شرکت Constellation یکی از بزرگترین تولیدکنندگان انرژی پاک در آمریکا، همکاری خود را با ابر مایکروسافت اژور آغاز نموده است.
این شرکت برای بازدید از زیرساختهای خانه و محل کار مشتریان خود، تا حدالامکان، از ربات و پهپاد، به جای انسانها استفاده میکند.
از این رو، استفاده از محصولات ابر اژور، برای بهبود فرآیند بازرسی از امنیت، کاهش هزینههای مشتریان و نگهداری از زیرساخت بناها بسیار مفید است.
انرژی پاک با Constellation
شرکت Constellation بزرگترین تولیدکننده انرژی بدون کربن در کشور آمریکا است.
این شرکت پیشتاز در رقابتها، محصولات و خدمات خود، شامل نیرو و انرژی را برای مصارف خانگی و تجاری عرضه میکند.
محصولات این شرکت شامل برق، گاز طبیعی و انرژیهای تجدیدپذیر دیگری با قیمتگذاریهای متنوع است.
سهام این شرکت در بورس Nasdaq با نام اختصاری CEG، برگرفته از عبارت Constellation Energy Corporation به فروش میرسد.
در مارس سال 2022، Constellation اعلام کرد که شراکت پایدار خود را با شرکت مایکروسافت اژور آغاز نموده است.
بر اساس این مشارکت، مایکروسافت ملزم به تولید نرمافزاری هوشمند برای مشتریان Constellation شد.
این نرمافزار مصرف انرژی مشتریان را با منابع انرژی محلی بدون کربن، در 24 ساعت شبانهروز و 365 روز سال مطابقت میدهد.
Constellation Clearsight یک شرکت فرعی، تحت تابعیت Constellation است که بازرسیهای ایمنتر و موثرتر از زیرساختهای حیاتی دارد.
این فرآیند با استفاده از پهپادهای پیشرفته، رباتها، سنسورها و تکنولوژیهای نرمافزاری صورت میپذیرد.
مجموعه این فناوریها در کنار یکدیگر، بینشی حیاتی به وجود میآورد که هزینههای مالکیت داراییها را کاهش میدهد.
در واقع ماموریت آنها این است که با بهرهگیری از تکنولوژیها و نوآوریها، سرویسی برای بهبود بازرسی از زیرساختهای حیاتی ارائه دهند.
این سرویس منجر به حرکت به سمت زیرساختی پایدارتر، ایمنتر و قابل اطمینانتر در آینده میشود.
نیروی محرکه
در طول تاریخ، بازرسی بصری از توزیع سیستمهای برق، عمدتا به صورت دستی انجام میپذیرفت.
انجام این بازرسیها در بعضی از محیطها دشوار بود و این دشواری، هزینههای موردنظر را تحت تاثیر خود قرار میدهد.
استفاده از تکنولوژی برای کمک به جمعآوری، ذخیرهسازی و تجزیه و تحلیل دادهها میتواند ایمنی، کارایی و کیفیت بازرسی را تا حد زیادی بهبود ببخشد.
از نظر Clearsight، شرکت Azure به خصوص Azure Machine Learning، پلتفرمی موثر برای پیادهسازی چندین راهحل کلیدی بهطور همزمان است.
قبل از استفاده از Azure Machine Learning، فرآیند توسعه مدل یادگیری ماشین در کلیرسایت، توسط چندین ابزار مختلف انجام میپذیرفت، که به خوبی با یکدیگر ادغام نمیشدند.
ساخت این مدلهای یادگیری ماشین و تنظیم آنها برای اجرای دلخواه، وقت و انرژی قابل توجهی را از دانشمندان داده سلب میکرد.
پس از آن دانشمندان به یک رویکرد مقیاسپذیرتر پی بردند که مبتنی بر یک محیط همکاری ابری بود.
این محیط مدیریت مجموعه دادهها، آموزش مدلهای خاص مورد استفاده و ساخت خطوط لوله آزمایشی بدون نوشتن کد سفارشی را ممکن میساخت.
در واقع یادگیری ماشین Azure این پلتفرم اختصاصی جدید را به دانشمندان Clearsight ارائه داد.
آنها از قدرت برچسبگذاری دادهها در Azure Machine Learning برای برچسبگذاری تصاویر، استفاده گستردهای کردند.
همچنین با استفاده از قدرت محاسباتی واحدهای پردازنده گرافیکی GPU موجود در اژور، مدلهای بینایی کامپیوتر خود را در صورت نیاز، مقیاسپذیر کردند.
