প্রাসঙ্গিক এবং শব্দার্থগত অনুসন্ধানের উত্থান ইকমার্স এবং খুচরা ব্যবসাগুলিকে তার ভোক্তাদের জন্য সহজতর অনুসন্ধান করে তুলেছে। জেনারেটিভ এআই দ্বারা চালিত সার্চ ইঞ্জিন এবং সুপারিশ সিস্টেমগুলি প্রাকৃতিক ভাষার প্রশ্নগুলি বোঝার মাধ্যমে এবং আরও সঠিক ফলাফল ফিরিয়ে দিয়ে পণ্য অনুসন্ধানের অভিজ্ঞতাকে দ্রুতগতিতে উন্নত করতে পারে। এটি সামগ্রিক ব্যবহারকারীর অভিজ্ঞতা বাড়ায়, গ্রাহকদের তারা যা খুঁজছেন তা খুঁজে পেতে সহায়তা করে৷
আমাজন ওপেন সার্চ সার্ভিস এখন সমর্থন করে কোসাইন মিল k-NN সূচকের জন্য মেট্রিক। কোসাইন সাদৃশ্য দুটি ভেক্টরের মধ্যে কোণের কোসাইন পরিমাপ করে, যেখানে একটি ছোট কোসাইন কোণ ভেক্টরগুলির মধ্যে একটি উচ্চতর সাদৃশ্য নির্দেশ করে। কোসাইন সাদৃশ্য সহ, আপনি দুটি ভেক্টরের মধ্যে অভিযোজন পরিমাপ করতে পারেন, যা কিছু নির্দিষ্ট শব্দার্থিক অনুসন্ধান অ্যাপ্লিকেশনের জন্য এটি একটি ভাল পছন্দ করে তোলে।
এই পোস্টে, আমরা কীভাবে পণ্যের সুপারিশের জন্য একটি প্রাসঙ্গিক পাঠ্য এবং চিত্র অনুসন্ধান ইঞ্জিন তৈরি করতে হয় তা দেখাই অ্যামাজন টাইটান মাল্টিমোডাল এমবেডিং মডেল, সহজলভ্য আমাজন বেডরক, সঙ্গে অ্যামাজন ওপেনসার্চ সার্ভারহীন.
একটি মাল্টিমোডাল এম্বেডিং মডেলটি পাঠ্য, চিত্র এবং অডিওর মতো বিভিন্ন পদ্ধতির যৌথ উপস্থাপনা শেখার জন্য ডিজাইন করা হয়েছে। ইমেজ এবং তাদের সংশ্লিষ্ট ক্যাপশন সমন্বিত বৃহৎ-স্কেল ডেটাসেটের প্রশিক্ষণের মাধ্যমে, একটি মাল্টিমোডাল এম্বেডিং মডেল ছবি এবং পাঠ্যকে একটি ভাগ করা সুপ্ত স্থানে এম্বেড করতে শেখে। এটি কীভাবে ধারণাগতভাবে কাজ করে তার একটি উচ্চ-স্তরের ওভারভিউ নিচে দেওয়া হল:
- পৃথক এনকোডার – এই মডেলগুলির প্রতিটি মোডালিটির জন্য আলাদা এনকোডার রয়েছে—টেক্সটের জন্য একটি টেক্সট এনকোডার (উদাহরণস্বরূপ, BERT বা RoBERta), ছবির জন্য ইমেজ এনকোডার (উদাহরণস্বরূপ, ছবির জন্য CNN), এবং অডিওর জন্য অডিও এনকোডার (উদাহরণস্বরূপ, Wav2Vec-এর মতো মডেল) . প্রতিটি এনকোডার তাদের নিজ নিজ পদ্ধতির শব্দার্থগত বৈশিষ্ট্য ক্যাপচার করে এমবেডিং তৈরি করে
- মোডালিটি ফিউশন - ইউনি-মডেল এনকোডারগুলি থেকে এমবেডিংগুলি অতিরিক্ত নিউরাল নেটওয়ার্ক স্তরগুলি ব্যবহার করে একত্রিত করা হয়৷ লক্ষ্য হল পদ্ধতির মধ্যে মিথস্ক্রিয়া এবং পারস্পরিক সম্পর্ক শেখা। সাধারণ ফিউশন পদ্ধতির মধ্যে রয়েছে সংমিশ্রণ, উপাদান-ভিত্তিক ক্রিয়াকলাপ, পুলিং এবং মনোযোগের প্রক্রিয়া।
- শেয়ার্ড রিপ্রেজেন্টেশন স্পেস - ফিউশন স্তরগুলি পৃথক পদ্ধতিগুলিকে একটি শেয়ার্ড রিপ্রেজেন্টেশন স্পেসে প্রজেক্ট করতে সহায়তা করে। মাল্টিমডাল ডেটাসেটের উপর প্রশিক্ষণের মাধ্যমে, মডেলটি একটি সাধারণ এমবেডিং স্পেস শিখে যেখানে একই অন্তর্নিহিত শব্দার্থিক বিষয়বস্তুর প্রতিনিধিত্বকারী প্রতিটি মোডালিটি থেকে এমবেডিং একসাথে কাছাকাছি থাকে।
