ML Geospasial dengan Amazon SageMaker
Bangun, latih, dan deploy model ML lebih cepat menggunakan data geospasial
Sumber daya komputasi gratis hingga 10 jam
selama 60 hari dengan AWS Tingkat Gratis
Akses sumber data geospasial yang tersedia, termasuk citra satelit, peta, dan data lokasi.
Transformasikan atau perkaya set data geospasial skala besar secara efisien dengan pustaka sumber terbuka atau operasi yang dibuat khusus seperti mosaicking dan reverse geocoding.
Akselerasikan pembangunan model dengan menggunakan model jaringan neural mendalam bawaan yang telah dilatih sebelumnya, seperti segmentasi tutupan lahan dan cloud masking.
Analisis data geospasial dan eksplorasi prediksi model pada peta interaktif menggunakan grafik 3D yang terakselerasi dengan alat visualisasi bawaan.
Cara kerjanya
Terdapat enam bagian pada diagram. Pada bagian pertama, terdapat sebuah gambar yang merepresentasikan data dan tertulis “ML Geospasial dengan Amazon SageMaker.” Pada langkah ini, Anda dapat membangun, melatih, dan melakukan deployment model ML menggunakan data geospasial.
Pada bagian kedua, terdapat empat gambar kecil yang merepresentasikan sumber data dan tertulis “Akses sumber data.” Pada langkah ini, Anda dapat mengakses sumber data geospasial, mulai dari citra satelit hingga pemetaan dan data lokasi, atau mengunggah data milik Anda.
Pada bagian ketiga, terdapat gambar bola dunia dengan roda gerigi kecil dan tertulis “Transformasi dan perkaya data.” Pada langkah ini, Anda dapat menggunakan operasi bawaan, seperti reverse geocoding, mosaicking, dan pelabelan data untuk mempersiapkan data Anda.
Pada bagian keempat, terdapat sebuah gambar yang merepresentasikan model, dengan sebuah panah komputer kecil yang mengekliknya, dan tertulis “Pilih atau latih model.” Pada langkah ini, Anda dapat memilih model canggih yang dibuat khusus atau membawa dan melatih model Anda sendiri.
Pada bagian kelima, terdapat gambar roket yang meluncur keluar kotak dan tertulis “Lakukan deployment model.” Pada langkah ini, Anda dapat melakukan deployment dan hosting pada model Anda untuk membuat prediksi dengan menggunakan data dunia nyata.
Pada bagian keenam, yaitu bagian terakhir, terdapat gambar kaca pembesar di atas peta dan tertulis “Visualisasikan prediksi.” Pada langkah ini, Anda dapat mengeksplorasi dan menganalisis prediksi model pada suatu peta dari notebook Amazon SageMaker Studio
Kasus penggunaan
Menilai risiko dan mengeklaim asuransi
Mengukur risiko, memvalidasi klaim dan mencegah penipuan, menganalisis dampak kerusakan bencana alam terhadap ekonomi setempat, serta melacak proyek konstruksi.
Menginformasikan strategi trading
Memantau aset finansial secara global, memprakirakan harga komoditas pasar, meningkatkan strategi lindung nilai atau trading, dan memitigasikan dampak volatilitas harga.
Memantau perubahan iklim
Melacak deforestasi dan keanekaragaman hayati, mengukur emisi gas metana, membuat rencana resiliensi iklim, mengelola respons bencana, serta meningkatkan keandalan jaringan listrik.
Mendukung pengembangan perkotaan yang berkelanjutan
Mendesain lingkungan perkotaan yang lebih berkelanjutan dan layak huni, mengidentifikasi area untuk pengembangan lahan, melacak tren lalu lintas, atau mengevaluasi kelayakan proyek energi.
Memaksimalkan hasil panen dan keamanan pangan
Lihat citra satelit untuk mendiagnosis kesehatan tanaman, memastikan dan mengklasifikasikan tanaman, memprediksi hasil panen, memprakirakan permintaan hasil pertanian, atau mendeteksi batas tanah pertanian.
Memperkirakan penggunaan situs ritel
Lacak area kota dengan pertumbuhan tinggi atau efisiensi operasi situs ritel untuk meningkatkan penjualan atau memasok saluran distribusi.
Cara memulai
Contoh notebook
Pelajari cara petani dapat mengoptimalkan produksi tanaman dengan analitik dan ML yang mutakhir.
Panduan Developer
Pelajari kemampuan geospasial SageMaker selengkapnya dalam panduan langkah demi langkah ini.
Blog
Pelajari cara ilmuwan data dapat memantau kekeringan yang disebabkan oleh perubahan iklim menggunakan data geospasial.