے کے قابل ہونے کی ضرورت ہے۔
• ماڈل کی درستگی - غیر ضروری دیکھ بھال کے معائنے سے بچنے کے لیے کم غلط مثبت شرحوں کی ضرورت ہے۔

اسکیل ایبلٹی، ڈیٹا اور ماڈلنگ دونوں نقطہ نظر سے، اس حل کے لیے ایک کلیدی ضرورت ہے۔ ہمارے پاس 50 TB سے زیادہ تاریخی آلات کا ڈیٹا ہے اور امید ہے کہ یہ ڈیٹا تیزی سے بڑھے گا کیونکہ مزید HVAC یونٹ کلاؤڈ سے منسلک ہیں۔ ڈیٹا پروسیسنگ اور ماڈل کا اندازہ لگانے کی ضرورت ہے جیسا کہ ہمارا ڈیٹا بڑھتا ہے۔ 10,000 سے زیادہ یونٹس تک پھیلانے کے لیے ہمارے ماڈلنگ کے نقطہ نظر کے لیے، ہمیں ایک ایسے ماڈل کی ضرورت ہے جو کسی ایک یونٹ کے لیے غیر معمولی ریڈنگز پر انحصار کرنے کے بجائے آلات کے بیڑے سے سیکھ سکے۔ یہ اکائیوں کو عام کرنے کی اجازت دے گا اور ایک ماڈل کی میزبانی کرکے تخمینہ کی لاگت کو کم کرے گا۔

اس استعمال کے معاملے کی دوسری تشویش غلط الارم کو متحرک کرنا ہے۔ اس کا مطلب ہے کہ ایک ڈیلر یا ٹیکنیشن گاہک کے سامان کا معائنہ کرنے کے لیے سائٹ پر جائے گا اور ہر چیز کو مناسب طریقے سے کام کرنے کے لیے تلاش کرے گا۔ حل کے لیے ایک اعلیٰ درستگی کے ماڈل کی ضرورت ہوتی ہے تاکہ یہ یقینی بنایا جا سکے کہ جب ڈیلر کو الرٹ کیا جاتا ہے، تو سامان کے ناکام ہونے کا امکان ہوتا ہے۔ اس سے ڈیلرز، تکنیکی ماہرین اور گھر کے مالکان کا اعتماد حاصل کرنے میں مدد ملتی ہے، اور سائٹ پر غیر ضروری معائنے سے منسلک اخراجات کم ہوتے ہیں۔

ہم نے 14 ہفتوں کی ترقیاتی کوششوں کے لیے Amazon ML Solutions Lab میں AI/ML ماہرین کے ساتھ شراکت کی۔ آخر میں، ہمارے حل میں دو بنیادی اجزاء شامل ہیں۔ پہلا ڈیٹا پروسیسنگ ماڈیول ہے جو AWS Glue کے ساتھ بنایا گیا ہے جو آلات کے رویے کا خلاصہ کرتا ہے اور موثر بہاو پروسیسنگ کے لیے ہمارے تربیتی ڈیٹا کے سائز کو کم کرتا ہے۔ دوسرا ماڈل ٹریننگ انٹرفیس ہے جس کا انتظام SageMaker کے ذریعے کیا جاتا ہے، جو ہمیں اپنے ماڈل کو پروڈکشن اینڈ پوائنٹ پر تعینات کرنے سے پہلے تربیت، ٹیون، اور اس کا جائزہ لینے کی اجازت دیتا ہے۔