- ডাউনস্ট্রিম কাজ - উত্পন্ন যৌথ মাল্টিমোডাল এম্বেডিংগুলি তারপরে মাল্টিমোডাল পুনরুদ্ধার, শ্রেণিবিন্যাস বা অনুবাদের মতো বিভিন্ন ডাউনস্ট্রিম কাজের জন্য ব্যবহার করা যেতে পারে। পৃথক মডেল এম্বেডিংয়ের তুলনায় এই কাজগুলিতে কর্মক্ষমতা উন্নত করতে মডেলটি জুড়ে পারস্পরিক সম্পর্ক ব্যবহার করে। মূল সুবিধা হ'ল যৌথ মডেলিংয়ের মাধ্যমে পাঠ্য, চিত্র এবং অডিওর মতো পদ্ধতিগুলির মধ্যে মিথস্ক্রিয়া এবং শব্দার্থ বোঝার ক্ষমতা।
সমাধান ওভারভিউ
সমাধানটি পাঠ্য বা চিত্র প্রশ্নের উপর ভিত্তি করে পণ্যগুলি পুনরুদ্ধার এবং সুপারিশ করার জন্য একটি বড় ভাষা মডেল (LLM) চালিত সার্চ ইঞ্জিন প্রোটোটাইপ তৈরি করার জন্য একটি বাস্তবায়ন প্রদান করে। আমরা একটি ব্যবহার করার ধাপগুলি বিস্তারিতভাবে বর্ণনা করি আমাজন টাইটান মাল্টিমোডাল এমবেডিংস এম্বেডিং-এ ইমেজ এবং টেক্সট এনকোড করার মডেল, ওপেন সার্চ সার্ভিস ইনডেক্সে এমবেডিং ইনজেস্ট করা এবং ওপেন সার্চ সার্ভিস ব্যবহার করে সূচী জিজ্ঞাসা করা k- নিকটতম প্রতিবেশী (k-NN) কার্যকারিতা.
এই সমাধান নিম্নলিখিত উপাদান অন্তর্ভুক্ত:
- অ্যামাজন টাইটান মাল্টিমোডাল এমবেডিং মডেল – এই ফাউন্ডেশন মডেল (FM) এই পোস্টে ব্যবহৃত পণ্যের চিত্রের এম্বেডিং তৈরি করে। অ্যামাজন টাইটান মাল্টিমোডাল এম্বেডিংয়ের সাথে, আপনি আপনার সামগ্রীর জন্য এম্বেডিং তৈরি করতে পারেন এবং সেগুলিকে একটি ভেক্টর ডাটাবেসে সংরক্ষণ করতে পারেন। যখন একজন শেষ-ব্যবহারকারী একটি অনুসন্ধান ক্যোয়ারী হিসাবে পাঠ্য এবং চিত্রের যেকোন সংমিশ্রণ জমা দেয়, মডেলটি অনুসন্ধান ক্যোয়ারীটির জন্য এম্বেডিং তৈরি করে এবং শেষ-ব্যবহারকারীদের প্রাসঙ্গিক অনুসন্ধান এবং সুপারিশের ফলাফল প্রদান করার জন্য সঞ্চিত এমবেডিংয়ের সাথে মেলে। আপনি মডেলটিকে আরও কাস্টমাইজ করতে পারেন যাতে আপনার অনন্য বিষয়বস্তু সম্পর্কে বোধগম্যতা বাড়ানো যায় এবং সূক্ষ্ম-টিউনিংয়ের জন্য চিত্র-পাঠ্য জোড়া ব্যবহার করে আরও অর্থপূর্ণ ফলাফল প্রদান করা যায়। ডিফল্টরূপে, মডেলটি 1,024 মাত্রার ভেক্টর (এম্বেডিং) তৈরি করে এবং অ্যামাজন বেডরকের মাধ্যমে অ্যাক্সেস করা হয়। আপনি গতি এবং কর্মক্ষমতা জন্য অপ্টিমাইজ করার জন্য ছোট মাত্রা তৈরি করতে পারেন
- অ্যামাজন ওপেনসার্চ সার্ভারহীন - এটি OpenSearch পরিষেবার জন্য একটি অন-ডিমান্ড সার্ভারহীন কনফিগারেশন। আমরা অ্যামাজন টাইটান মাল্টিমোডাল এমবেডিং মডেল দ্বারা উত্পন্ন এমবেডিংগুলি সঞ্চয় করার জন্য একটি ভেক্টর ডাটাবেস হিসাবে Amazon OpenSearch Serverless ব্যবহার করি৷ Amazon OpenSearch Serverless সংগ্রহে তৈরি একটি সূচক আমাদের পুনরুদ্ধার অগমেন্টেড জেনারেশন (RAG) সমাধানের ভেক্টর স্টোর হিসাবে কাজ করে।
- অ্যামাজন সেজমেকার স্টুডিও - এটি মেশিন লার্নিং (ML) এর জন্য একটি সমন্বিত উন্নয়ন পরিবেশ (IDE)। ML অনুশীলনকারীরা সমস্ত ML বিকাশের পদক্ষেপগুলি সম্পাদন করতে পারে - আপনার ডেটা প্রস্তুত করা থেকে শুরু করে ML মডেল তৈরি করা, প্রশিক্ষণ দেওয়া এবং স্থাপন করা।
