คำถามที่พบบ่อยของ Amazon SageMaker สำหรับ ML เชิงพื้นที่

ถาม: ข้อมูลเชิงพื้นที่คืออะไร

ข้อมูลเชิงพื้นที่แสดงลักษณะหรือวัตถุบนพื้นผิวโลก ข้อมูลเชิงพื้นที่ประเภทแรกคือข้อมูลเวกเตอร์ ซึ่งใช้รูปทรงเรขาคณิตสองมิติ เช่น จุด เส้น หรือรูปหลายเหลี่ยมเพื่อแสดงวัตถุ เช่น ถนนและอาณาเขตที่ดิน ข้อมูลตำแหน่งที่ติดแท็กทางภูมิศาสตร์ก็ถือว่าเป็นข้อมูลเวกเตอร์เช่นกัน โดยจะมีจุดสนใจ อย่างเช่น หอไอเฟล โพสต์บนโซเชียลมีเดียที่แท็กตำแหน่ง พิกัดละติจูดและลองจิจูด หรือรูปแบบและรูปแบบต่างๆ ของที่อยู่ ข้อมูลเชิงพื้นที่ประเภทที่สองคือข้อมูลแรสเตอร์ เช่น ภาพที่รวบรวมโดยดาวเทียม แพลตฟอร์มทางอากาศ หรือแพลตฟอร์มการสำรวจระยะไกล ชนิดข้อมูลนี้ใช้เมทริกซ์ของพิกเซลเพื่อกำหนดตำแหน่งของคุณสมบัติ คุณสามารถใช้ข้อมูลรูปแบบแรสเตอร์ในการจัดเก็บข้อมูลที่แตกต่างกันไปได้

ถาม: ฉันจะเก็บข้อมูลเชิงพื้นที่ได้อย่างไร

ความสามารถเชิงพื้นที่ของ Amazon SageMaker ช่วยให้คุณใช้ข้อมูลเชิงพื้นที่ เช่น Landsat 8 และ Sentinel-2 ได้ นอกจากนี้ คุณยังสามารถนำเข้าข้อมูลของคุณเองได้อีกด้วย ซึ่งรวมถึงข้อมูลตำแหน่งที่ตั้งที่สร้างจากอุปกรณ์ GPS ยานพาหนะหรือ Internet of Things (IoT) ที่เชื่อมต่อเซ็นเซอร์ การสัญจรไปมาของร้านค้าปลีก ข้อมูลการตลาดเชิงภูมิศาสตร์และการสำรวจสำมะโนประชากร หรือข้อมูลที่ได้รับจากผู้ขายภายนอก ความสามารถเชิงพื้นที่ของ SageMaker ยังช่วยให้คุณเพิ่มข้อมูลนี้โดยใช้ฟังก์ชันที่สร้างขึ้นตามวัตถุประสงค์จาก Amazon Location Service เช่น การแปลงตำแหน่งละติจูดและลองจิจูดเป็นที่อยู่

ถาม: อะไรคือความสามารถเชิงพื้นที่ของ SageMaker

ความสามารถเชิงพื้นที่ของ SageMaker ช่วยให้นักวิทยาศาสตร์ข้อมูลและวิศวกรแมชชีนเลิร์นนิง (ML) สร้าง ฝึกฝน และนำโมเดล ML ไปใช้สำหรับการคาดการณ์ได้ง่ายขึ้นโดยใช้ข้อมูลเชิงพื้นที่ คุณสามารถนำข้อมูลของคุณมาเองได้ เช่น ข้อมูลดาวเทียม Planet Labs จาก Amazon Simple Storage Service (Amazon S3) หรือรับข้อมูลจาก Open Data บน AWS, Amazon Location Service และแหล่งที่มาของข้อมูลเชิงพื้นที่ SageMaker อื่นๆ

ถาม: ฉันจะเพิ่มประสิทธิภาพด้วยความสามารถเชิงพื้นที่ของ SageMaker ได้อย่างไร

ความสามารถเชิงพื้นที่ของ SageMaker ช่วยให้ผู้ใช้มีประเภทอินสแตนซ์และสมุดบันทึกที่ปรับให้เหมาะกับ ML เชิงพื้นที่ สมุดบันทึกเหล่านี้มีเครื่องมือสร้างภาพแบบฝังและไลบรารีเชิงพื้นที่แบบโอเพนซอร์สที่ใช้กันอย่างแพร่หลาย ตลอดจนแบบจำลอง อัลกอริทึม และฟังก์ชันที่สร้างขึ้นตามวัตถุประสงค์ คุณสามารถลดความซับซ้อนของการประมวลผลข้อมูลล่วงหน้าด้วยการดำเนินการเชิงพื้นที่ในตัวได้ เช่น การจับคู่แผนที่ เพิ่มความเร็วการพัฒนาโมเดล ML เชิงพื้นที่และลดต้นทุนรวมในการครอบครองโดยใช้หนึ่งในโมเดลที่สร้างไว้ล่วงหน้า หรือพัฒนาโมเดล ML เชิงพื้นที่ของคุณเอง คุณสามารถแสดงภาพการคาดการณ์เป็นเลเยอร์บนแผนที่ด้วยเครื่องมือสร้างภาพในตัว ซึ่งช่วยให้ทำงานร่วมกันได้เร็วขึ้น

ถาม: เหตุใดฉันจึงควรใช้ความสามารถของ ML เชิงพื้นที่ของ SageMaker

คุณสามารถใช้ความสามารถของ ML เชิงพื้นที่ของ SageMaker เพื่อคาดการณ์ข้อมูลเชิงพื้นที่ได้เร็วกว่าโซลูชั่นที่ทำด้วยตนเอง ความสามารถเชิงพื้นที่ของ SageMaker ช่วยให้เข้าถึงข้อมูลเชิงพื้นที่ได้ง่ายขึ้นจาก Data Lake ชุดข้อมูลแบบโอเพนซอร์ส และแหล่งที่มาของข้อมูลเชิงพื้นที่อื่นๆ ของ SageMaker ที่มีอยู่ของคุณ ความสามารถเชิงพื้นที่ของ SageMaker ลดความจำเป็นในการสร้างโครงสร้างพื้นฐานแบบกำหนดเองและฟังก์ชันการประมวลผลข้อมูลล่วงหน้าโดยการนำเสนออัลกอริทึมที่สร้างขึ้นตามวัตถุประสงค์เพื่อการเตรียมข้อมูลที่มีประสิทธิภาพ การฝึกฝนโมเดล และการอนุมาน คุณยังสามารถสร้างและแชร์การแสดงภาพและข้อมูลที่กำหนดเองกับองค์กรของคุณจาก Amazon SageMaker Studio ความสามารถเชิงพื้นที่ของ SageMaker รวมถึงโมเดลที่ได้รับการฝึกฝนมาล่วงหน้าสำหรับการใช้งานทั่วไปในด้านการเกษตร อสังหาริมทรัพย์ การประกันภัย และบริการทางการเงิน