ڈیٹا پراسیسنگ

ہر HVAC یونٹ جو ہم انسٹال کرتے ہیں وہ پورے سسٹم میں RPMs، درجہ حرارت، اور دباؤ کی ریڈنگ کے ساتھ 90 مختلف سینسرز سے ڈیٹا تیار کرتا ہے۔ یہ تقریباً 8 ملین ڈیٹا پوائنٹس کے برابر ہے جو فی یونٹ فی دن پیدا ہوتا ہے، جس میں دسیوں ہزار یونٹ نصب ہیں۔ چونکہ مزید HVAC سسٹمز کلاؤڈ سے جڑے ہوئے ہیں، ہم اعداد و شمار کے حجم کے تیزی سے بڑھنے کا اندازہ لگاتے ہیں، جس سے ہمارے لیے اس کے سائز اور پیچیدگی کو زیریں کاموں میں استعمال کرنے کا انتظام کرنا اہم ہو جاتا ہے۔ سینسر ڈیٹا ہسٹری کی لمبائی بھی ایک ماڈلنگ چیلنج پیش کرتی ہے۔ ایک یونٹ فالٹ کے اصل میں متحرک ہونے سے مہینوں پہلے آنے والی ناکامی کے آثار دکھانا شروع کر سکتا ہے۔ یہ پیش گوئی کرنے والے سگنل اور اصل ناکامی کے درمیان ایک اہم وقفہ پیدا کرتا ہے۔ ان پٹ ڈیٹا کی لمبائی کو سکیڑنے کا طریقہ ML ماڈلنگ کے لیے اہم ہو جاتا ہے۔

سینسر ڈیٹا کی جسامت اور پیچیدگی کو حل کرنے کے لیے، ہم اسے سائیکل فیچرز میں کمپریس کرتے ہیں جیسا کہ شکل 1 میں دکھایا گیا ہے۔ یہ اعداد و شمار کے سائز کو ڈرامائی طور پر کم کر دیتا ہے جبکہ آلات کے رویے کو نمایاں کرنے والی خصوصیات کو گرفت میں لیتے ہیں۔

AWS Glue ایک سرور لیس ڈیٹا انٹیگریشن سروس ہے جو بڑے پیمانے پر ڈیٹا کی بڑی مقدار پر کارروائی کرتی ہے۔ AWS Glue نے ہمیں آسانی سے متوازی ڈیٹا پری پروسیسنگ اور فیچر نکالنے کی اجازت دی۔ ہم نے سائیکلوں کا پتہ لگانے اور اپنی انجینئرنگ ٹیم کی طرف سے شناخت کردہ کلیدی خصوصیات کا استعمال کرتے ہوئے یونٹ کے رویے کا خلاصہ کرنے کے لیے AWS Glue کا استعمال کیا۔ اس نے ڈرامائی طور پر ہمارے ڈیٹا سیٹ کا سائز 8 ملین سے زیادہ ڈیٹا پوائنٹس فی یونٹ سے کم کر کے تقریباً 1,200 کر دیا۔ اہم طور پر، یہ نقطہ نظر یونٹ کے رویے کے بارے میں پیش گوئی کرنے والی معلومات کو بہت چھوٹے ڈیٹا کے نشان کے ساتھ محفوظ رکھتا ہے۔

AWS Glue جاب کا آؤٹ پٹ ہر سائیکل کے لیے یونٹ کے رویے کا خلاصہ ہے۔ اس کے بعد ہم ایک استعمال کرتے ہیں۔ ایمیزون سیج میکر پروسیسنگ ہر دور میں خصوصیات کا حساب لگانے اور ہمارے ڈیٹا کو لیبل کرنے کا کام۔ ہم ML مسئلہ کو بائنری درجہ بندی کے کام کے طور پر تیار کرتے ہیں جس کا مقصد اگلے 60 دنوں میں آلات کی خرابیوں کی پیش گوئی کرنا ہے۔ یہ ہمارے ڈیلر نیٹ ورک کو سامان کی ممکنہ ناکامیوں کو بروقت حل کرنے کی اجازت دیتا ہے۔ یہ نوٹ کرنا ضروری ہے کہ تمام یونٹ 60 دنوں کے اندر ناکام نہیں ہوتے ہیں۔ سست کارکردگی میں کمی کا سامنا کرنے والے یونٹ کو ناکام ہونے میں مزید وقت لگ سکتا ہے۔ ہم ماڈل کی تشخیص کے مرحلے کے دوران اس پر توجہ دیتے ہیں۔ ہم نے اپنی ماڈلنگ کو موسم گرما پر مرکوز کیا کیونکہ وہ مہینے ایسے ہوتے ہیں جب امریکہ میں زیادہ تر HVAC سسٹم مستقل طور پر کام کر رہے ہوتے ہیں اور زیادہ سخت حالات میں ہوتے ہیں۔