সমাধান নকশা দুটি অংশ নিয়ে গঠিত: ডেটা ইন্ডেক্সিং এবং প্রাসঙ্গিক অনুসন্ধান। ডেটা ইন্ডেক্সিংয়ের সময়, আপনি এই চিত্রগুলির জন্য এমবেডিং তৈরি করতে পণ্যের চিত্রগুলিকে প্রক্রিয়া করেন এবং তারপরে ভেক্টর ডেটা স্টোরটি পূরণ করেন। এই পদক্ষেপগুলি ব্যবহারকারীর ইন্টারঅ্যাকশন পদক্ষেপের আগে সম্পন্ন হয়।
প্রাসঙ্গিক অনুসন্ধান পর্বে, ব্যবহারকারীর কাছ থেকে একটি অনুসন্ধান ক্যোয়ারী (টেক্সট বা চিত্র) এম্বেডিংয়ে রূপান্তরিত হয় এবং মিল অনুসন্ধানের উপর ভিত্তি করে অনুরূপ পণ্যের চিত্রগুলি খুঁজে পেতে ভেক্টর ডাটাবেসে একটি মিল অনুসন্ধান চালানো হয়। তারপর আপনি শীর্ষ অনুরূপ ফলাফল প্রদর্শন করুন. এই পোস্টের জন্য সমস্ত কোড পাওয়া যায় গিটহুব রেপো.
নিম্নলিখিত চিত্রটি সমাধানের স্থাপত্যকে চিত্রিত করে।
নিম্নলিখিত সমাধান কর্মপ্রবাহ পদক্ষেপ:
- পাবলিক থেকে পণ্য বিবরণ পাঠ্য এবং ছবি ডাউনলোড করুন আমাজন সিম্পল স্টোরেজ সার্ভিস (অ্যামাজন এস 3) বালতি।
- ডেটাসেট পর্যালোচনা করুন এবং প্রস্তুত করুন।
- Amazon Titan Multimodal Embeddings মডেল (amazon.titan-embed-image-v1) ব্যবহার করে পণ্যের চিত্রগুলির জন্য এম্বেডিং তৈরি করুন। আপনার যদি বিপুল সংখ্যক চিত্র এবং বিবরণ থাকে তবে আপনি ঐচ্ছিকভাবে ব্যবহার করতে পারেন অ্যামাজন বেডরকের জন্য ব্যাচ অনুমান.
- মধ্যে এম্বেডিং সংরক্ষণ করুন অ্যামাজন ওপেনসার্চ সার্ভারহীন সার্চ ইঞ্জিন হিসাবে।
- অবশেষে, প্রাকৃতিক ভাষায় ব্যবহারকারীর ক্যোয়ারী আনুন, আমাজন টাইটান মাল্টিমোডাল এমবেডিং মডেল ব্যবহার করে এটিকে এম্বেডিং-এ রূপান্তর করুন এবং প্রাসঙ্গিক অনুসন্ধান ফলাফল পেতে একটি k-NN অনুসন্ধান করুন৷
আমরা সমাধানটি বিকাশ করতে IDE হিসাবে সেজমেকার স্টুডিও (ডায়াগ্রামে দেখানো হয়নি) ব্যবহার করি।
এই পদক্ষেপগুলি নিম্নলিখিত বিভাগে বিশদভাবে আলোচনা করা হয়েছে। আমরা স্ক্রিনশট এবং আউটপুট বিবরণ অন্তর্ভুক্ত.
পূর্বশর্ত
এই পোস্টে প্রদত্ত সমাধান বাস্তবায়ন করতে, আপনার নিম্নলিখিত থাকা উচিত:
- An এডাব্লুএস অ্যাকাউন্ট এবং এফএম, অ্যামাজন বেডরকের সাথে পরিচিতি, আমাজন সেজমেকার, এবং OpenSearch পরিষেবা।
- অ্যামাজন টাইটান মাল্টিমোডাল এমবেডিং মডেল অ্যামাজন বেডরকে সক্ষম। আপনি নিশ্চিত করতে পারেন যে এটি চালু আছে মডেল অ্যাক্সেস অ্যামাজন বেডরক কনসোলের পৃষ্ঠা। যদি অ্যামাজন টাইটান মাল্টিমোডাল এমবেডিংস সক্ষম করা থাকে, অ্যাক্সেসের স্থিতি হিসাবে দেখাবে৷ অ্যাক্সেস মঞ্জুর, নিম্নলিখিত স্ক্রিনশট হিসাবে দেখানো হয়েছে।
যদি মডেলটি উপলব্ধ না হয়, নির্বাচন করে মডেলটিতে অ্যাক্সেস সক্ষম করুন৷ মডেল অ্যাক্সেস পরিচালনা করুন, নির্বাচন অ্যামাজন টাইটান মাল্টিমোডাল এম্বেডিংস জি 1, এবং নির্বাচন করা মডেল অ্যাক্সেস অনুরোধ. মডেল অবিলম্বে ব্যবহারের জন্য সক্ষম করা হয়.
