Pianifica il ritiro di prodotti Glidewell
Spunti di riflessione
Glidewell Laboratories offre un’ampia gamma di prodotti e servizi dentali. Ogni giorno, in tutto il territorio degli Stati Uniti, vengono effettuati migliaia di ordini e la maggior parte delle telefonate che riceviamo presso il nostro servizio di assistenza ai clienti sono inerenti alla richiesta di ritiro da parte dei dentisti. Ecco perché, qui a Glidewell, desideriamo sviluppare un sistema di gestione dei clienti di prossima generazione che automatizzi il ritiro degli ordini effettuati.
Cosa fa
Questo progetto prevede l’automazione della pianificazione del ritiro dei prodotti dentali di Glidewell tramite il dispositivo AWS DeepLens. In pratica, quando un dentista di uno studio dentistico desidera effettuare un nuovo ordine e programmare un ritiro, si posiziona dinanzi a una fotocamera DeepLens con in mano il prodotto dentale Glidewell che desidera ordinare. Dopo il riconoscimento dell'identità del dentista e delle informazioni del prodotto, il sistema effettua automaticamente l'ordine, pianifica il ritiro e invia l'e-mail di conferma.
Creato da: Zefeng Zhang e Yuqi Shang
Come l’abbiamo realizzato
Set di dati di immagini: il set di dati di addestramento bilanciato comprende quattro classi diverse, tra cui BruxZir S, BruxZir M, BruxZir L e non BruxZir, ognuna delle quali contiene circa 500 immagini.
Linguaggio di programmazione e strumenti:
- Python, MXNet
- AWS: SageMaker, funzione Lambda, DeepLens, Amazon Rekognition (riconoscimento facciale)
- Classificazione dei prodotti
Abbiamo utilizzato l'algoritmo di classificazione di immagini Amazon SageMaker per addestrare un modello di classificazione dei prodotti dentali Glidewell. Abbiamo poi adattato l'ultimo strato di una rete neurale convoluzionale pre-addestrata a 34 strati (ResNet) affinché si adeguasse alle nuove regole di etichettatura. Le immagini di input mostrano le stesse dimensioni di 3 x 512 x 512. Dopo l'addestramento e l'ottimizzazione, DeepLens rilascia il flusso video al modello e i risultati della classificazione vengono pubblicati su AWS IoT.
Rilevamento e riconoscimento facciale: il progetto di esempio DeepLens mostra un modello di rilevamento facciale che consente al dispositivo AWS DeepLens di identificare i volti delle persone. DeepLens rilascia il flusso video come input al modello che pubblica le immagini dei volti che rileva. In seguito, la funzione di riconoscimento facciale di AWS identifica una persona che abbia in uso il repository di immagini facciali fornito.
Difficoltà
- Flusso di dati tra diverse applicazioni
- Mancata corrispondenza delle dimensioni dell'immagine tra il set di dati di addestramento e il flusso video DeepLens
Risultati di cui andiamo fieri
- Una nuova idea del sistema di gestione degli ordini e dei clienti
- Facilita l'efficienza operativa
Cosa abbiamo imparato
- AWS DeepLens e SageMaker
- Integrazione di varie risorse e applicazioni per la creazione di un progetto di machine learning
Cosa fare
- Crea un ordine nel sistema di gestione clienti
- Pianifica un ritiro del pacchetto presso lo studio dentistico in base alle preferenze del cliente (ad es. orario, spedizioniere) nel database
- Aggiungi il sistema di notifica del testo
- Prepara più immagini di addestramento
- Includi più categorie di prodotti
- Crea un modello di rilevamento di oggetti per prodotti dentali
Creato con
Python
aws-sagemaker
Rekognition
deeplens/iot
funzioni-lambda
mxnet
istanze-gpu-aws
sqs
sns
Fai una prova
Il repository di questo progetto è privato.