ماڈلنگ

ٹرانسفارمر فن تعمیرات وقتی ڈیٹا کو سنبھالنے کے لیے جدید ترین طریقہ بن چکے ہیں۔ وہ غائب ہونے والے میلان کا شکار ہوئے بغیر ہر وقت تاریخی اعداد و شمار کے طویل سلسلے استعمال کر سکتے ہیں۔ ایک مقررہ وقت پر ہمارے ماڈل میں ان پٹ پچھلے 128 آلات کے چکروں کی خصوصیات پر مشتمل ہوتا ہے، جو یونٹ کے آپریشن کا تقریباً ایک ہفتہ ہوتا ہے۔ اس پر تین پرتوں والے انکوڈر کے ذریعے کارروائی کی جاتی ہے جس کی پیداوار کا اوسط لیا جاتا ہے اور اسے ملٹی لیئرڈ پرسیپٹرون (MLP) درجہ بندی میں کھلایا جاتا ہے۔ MLP درجہ بندی ReLU ایکٹیویشن فنکشن کے ساتھ تین لکیری پرتوں اور LogSoftMax ایکٹیویشن کے ساتھ ایک آخری پرت پر مشتمل ہے۔ ہم اپنے نقصان کے فنکشن کے لیے مثبت طبقے پر مختلف وزن کے ساتھ منفی لاگ ان امکانی نقصان کا استعمال کرتے ہیں۔ یہ ہمارے ماڈل کو اعلی درستگی کی طرف متوجہ کرتا ہے اور مہنگے جھوٹے الارم سے بچتا ہے۔ یہ ہمارے کاروباری مقاصد کو بھی براہ راست ماڈل ٹریننگ کے عمل میں شامل کرتا ہے۔ شکل 2 ٹرانسفارمر کے فن تعمیر کی وضاحت کرتا ہے۔

ٹریننگ

اس عارضی سیکھنے کے ماڈل کو تربیت دیتے وقت ایک چیلنج ڈیٹا کا عدم توازن ہے۔ کچھ یونٹس کی آپریشنل تاریخ دوسروں کے مقابلے لمبی ہوتی ہے اور اس وجہ سے ہمارے ڈیٹاسیٹ میں زیادہ سائیکل ہوتے ہیں۔ چونکہ ڈیٹاسیٹ میں ان کی زیادہ نمائندگی کی گئی ہے، ان یونٹس کا ہمارے ماڈل پر زیادہ اثر پڑے گا۔ ہم اسے ایک یونٹ کی تاریخ میں 100 سائیکلوں کے تصادفی نمونے لے کر حل کرتے ہیں جہاں ہم اس وقت ناکامی کے امکان کا اندازہ لگاتے ہیں۔ یہ یقینی بناتا ہے کہ تربیتی عمل کے دوران ہر یونٹ کی یکساں نمائندگی کی جاتی ہے۔ اعداد و شمار کے عدم توازن کے مسئلے کو دور کرتے ہوئے، اس نقطہ نظر میں ایک بیچ پروسیسنگ نقطہ نظر کو نقل کرنے کا اضافی فائدہ ہے جو پیداوار میں استعمال کیا جائے گا۔ نمونے لینے کا یہ طریقہ تربیت، توثیق اور ٹیسٹ سیٹ پر لاگو کیا گیا تھا۔

سیج میکر پر جی پی یو تیز رفتار مثال کا استعمال کرتے ہوئے تربیت کی گئی۔ نقصان کی نگرانی سے پتہ چلتا ہے کہ یہ 180 تربیتی دوروں کے بعد بہترین نتائج حاصل کرتا ہے جیسا کہ شکل 3 میں دکھایا گیا ہے۔ شکل 4 سے پتہ چلتا ہے کہ نتیجے میں آنے والے وقتی درجہ بندی کے ماڈل کے لیے ROC وکر کے نیچے کا رقبہ 81% ہے۔