সমাধান সেট আপ করুন
পূর্বশর্ত পদক্ষেপগুলি সম্পূর্ণ হলে, আপনি সমাধান সেট আপ করতে প্রস্তুত:
- আপনার AWS অ্যাকাউন্টে, SageMaker কনসোল খুলুন এবং নির্বাচন করুন স্টুডিও নেভিগেশন ফলকে।
- আপনার ডোমেন এবং ব্যবহারকারী প্রোফাইল চয়ন করুন, তারপর চয়ন করুন ওপেন স্টুডিও.
আপনার ডোমেন এবং ব্যবহারকারীর প্রোফাইল নাম ভিন্ন হতে পারে।
- বেছে নিন সিস্টেম টার্মিনাল অধীনে ইউটিলিটি এবং ফাইল.
- ক্লোন করতে নিম্নলিখিত কমান্ডটি চালান গিটহুব রেপো সেজমেকার স্টুডিও উদাহরণে:
- নেভিগেট করুন
multimodal/Titan/titan-multimodal-embeddings/amazon-bedrock-multimodal-oss-searchengine-e2e
ফোল্ডার. - খোলা
titan_mm_embed_search_blog.ipynb
নোটবই.
সমাধান চালান
ফাইলটি খুলুন titan_mm_embed_search_blog.ipynb
এবং ডেটা সায়েন্স পাইথন 3 কার্নেল ব্যবহার করুন। উপরে চালান মেনু, নির্বাচন করুন সমস্ত সেল চালান এই নোটবুকে কোড চালানোর জন্য।
এই নোটবুকটি নিম্নলিখিত পদক্ষেপগুলি সম্পাদন করে:
- এই সমাধানের জন্য প্রয়োজনীয় প্যাকেজ এবং লাইব্রেরি ইনস্টল করুন।
- সর্বজনীনভাবে উপলব্ধ লোড আমাজন বার্কলে অবজেক্টস ডেটাসেট এবং একটি পান্ডাস ডেটা ফ্রেমে মেটাডেটা।
ডেটাসেটটি বহুভাষিক মেটাডেটা এবং 147,702টি অনন্য ক্যাটালগ চিত্র সহ 398,212টি পণ্য তালিকার একটি সংগ্রহ। এই পোস্টের জন্য, আপনি শুধুমাত্র ইউএস ইংরেজিতে আইটেমের ছবি এবং আইটেমের নাম ব্যবহার করুন। আপনি প্রায় 1,600টি পণ্য ব্যবহার করেন।
- অ্যামাজন টাইটান মাল্টিমোডাল এমবেডিং মডেল ব্যবহার করে আইটেম চিত্রগুলির জন্য এমবেডিং তৈরি করুন
get_titan_multomodal_embedding()
ফাংশন বিমূর্তকরণের জন্য, আমরা এই নোটবুকে ব্যবহৃত সমস্ত গুরুত্বপূর্ণ ফাংশন সংজ্ঞায়িত করেছিutils.py
ফাইল.
এরপর, আপনি একটি Amazon OpenSearch Serverless ভেক্টর স্টোর (সংগ্রহ এবং সূচক) তৈরি এবং সেট আপ করুন।
- আপনি নতুন ভেক্টর অনুসন্ধান সংগ্রহ এবং সূচক তৈরি করার আগে, আপনাকে প্রথমে তিনটি সংশ্লিষ্ট OpenSearch Service নীতি তৈরি করতে হবে: এনক্রিপশন নিরাপত্তা নীতি, নেটওয়ার্ক নিরাপত্তা নীতি, এবং ডেটা অ্যাক্সেস নীতি।
- অবশেষে, ভেক্টর সূচকে ইমেজ এমবেডিং ইনজেস্ট করুন।
এখন আপনি একটি রিয়েল-টাইম মাল্টিমডাল অনুসন্ধান করতে পারেন।
একটি প্রাসঙ্গিক অনুসন্ধান চালান
এই বিভাগে, আমরা একটি পাঠ্য বা চিত্র প্রশ্নের উপর ভিত্তি করে প্রাসঙ্গিক অনুসন্ধানের ফলাফলগুলি দেখাই৷
প্রথমত, টেক্সট ইনপুটের উপর ভিত্তি করে একটি ছবি অনুসন্ধান করা যাক। নিম্নলিখিত উদাহরণে, আমরা টেক্সট ইনপুট "ড্রিংকওয়ার গ্লাস" ব্যবহার করি এবং অনুরূপ আইটেমগুলি খুঁজতে সার্চ ইঞ্জিনে পাঠাই।
নিম্নলিখিত স্ক্রিনশট ফলাফল দেখায়.