AutoML for Images یا یادگیری ماشین خودکار برای تصاویر، به آنها اجازه میدهد تا به سرعت با چندین الگوریتم آزمایش کنند.
اینگونه میتوانند مدل الگوریتمها و فراپارامترهایی را بیابند که عملکرد مدل را برای موارد استفاده مختلف، بهینه میسازند.
یکپارچگی فشرده با MLOps (عملیات یادگیری ماشین مایکروسافت اژور) به آنها اجازه میدهد تا چرخه عمر یادگیری ماشین این مدلها را مدیریت کنند.
رویکرد
کلیر سایت از تکنولوژی پهپادهای پیشرفته، برای پشتیبانی از بازرسی بصری تجهیزات زیرساختهای الکتریکی، استفاده میکند.
این پهپادها تصاویری باکیفیتی از فاصلهها، زوایا و نماهای مختلفی به دست میآورند، در حالی که اپراتورهای آنها در یک مکان امن قرار دارند.
سپس این تصاویر در حافظه ابر اژور ذخیرهسازی میشوند. بعد از آن کارشناسان برای بازرسی و مطالعه با استفاده از نرمافزارهای سفارشی، تصاویر را بررسی میکنند.
ویژگیهای تصویر و ویژگیهای تشخیص داده شده توسط بازرس نیز در حافظه ابر Azure ذخیره میشوند.
پس از آن Clearsight از یادگیری ماشین Azure، از جمله AutoML for Images، برای تقویت و پشتیبانی از فعالیتهای بازرسی استفاده میکند.
این روند برای ساخت و استقرار مدلهای بینایی کامپیوتری مانند آشکارسازهای شی و یافتن نقص و عیوب بسیار مفید است.
این مدلها بر روی مجموعه دادههای متشکل از تصاویر و فیلدهای محدود شدهی برچسبگذاری شده، آموزش داده میشوند.
این برچسبگذاریها شامل اشیا و نقص و عیوبی هستند که پیش از این شناسایی شدهاند.
با استفاده از قابلیتهای AutoML for Image، کلیرسایت میتواند به راحتی انواع الگوریتمها و فراپارامترها را برای آموزش این مدلها امتحان کند.
سپس قادر است از میان الگوریتمهایی از قبیل Yolo، RetinaNet و Faster-RCNN بهترین آنها را با توجه به نوع عملکرد مورد نیاز انتخاب کند.
نرمافزارهای بازرسی سفارشی و اجزای پلتفرمهای مختلف دیگر، از مدلهای بینایی کامپیوتر استفاده میکنند.
این استفاده از طریق به کارگیری نقاط پایانی مستقر در سرویس Azure Kubernetes (AKS) و سایر اجزای Azure صورت میپذیرد.
پالایش مداوم مدلها به لطف بازرسیها و بازخوردهای مرتبطی که توسط متخصصان ارائه میشوند، انجام میشود.
مزایا
قابلیت جدیدی در یادگیری ماشینی Azure اضافه شده است که از وظایف بینایی کامپیوتر در AutoML پشتیبانی میکند.
این قابلیت جدید برای موارد استفاده Clearsight بسیار مفید است.
راهحل جدید AutoML با فرآیند قبلی مورد استفاده مقایسه شد و در نتیجه معلوم شد که چرخه AutoML به طور کلی آسانتر و موثرتر است.
بعضی از قابلیت ها و بروزرسانی های با ارزش برای کلیرسایت عبارتاند از:
- امکان استفاده از برچسبگذاری یادگیری ماشینی Azure برای دادههای جدید و آوردن مجموعه دادههایی از تصاویری که خارج از Azure برچسبگذاری شدهاند.
- قدرت انتخاب دستی از طیف وسیعی از الگوریتم های پیشرفته.
- امکان دسترسی نه تنها به مدل های کامل، بلکه دسترسی به اسکریپتهای مورد نیاز برای خودکارسازی فرایند و تولید مدلها.
- سطح کنترل و سفارشی سازی موجود در پشتیبانی از آموزش و مدیریت مدل از طریق عملیات یادگیری ماشین (MLOps).
این قابلیتهای موجود در Azure Machine Learning Data Labeling و AutoML for Images، زمان چرخه پایان به انتها Clearsight را که برای ساخت و استقرار مدلهای بینایی کامپیوتری جدید لازم است، به طور قابل توجهی تا بیش از 50 درصد کاهش میدهد.