شکل 3: دوروں کے دوران تربیت کا نقصان

شکل 4: 60 دن کے لاک آؤٹ کے لیے ROC-AUC

تشخیص

اگرچہ ہمارے ماڈل کو سائیکل کی سطح پر تربیت دی جاتی ہے، لیکن تشخیص یونٹ کی سطح پر ہونے کی ضرورت ہے۔ اس طرح، ایک سے زیادہ حقیقی مثبت شناختوں کے ساتھ ایک یونٹ کو اب بھی یونٹ کی سطح پر صرف واحد حقیقی مثبت کے طور پر شمار کیا جاتا ہے۔ ایسا کرنے کے لیے، ہم پیشین گوئی شدہ نتائج اور غلطی سے پہلے والی 60 دن کی ونڈو کے درمیان اوورلیپ کا تجزیہ کرتے ہیں۔ یہ مندرجہ ذیل اعداد و شمار میں واضح کیا گیا ہے، جو پیشین گوئی کے نتائج کے چار معاملات کو ظاہر کرتا ہے:

• سچی منفی - تمام پیشین گوئی کے نتائج منفی ہیں (جامنی) (شکل 5)
• غلط مثبت - مثبت پیشین گوئیاں جھوٹے الارم ہیں (شکل 6)
• جھوٹا منفی - اگرچہ پیشین گوئیاں تمام منفی ہیں، لیکن اصل لیبل مثبت (سبز) ہوسکتے ہیں (شکل 7)
• سچی مثبت - کچھ پیشین گوئیاں منفی (سبز) ہو سکتی ہیں، اور کم از کم ایک پیشین گوئی مثبت ہے (پیلا) (شکل 8)

شکل 5.1: حقیقی منفی کیس	شکل 5.2: جھوٹا مثبت کیس
شکل 5.3: جھوٹا منفی کیس	شکل 5.4: حقیقی مثبت کیس

تربیت کے بعد، ہم انتباہ بھیجنے کی حد کو ٹیون کرنے کے لیے تشخیصی سیٹ کا استعمال کرتے ہیں۔ ماڈل اعتماد کی حد کو 0.99 پر سیٹ کرنے سے تقریباً 81% کی درستگی حاصل ہوتی ہے۔ یہ کامیابی کے لیے ہمارے ابتدائی 90% معیار سے کم ہے۔ تاہم، ہم نے پایا کہ اکائیوں کا ایک اچھا حصہ 60 دن کی تشخیصی کھڑکی کے بالکل باہر ناکام رہا۔ یہ سمجھ میں آتا ہے، کیونکہ ایک یونٹ فعال طور پر ناقص رویہ ظاہر کر سکتا ہے لیکن ناکام ہونے میں 60 دن سے زیادہ وقت لگ سکتا ہے۔ اس کو سنبھالنے کے لیے، ہم نے ایک میٹرک کی وضاحت کی جسے کہا جاتا ہے۔ مؤثر صحت سے متعلقجو کہ ہمارے ہدف 81 دن کی کھڑکی سے آگے 30 دنوں میں ہونے والے لاک آؤٹ کی اضافی درستگی کے ساتھ حقیقی مثبت درستگی (60%) کا مجموعہ ہے۔

ایک HVAC ڈیلر کے لیے، جو سب سے اہم ہے وہ یہ ہے کہ آن سائٹ معائنہ گاہک کے لیے مستقبل میں HVAC کے مسائل کو روکنے میں مدد کرتا ہے۔ اس ماڈل کا استعمال کرتے ہوئے، ہم اندازہ لگاتے ہیں کہ 81.2% معائنہ اگلے 60 دنوں میں لاک آؤٹ ہونے سے روکے گا۔ مزید برآں، معائنہ کے 10.4 دنوں کے اندر لاک آؤٹ ہونے والے وقت کا 90٪۔ بقیہ 8.4% غلط الارم ہوگا۔ تربیت یافتہ ماڈل کی موثر درستگی 91.6% ہے۔