এখন একটি সাধারণ চিত্রের উপর ভিত্তি করে ফলাফল দেখুন। ইনপুট ইমেজ ভেক্টর এম্বেডিং এ রূপান্তরিত হয় এবং, মিল অনুসন্ধানের উপর ভিত্তি করে, মডেল ফলাফল প্রদান করে।
আপনি যেকোনো ছবি ব্যবহার করতে পারেন, কিন্তু নিম্নলিখিত উদাহরণের জন্য, আমরা আইটেম আইডির উপর ভিত্তি করে ডেটাসেট থেকে একটি র্যান্ডম ছবি ব্যবহার করি (উদাহরণস্বরূপ, item_id
= “B07JCDQWM6”), এবং তারপর অনুরূপ আইটেম খুঁজে পেতে সার্চ ইঞ্জিনে এই ছবিটি পাঠান।
নিম্নলিখিত স্ক্রিনশট ফলাফল দেখায়.
পরিষ্কার কর
ভবিষ্যতের চার্জ এড়াতে, এই সমাধানে ব্যবহৃত সংস্থানগুলি মুছুন। আপনি নোটবুকের ক্লিনআপ বিভাগটি চালিয়ে এটি করতে পারেন।
উপসংহার
এই পোস্টটি শক্তিশালী প্রাসঙ্গিক অনুসন্ধান অ্যাপ্লিকেশন তৈরি করতে অ্যামাজন বেডরকে অ্যামাজন টাইটান মাল্টিমোডাল এমবেডিংস মডেল ব্যবহার করার একটি ওয়াকথ্রু উপস্থাপন করেছে। বিশেষ করে, আমরা একটি পণ্য তালিকা অনুসন্ধান অ্যাপ্লিকেশনের একটি উদাহরণ প্রদর্শন করেছি৷ আমরা দেখেছি কিভাবে এমবেডিং মডেলটি ইমেজ এবং পাঠ্য ডেটা থেকে তথ্যের দক্ষ এবং সঠিক আবিষ্কার সক্ষম করে, যার ফলে প্রাসঙ্গিক আইটেমগুলি অনুসন্ধান করার সময় ব্যবহারকারীর অভিজ্ঞতা বৃদ্ধি পায়।
আমাজন টাইটান মাল্টিমোডাল এমবেডিংস আপনাকে আরও সঠিক এবং প্রাসঙ্গিকভাবে প্রাসঙ্গিক মাল্টিমোডাল অনুসন্ধান, সুপারিশ, এবং শেষ ব্যবহারকারীদের জন্য ব্যক্তিগতকরণ অভিজ্ঞতা পাওয়ার জন্য সাহায্য করে। উদাহরণস্বরূপ, লক্ষ লক্ষ ছবি সহ একটি স্টক ফটোগ্রাফি কোম্পানি তার অনুসন্ধান কার্যকারিতা পাওয়ার জন্য মডেলটি ব্যবহার করতে পারে, যাতে ব্যবহারকারীরা একটি বাক্যাংশ, চিত্র বা চিত্র এবং পাঠ্যের সংমিশ্রণ ব্যবহার করে চিত্রগুলি অনুসন্ধান করতে পারে।
অ্যামাজন বেডরকে অ্যামাজন টাইটান মাল্টিমোডাল এমবেডিং মডেলটি এখন ইউএস ইস্ট (এন. ভার্জিনিয়া) এবং ইউএস ওয়েস্ট (ওরেগন) এডব্লিউএস অঞ্চলে উপলব্ধ৷ আরো জানতে, পড়ুন অ্যামাজন টাইটান ইমেজ জেনারেটর, মাল্টিমোডাল এম্বেডিং এবং টেক্সট মডেলগুলি এখন অ্যামাজন বেডরকে উপলব্ধ, দ্য আমাজন টাইটান পণ্য পাতা, এবং আমাজন বেডরক ইউজার গাইড. অ্যামাজন বেডরকে অ্যামাজন টাইটান মাল্টিমোডাল এমবেডিংয়ের সাথে শুরু করতে, এখানে যান৷ অ্যামাজন বেডরক কনসোল.
অ্যামাজন টাইটান মাল্টিমোডাল এমবেডিংস মডেল দিয়ে নির্মাণ শুরু করুন আমাজন বেডরক আজ.
