شرکت Constellation (CEG) بزرگترین تولید کننده انرژی بدون کربن کشور و یکی از پیشروها در رقابت برای تامین انرژی و محصولات آن و سرویس های آن برای مصرف خانگی و کاری در ایالات متحده است.
در مارس سال 2022 کانسلیشن شراکتی پایدار با شرکت مایکروسافت را اعلام کرد.
که بر اساس آن مایکروسافت نرم افزاری توسعه می دهد تا به مشتریان کانسلیشن اجازه دهد تا 24 ساعته میزان انرژی مصرفی خود را با منابع انرژی بدون کربن محلی مطابقت بدهند.
همچنین Constellation Clearsight یک شرکت فرعی تماما تحت تابعیت کانسلیشن است که بازرسی های ایمن تر و موثرتر از زیرساخت های حیاتی دارد.
این کار با استفاده از پهپاد های پیشرفته، ربات ها، سنسورها و تکنولوژی نرم افزاری برای رساندن بینش های حیاتی که باعث کاهش هزینه مالکیت دارایی می‌شود انجام میدهد.
ماموریت آنها استفاده از تکنولوژی و نوآوری باعث بهبودی سرویس های بازرسی زیرساخت های حیاتی و کمک به حرکت به سوی آینده پایدارتر، ایمن تر و قابل اطمینان تر است
بازرسی های بصری از توزیع سیستم برق در طول تاریخ پروسه ای عمدتا دستی بوده.
انجام این بازرسی ها در محیط های خاص و سطوح دلخواه از اثربخشی هزینه و مقیاس کاری دشوار است.
استفاده از تکنولوژی برای کمک به کسب، ذخیره و آنالیز اطلاعات می تواند بهبود زیادی در بازرسی ایمنی، بهره وری و کیفیت ببخشد.
امروزه بهترین راه برای ذخیره سازی اطلاعات، فضاهای ابری می باشد، شرکت ابر فردوسی ارایه دهنده بهترین سرور های ابری می‌باشد.
کلیر سایت Azure و Azure Machine Learning را پلتفرمی موثر برای ساختن و فعال کردن چندین راه حل کلیدی تکنولوژی می داند.
قبل از استفاده از Azur Machine Learning ، توسعه مدل ML توسط چندین ابزار مختلف انجام می شد که به خوبی ادغام نشده بودند.
ساختن این مدل ها و تنظیم کردن آنها برای اجرا بهینه وقت و تلاش زیادی برای دانشمند داده به همراه داشت.
مشخص شد که یک محیط همکاری برای مدیریت مجموعه داده ها، آموزش مدل‌های خاص مورد استفاده و ساخت خطوط لوله آزمایشی بدون نوشتن کد سفارشی، رویکرد بسیار مقیاس‌پذیرتری را ممکن می‌سازد.
همچنین Azure ML این پلتفرم اختصاصی را به کلیر سایت ارائه کرد.
آنها استفاده گسترده ای از سیستم نامگذاری Azure ML برای نام گذاری عکس ها و محاسبات GPU که میتواند درصورت نیاز برای توسعه مدل های کامپیوتری مقیاس گیری شود کردند.
بهترین کارت‌های گرافیک (GPU) در شرکت ابر فردوسی ارایه می‌شود.
و AutoML (Auto Machine Learning) برای عکس ها به آنها اجازه میدهد تا به سرعت چندین الگوریتم را آزمایش کنند.
و با توجه به نتایج الگوریتم ها و هایپر پارامتر هایی که عملکرد مدل را بهبود بخشیده اند را برای استفاده در موقعیت های مختلف پیدا کند.
ادغام دقیق با MLOps به آنها اجازه میدهد چرخه عمر ML این مدل ها را مدیریت کنند.
کلیر سایت از تکنولوژی پهپاد های پیشرفته برای پشتیبانی از بازرسی بصری تجهیزات زیرساخت های الکتریکی استفاده میکند.
پهپادها تصویربرداری پر کیفیت از فاصله ها، زوایا و نماهای مختلف انجام می‌دهند در حالی که اپراتور های آنها در مکانی امن هستند.
وقتی که تصاویر در حافظه Azure آپلود شدند به کارشناسان موضوع برای بازرسی و مطالعه با استفاده از نرم افزار های سفارشی ارائه می‌شوند.
ویژگی های عکس و ویژگی های تشخیص داده شده توسط بازرسی نیز در حافظه Azure ذخیره می‌شوند.
کلیر سایت با استفاده از AutoML برای عکس ها مدل های کامپیوتری می سازد تا فعالیت های بازرسی را پشتیبانی کند.
برای این مدل ها مجموعه داده های متشکل از تصاویر و فیلد های محدود شده به کلاس ها و برچسب هایی که جسم را توصیف می‌کنند تعریف شده است.
با استفاده از AutoML کلیرسایت به راحتی میتواند الگوریتم ها و هایپر پارامتر های متنوعی برای یادگیری این مدل ها امتحان کند و بهترین آن را انتخاب کند.
نرم افزار های بازرسی سفارشی و پلتفرم های مختلف دیگر از مدل های کامپیوتری از طریق endpoint های مستقر در سرویس Azure Kubernetes Service (AKS) و قابلیت های دیگر Azure استفاده می‌کنند.
پالایش مداوم مدل ها به لطف بازرسی و بازخورد های مرتبط ارائه شده کارشناسان موضوع انجام می‌شود.
قابلیت های جدید Azure ML که پشتیبانی فعالیت های بینایی کامپیوتر در AutoML به آن اضافه شده ثابت کرده اند برای وقایع کلیر سایت بسیار مفید هستند.
راه حل های AutoML در مقایسه با پروسه های قبلی توسعه مدل ارزیابی شدند.
آنها متوجه شدند چرخه AutoML به طور کلی آسانتر و موثرتر است.
نتیجه نشان میدهد مدل های به دست آمده عملکردی مشابه با مدل های سیستم قبل دارند در حالی که در ساخت مدل بسیار موثرتر هستند .
1.قابلیت نامگذاری Azure ML برای اطلاعات جدید و وارد کردن اطلاعات عکس ها که خارج از Azure نامگذاری شدند.
2.امکان انتخاب دستی از طیف وسیعی از الگوریتم های پیشرفته.
3.امکان دسترسی نه تنها به مدل های کامل، بلکه دسترسی به اسکریپت های مورد نیاز برای خودکارسازی فرایند و تولید مدل ها.
4.سطح کنترل و سفارشی سازی موجود برای پشتیبانی از آموزش و مدیریت مدل از طریق عملیات یادگیری ماشین (MLOps).
این قابلیت ها چرخه زمانی مورد نیاز برای ساخت مدل کامپیوتری کلیر سایت را تا بیش 50 درصد کاهش دادند.