نتیجہ

اس پوسٹ میں، ہم نے دکھایا کہ کس طرح ہماری ٹیم نے AWS Glue اور SageMaker کا استعمال پیشین گوئی کی دیکھ بھال کے لیے ایک قابل توسیع زیر نگرانی سیکھنے کا حل بنانے کے لیے کیا۔ ہمارا ماڈل سینسر ڈیٹا کی طویل مدتی تاریخوں کے رجحانات کو حاصل کرنے اور ہفتے پہلے سے سینکڑوں آلات کی ناکامیوں کا درستگی سے پتہ لگانے کی صلاحیت رکھتا ہے۔ پیشگی غلطیوں کی پیشن گوئی کرب ٹو کرب ٹائم کو کم کر دے گی، جس سے ہمارے ڈیلر زیادہ بروقت تکنیکی مدد فراہم کر سکیں گے اور صارفین کے مجموعی تجربے کو بہتر کر سکیں گے۔ اس نقطہ نظر کے اثرات وقت کے ساتھ ساتھ بڑھتے جائیں گے کیونکہ ہر سال کلاؤڈ سے منسلک HVAC یونٹس نصب ہوتے ہیں۔

ہمارا اگلا مرحلہ ان بصیرتوں کو کیریئرز کنیکٹڈ ڈیلر پورٹل کی آئندہ ریلیز میں ضم کرنا ہے۔ پورٹل ان پیشگوئی کرنے والے انتباہات کو دیگر بصیرتوں کے ساتھ جوڑتا ہے جو ہم اپنی AWS پر مبنی ڈیٹا لیک سے حاصل کرتے ہیں تاکہ ہمارے ڈیلروں کو ان کے پورے کلائنٹ بیس میں آلات کی صحت کے بارے میں مزید وضاحت فراہم کی جا سکے۔ ہم اضافی ذرائع سے ڈیٹا کو ضم کرکے اور اپنے سینسر ڈیٹا سے مزید جدید خصوصیات نکال کر اپنے ماڈل کو بہتر بناتے رہیں گے۔ اس پروجیکٹ میں استعمال کیے گئے طریقے ہماری ٹیم کو دوسرے اہم سوالات کا جواب دینا شروع کرنے کے لیے ایک مضبوط بنیاد فراہم کرتے ہیں جو ہمیں وارنٹی کے دعووں کو کم کرنے اور فیلڈ میں آلات کی کارکردگی کو بہتر بنانے میں مدد کر سکتے ہیں۔

اگر آپ اپنی مصنوعات اور خدمات میں ایم ایل کے استعمال کو تیز کرنے میں مدد چاہتے ہیں، تو براہ کرم رابطہ کریں۔ ایمیزون ایم ایل حل لیب. اس پروجیکٹ میں استعمال ہونے والی خدمات کے بارے میں مزید جاننے کے لیے، ملاحظہ کریں۔ AWS گلو ڈویلپر گائیڈ اور ایمیزون سیج میکر ڈویلپر گائیڈ.

---

مصنفین کے بارے میں

روی پاٹنکر کیریئر کے رہائشی HVAC یونٹ میں IoT سے متعلق تجزیات کے لیے تکنیکی رہنما ہے۔ وہ تشخیص اور پیش گوئی سے متعلق تجزیات کے مسائل تیار کرتا ہے اور ایم ایل/ڈیپ لرننگ پر مبنی تجزیاتی حل اور فن تعمیر کے لیے سمت فراہم کرتا ہے۔

ڈین وولک AWS جنریٹیو AI انوویشن سینٹر میں ڈیٹا سائنٹسٹ ہے۔ اس کے پاس مشین لرننگ، ڈیپ لرننگ اور ٹائم سیریز کے تجزیہ کا دس سال کا تجربہ ہے اور اس نے UC برکلے سے ڈیٹا سائنس میں ماسٹرز کیا ہے۔ وہ جدید ترین AI ٹیکنالوجیز کا فائدہ اٹھا کر پیچیدہ کاروباری چیلنجوں کو مواقع میں تبدیل کرنے کا پرجوش ہے۔