লেখক সম্পর্কে
সন্দীপ সিং Amazon Web Services-এর একজন সিনিয়র জেনারেটিভ এআই ডেটা সায়েন্টিস্ট, ব্যবসায়িকদের জেনারেটিভ AI দিয়ে উদ্ভাবনে সাহায্য করে। তিনি জেনারেটিভ এআই, কৃত্রিম বুদ্ধিমত্তা, মেশিন লার্নিং এবং সিস্টেম ডিজাইনে বিশেষজ্ঞ। তিনি বিভিন্ন শিল্পের জন্য জটিল ব্যবসায়িক সমস্যা সমাধানের জন্য অত্যাধুনিক এআই/এমএল-চালিত সমাধানগুলি বিকাশের বিষয়ে উত্সাহী, দক্ষতা এবং মাপযোগ্যতা অপ্টিমাইজ করে৷
মণি খানুজা একজন টেক লিড – জেনারেটিভ এআই স্পেশালিস্ট, অ্যাপ্লাইড মেশিন লার্নিং অ্যান্ড হাই পারফরম্যান্স কম্পিউটিং অন এডব্লিউএস বইয়ের লেখক এবং ম্যানুফ্যাকচারিং এডুকেশন ফাউন্ডেশন বোর্ডে মহিলাদের জন্য পরিচালনা পর্ষদের সদস্য। তিনি কম্পিউটার ভিশন, ন্যাচারাল ল্যাঙ্গুয়েজ প্রসেসিং এবং জেনারেটিভ এআই-এর মতো বিভিন্ন ডোমেনে মেশিন লার্নিং প্রকল্পের নেতৃত্ব দেন। তিনি অভ্যন্তরীণ এবং বাহ্যিক সম্মেলনে বক্তৃতা করেন যেমন AWS re:Invent, Women in Manufacturing West, YouTube webinars এবং GHC 23। তার অবসর সময়ে, তিনি সমুদ্র সৈকতে দীর্ঘ দৌড়াতে পছন্দ করেন।
রুপিন্দর গ্রেওয়াল AWS সহ একজন সিনিয়র AI/ML বিশেষজ্ঞ সমাধান স্থপতি। তিনি বর্তমানে Amazon SageMaker-এ মডেল এবং MLOps পরিবেশন করার দিকে মনোনিবেশ করেন। এই ভূমিকার আগে, তিনি মেশিন লার্নিং ইঞ্জিনিয়ার বিল্ডিং এবং হোস্টিং মডেল হিসাবে কাজ করেছিলেন। কাজের বাইরে, তিনি টেনিস খেলা এবং পাহাড়ের পথে বাইক চালানো উপভোগ করেন।
- এসইও চালিত বিষয়বস্তু এবং পিআর বিতরণ। আজই পরিবর্ধিত পান।
- PlatoData.Network উল্লম্ব জেনারেটিভ Ai. নিজেকে ক্ষমতায়িত করুন। এখানে প্রবেশ করুন.
- প্লেটোএআইস্ট্রিম। Web3 ইন্টেলিজেন্স। জ্ঞান প্রসারিত. এখানে প্রবেশ করুন.
- প্লেটোইএসজি। কার্বন, ক্লিনটেক, শক্তি, পরিবেশ সৌর, বর্জ্য ব্যবস্থাপনা. এখানে প্রবেশ করুন.
- প্লেটো হেলথ। বায়োটেক এবং ক্লিনিক্যাল ট্রায়াল ইন্টেলিজেন্স। এখানে প্রবেশ করুন.
- উত্স: https://aws.amazon.com/blogs/machine-learning/build-a-contextual-text-and-image-search-engine-for-product-recommendations-using-amazon-bedrock-and-amazon-opensearch-serverless/
- : আছে
- : হয়
- :না
- :কোথায়
- $ ইউপি
- 1
- 100
- 125
- 212
- 23
- 258
- 411
- 600
- 7
- 89
- a
- ক্ষমতা
- সম্পর্কে
- বিমূর্তন
- প্রবেশ
- অ্যাক্সেসড
- হিসাব
- সঠিক
- দিয়ে
- অতিরিক্ত
- সুবিধা
- AI
- এআই ডেটা
- এআই / এমএল
- সব
- বরাবর
- এছাড়াও
- মর্দানী স্ত্রীলোক
- আমাজন সেজমেকার
- অ্যামাজন ওয়েব সার্ভিসেস
- an
- এবং
- কোণ
- কোন
- আবেদন
- অ্যাপ্লিকেশন
- ফলিত
- পন্থা
- আন্দাজ
- স্থাপত্য
- রয়েছি
- কৃত্রিম
- কৃত্রিম বুদ্ধিমত্তা
- AS
- যুক্ত
- At
- মনোযোগ