ینگ وی یو AWS جنریٹیو AI انوویشن سینٹر میں ایک اپلائیڈ سائنٹسٹ ہے۔ اسے مشین لرننگ کے مختلف ثبوت کے تصورات پر صنعتوں کی متعدد تنظیموں کے ساتھ کام کرنے کا تجربہ ہے، بشمول NLP، ٹائم سیریز کا تجزیہ، اور جنریٹیو AI ٹیکنالوجیز۔ ینگ وی نے ٹیکساس اے اینڈ ایم یونیورسٹی سے کمپیوٹر سائنس میں پی ایچ ڈی کی ڈگری حاصل کی۔

یانسیانگ یو ایمیزون ویب سروسز میں ایک اپلائیڈ سائنٹسٹ ہے، جنریٹو اے آئی انوویشن سینٹر پر کام کر رہی ہے۔ صنعتی ایپلی کیشنز کے لیے AI اور مشین لرننگ ماڈل بنانے کے 8 سال سے زیادہ کے تجربے کے ساتھ، وہ جنریٹو AI، کمپیوٹر ویژن، اور ٹائم سیریز ماڈلنگ میں مہارت رکھتا ہے۔ اس کا کام حقیقی دنیا کے مسائل پر جدید تخلیقی تکنیکوں کو لاگو کرنے کے جدید طریقے تلاش کرنے پر مرکوز ہے۔

ڈیاگو سوکولنسکی AWS جنریٹیو AI انوویشن سینٹر کے ساتھ ایک سینئر اپلائیڈ سائنس مینیجر ہے، جہاں وہ مشرقی امریکہ اور لاطینی امریکہ کے علاقوں کے لیے ڈیلیوری ٹیم کی قیادت کرتا ہے۔ اس کے پاس مشین لرننگ اور کمپیوٹر ویژن میں بیس سال سے زیادہ کا تجربہ ہے، اور اس نے جانز ہاپکنز یونیورسٹی سے ریاضی میں پی ایچ ڈی کی ڈگری حاصل کی ہے۔

کیکسین ڈنگ پانچویں سالہ پی ایچ ڈی ہے۔ UNC-Charlotte میں کمپیوٹر سائنس میں امیدوار۔ اس کی تحقیق ملٹی موڈل ڈیٹا کا تجزیہ کرنے کے لیے گہرے سیکھنے کے طریقوں کو لاگو کرنے پر مرکوز ہے، بشمول میڈیکل امیج اور جینومکس سیکوینسنگ ڈیٹا۔

• SEO سے چلنے والا مواد اور PR کی تقسیم۔ آج ہی بڑھا دیں۔
• پلیٹو ڈیٹا ڈاٹ نیٹ ورک ورٹیکل جنریٹو اے آئی۔ اپنے آپ کو بااختیار بنائیں۔ یہاں تک رسائی حاصل کریں۔
• پلیٹوآئ اسٹریم۔ ویب 3 انٹیلی جنس۔ علم میں اضافہ۔ یہاں تک رسائی حاصل کریں۔
• پلیٹو ای ایس جی۔ آٹوموٹو / ای وی، کاربن، کلین ٹیک، توانائی ، ماحولیات، شمسی، ویسٹ مینجمنٹ یہاں تک رسائی حاصل کریں۔
• پلیٹو ہیلتھ۔ بائیوٹیک اینڈ کلینیکل ٹرائلز انٹیلی جنس۔ یہاں تک رسائی حاصل کریں۔
• چارٹ پرائم۔ ChartPrime کے ساتھ اپنے ٹریڈنگ گیم کو بلند کریں۔ یہاں تک رسائی حاصل کریں۔
• بلاک آفسیٹس۔ ماحولیاتی آفسیٹ ملکیت کو جدید بنانا۔ یہاں تک رسائی حاصل کریں۔
• ماخذ: https://aws.amazon.com/blogs/machine-learning/how-carrier-predicts-hvac-faults-using-aws-glue-and-amazon-sagemaker/