- অডিও
- উদ্দীপিত
- লেখক
- সহজলভ্য
- এড়াতে
- ডেস্কটপ AWS
- এডাব্লুএস পুনরায়: উদ্ভাবন
- ভিত্তি
- BE
- সৈকত
- বার্কলে
- মধ্যে
- তক্তা
- পরিচালক পরিচালক
- বই
- নির্মাণ করা
- ভবন
- ব্যবসায়
- ব্যবসা
- কিন্তু
- by
- CAN
- ক্যাপশন
- ক্যাপচার
- চার্জ
- পছন্দ
- বেছে নিন
- নির্বাচন
- শ্রেণীবিন্যাস
- কাছাকাছি
- সিএনএন
- কোড
- সংগ্রহ
- সমাহার
- মিলিত
- সাধারণ
- কোম্পানি
- তুলনা
- সম্পূর্ণ
- সম্পন্ন হয়েছে
- জটিল
- উপাদান
- কম্পিউটার
- কম্পিউটার ভিশন
- কম্পিউটিং
- ধারণাগতভাবে
- সম্মেলন
- কনফিগারেশন
- নিশ্চিত করা
- গঠিত
- কনসোল
- কনজিউমার্স
- বিষয়বস্তু
- বর্ণনাপ্রাসঙ্গিক
- রূপান্তর
- ধর্মান্তরিত
- সম্পর্কযুক্তরূপে
- অনুরূপ
- সৃষ্টি
- নির্মিত
- এখন
- গ্রাহকদের
- কাস্টমাইজ
- উপাত্ত
- তথ্য এক্সেস
- তথ্য বিজ্ঞান
- তথ্য বিজ্ঞানী
- ডেটাবেস
- ডেটাসেট
- ডিফল্ট
- সংজ্ঞায়িত
- প্রদর্শিত
- বোঝায়
- মোতায়েন
- বিবরণ
- নকশা
- পরিকল্পিত
- বিস্তারিত
- বিস্তারিত
- বিকাশ
- উন্নয়নশীল
- উন্নয়ন
- নকশা
- বিভিন্ন
- মাত্রা
- পরিচালক
- আবিষ্কার
- আলোচনা
- প্রদর্শন
- বিচিত্র
- do
- ডোমেইন
- ডোমেইনের
- সময়
- প্রতি
- পূর্ব
- ইকমার্স
- প্রশিক্ষণ
- দক্ষতা
- দক্ষ
- বসান
- এম্বেডিং
- সক্ষম করা
- সক্ষম করা
- সম্ভব
- এনক্রিপশন
- ইঞ্জিন
- প্রকৌশলী
- ইঞ্জিন
- ইংরেজি
- উন্নত করা
- বাড়ায়
- বর্ধনশীল
- পরিবেশ
- ঠিক
- উদাহরণ
- অভিজ্ঞতা
- অভিজ্ঞতা
- ব্যাখ্যা মূলকভাবে
- বহিরাগত
- ঘনিষ্ঠতা
- বৈশিষ্ট্য
- ফাইল
- আবিষ্কার
- প্রথম
- গুরুত্ত্ব
- অনুসরণ
- জন্য
- ভিত
- ফ্রেম
- বিনামূল্যে
- থেকে
- ক্রিয়া
- কার্যকারিতা
- ক্রিয়াকলাপ
- অধিকতর
- লয়
- ভবিষ্যৎ
- উত্পাদন করা
- উত্পন্ন
- উত্পন্ন
- প্রজন্ম
- সৃজক
- জেনারেটিভ এআই
- উত্পাদক
- পাওয়া
- পায়
- Go
- লক্ষ্য
- ভাল
- আছে
- he
- সাহায্য
- সাহায্য
- সাহায্য
- তার
- উচ্চ
- উচ্চস্তর
- ঊর্ধ্বতন
- হোস্টিং
- কিভাবে
- কিভাবে
- এইচটিএমএল
- HTTP
- HTTPS দ্বারা
- প্রচুর
- শত শত
- শত মিলিয়ন
- ID
- if
- প্রকাশ
- ভাবমূর্তি
- চিত্র অনুসন্ধান
- চিত্র
- অবিলম্বে
- বাস্তবায়ন
- বাস্তবায়ন
- গুরুত্বপূর্ণ
- উন্নত করা
- in
- অন্তর্ভুক্ত করা
- অন্তর্ভুক্ত
- সূচক
- ইনডেক্স
- স্বতন্ত্র
- শিল্প
- তথ্য
- পরিবর্তন করা
- ইনপুট
- উদাহরণ
- সংহত
- বুদ্ধিমত্তা
- মিথষ্ক্রিয়া
- পারস্পরিক ক্রিয়ার
- অভ্যন্তরীণ
- মধ্যে
- IT
- আইটেম
- এর
- যৌথ
- JPEG
- চাবি
- ভাষা
- বড়
- বড় আকারের
- স্তর
- নেতৃত্ব
- বিশালাকার
- শিখতে
- শিক্ষা
- শেখে
- লাইব্রেরি
- মত
- পছন্দ
- তালিকা
- তালিকা
- LLM
- দীর্ঘ
- দেখুন
- খুঁজছি
- মেশিন
- মেশিন লার্নিং
- প্রণীত
- তৈরি করে
- উত্পাদন
- ম্যাচ
- মে..
- অর্থপূর্ণ
- মাপ
- পরিমাপ
- মেকানিজম
- সদস্য
- মেনু
- মেটাডাটা
- ছন্দোময়
- লক্ষ লক্ষ
- ML
- এমএলওএস
- মডেল
- মূর্তিনির্মাণ
- মডেল
- অধিক
- পর্বত
- অবশ্যই
- নাম
- নাম
- প্রাকৃতিক
- স্বাভাবিক ভাষা প্রক্রিয়াকরণ
- ন্যাভিগেশন
- প্রতিবেশী
- নেটওয়ার্ক
- নেটওয়ার্ক নিরাপত্তা
- নার্ভীয়
- স্নায়বিক নেটওয়ার্ক
- নতুন
- নোটবই
- এখন
- সংখ্যা
- বস্তু
- of
- on
- চাহিদা সাপেক্ষে
- কেবল
- খোলা
- অপারেশনস
- অপ্টিমিজ
- সর্বোচ্চকরন
- or
- অরেগন
- আমাদের
- আউটপুট
- বাহিরে
- সামগ্রিক
- ওভারভিউ
- প্যাকেজ
- জোড়া
- পান্ডাস
- শার্সি
- বিশেষ
- যন্ত্রাংশ
- কামুক
- সম্পাদন করা
- কর্মক্ষমতা
- সঞ্চালিত
- ব্যক্তিগতকরণ
- ফেজ
- ফটোগ্রাফি
- Plato
- প্লেটো ডেটা ইন্টেলিজেন্স
- প্লেটোডাটা
- কেলি
- নীতি
- নীতি
- পুলিং
- পোস্ট
- ক্ষমতা
- চালিত
- ক্ষমতাশালী
- প্রস্তুত করা
- প্রস্তুতি
- পূর্বশর্ত
- উপস্থাপন
- পূর্বে
- সমস্যা
- প্রক্রিয়া
- প্রক্রিয়াজাতকরণ
- পণ্য
- পণ্য
- প্রোফাইল
- প্রকল্প
- প্রকল্প
- প্রোটোটাইপ
- প্রদান
- প্রদত্ত
- উপলব্ধ
- প্রকাশ্য
- প্রকাশ্যে
- পাইথন
- প্রশ্নের
- প্রশ্ন
- টেনা
- এলোমেলো
- RE
- প্রস্তুত
- প্রকৃত সময়
- সুপারিশ করা
- সুপারিশ
- সুপারিশ
- পড়ুন
- অঞ্চল
- প্রাসঙ্গিক
- চিত্রিত করা
- প্রতিনিধিত্ব
- প্রয়োজনীয়
- Resources
- নিজ নিজ
- ফল
- ফলাফল
- খুচরা
- উদ্ধার
- ফিরতি
- আয়
- ওঠা
- ভূমিকা
- চালান
- দৌড়
- রান
- ঋষি নির্মাতা
- হেতু
- একই
- করাত
- স্কেলেবিলিটি
- বিজ্ঞান
- বিজ্ঞানী
- স্ক্রিনশট
- সার্চ
- খোঁজ যন্ত্র
- সার্চ ইঞ্জিন
- অনুসন্ধানের
- অধ্যায়
- বিভাগে
- নিরাপত্তা
- নির্বাচন
- শব্দার্থিক
- শব্দার্থবিদ্যা
- পাঠান
- জ্যেষ্ঠ
- আলাদা
- Serverless
- স্থল
- সেবা
- সেবা
- ভজনা
- সেট
- ভাগ
- সে
- উচিত
- প্রদর্শনী
- প্রদর্শিত
- শো
- অনুরূপ
- সহজ
- ক্ষুদ্রতর
- So
- সমাধান
- সলিউশন
- সমাধান
- কিছু
- স্থান
- স্পিক্স
- বিশেষজ্ঞ
- বিশেষজ্ঞদের
- বিশেষ
- নির্দিষ্ট
- স্পীড
- শুরু
- রাষ্ট্র-এর-শিল্প
- অবস্থা
- প্রারম্ভিক ব্যবহারের নির্দেশাবলী
- স্টক
- স্টোরেজ
- দোকান
- সঞ্চিত
- সংরক্ষণ
- অকপট
- চিত্রশালা
- এমন
- সমর্থন
- পদ্ধতি
- সিস্টেম
- কাজ
- প্রযুক্তি
- টেনিস
- পাঠ
- পাঠগত
- যে
- সার্জারির
- যৌথ
- তাদের
- তাহাদিগকে
- তারপর
- যার ফলে
- এইগুলো
- এই
- তিন
- দ্বারা
- সময়
- দানব
- থেকে
- আজ
- একসঙ্গে
- শীর্ষ
- প্রশিক্ষণ
- অনুবাদ
- দুই
- অধীনে
- নিম্নাবস্থিত
- বোঝা
- বোধশক্তি
- অনন্য
- us
- ব্যবহার
- ব্যবহৃত
- ব্যবহারকারী
- ব্যবহারকারীর অভিজ্ঞতা
- ব্যবহারকারী
- ব্যবহারসমূহ
- ব্যবহার
- বিভিন্ন
- মাধ্যমে
- ভার্জিনিয়া
- দৃষ্টি
- দেখুন
- , walkthrough
- we
- ওয়েব
- ওয়েব সার্ভিস
- ওয়েবিনার
- পশ্চিম
- কি
- কখন
- যে
- যখন
- উইকিপিডিয়া
- ইচ্ছা
- সঙ্গে
- নারী
- হয়া যাই ?
- কাজ করছে
- কর্মপ্রবাহ
- কাজ
- আপনি
- আপনার
- ইউটিউব
- zephyrnet