সাম্প্রতিক বছরগুলিতে, কম্পিউটার দৃষ্টিতে অগ্রগতি গবেষক, প্রথম প্রতিক্রিয়াশীল এবং সরকারগুলিকে আমাদের গ্রহ এবং এর উপর আমাদের প্রভাব বোঝার জন্য গ্লোবাল স্যাটেলাইট চিত্র প্রক্রিয়াকরণের চ্যালেঞ্জিং সমস্যা মোকাবেলা করতে সক্ষম করেছে৷ AWS সম্প্রতি প্রকাশিত হয়েছে আমাজন সেজমেকার ভূ-স্থানিক ক্ষমতা আপনাকে উপগ্রহ চিত্র এবং ভূ-স্থানিক অত্যাধুনিক মেশিন লার্নিং (ML) মডেলগুলি প্রদান করতে, এই ধরনের ব্যবহারের ক্ষেত্রে বাধাগুলি হ্রাস করে৷ আরো তথ্যের জন্য, পড়ুন পূর্বরূপ: জিওস্পেশিয়াল ডেটা ব্যবহার করে এমএল মডেল তৈরি, প্রশিক্ষণ এবং স্থাপন করতে Amazon SageMaker ব্যবহার করুন.
অনেক সংস্থা, প্রথম প্রতিক্রিয়াশীল সহ, এই অফারগুলিকে বড় আকারের পরিস্থিতিগত সচেতনতা অর্জন করতে এবং প্রাকৃতিক দুর্যোগে ক্ষতিগ্রস্ত ভৌগলিক এলাকায় ত্রাণ প্রচেষ্টাকে অগ্রাধিকার দেওয়ার জন্য ব্যবহার করছে। প্রায়শই এই সংস্থাগুলি কম উচ্চতা এবং স্যাটেলাইট উত্স থেকে দুর্যোগের চিত্র নিয়ে কাজ করে এবং এই ডেটা প্রায়শই লেবেলবিহীন এবং ব্যবহার করা কঠিন। একটি হারিকেন বা দাবানল আঘাত হেনেছে এমন একটি শহরের স্যাটেলাইট চিত্রগুলি দেখার সময় অত্যাধুনিক কম্পিউটার ভিশন মডেলগুলি প্রায়ই কম পারফর্ম করে৷ এই ডেটাসেটের অভাবের কারণে, এমনকি অত্যাধুনিক ML মডেলগুলিও প্রায়শই স্ট্যান্ডার্ড FEMA দুর্যোগ শ্রেণীবিভাগের পূর্বাভাস দেওয়ার জন্য প্রয়োজনীয় নির্ভুলতা এবং নির্ভুলতা সরবরাহ করতে অক্ষম হয়।
ভূ-স্থানিক ডেটাসেটগুলিতে অক্ষাংশ এবং দ্রাঘিমাংশের স্থানাঙ্ক এবং টাইমস্ট্যাম্পের মতো দরকারী মেটাডেটা থাকে, যা এই চিত্রগুলির জন্য প্রসঙ্গ সরবরাহ করতে পারে। এটি দুর্যোগের দৃশ্যের জন্য ভূ-স্থানিক ML-এর যথার্থতা উন্নত করতে বিশেষভাবে সহায়ক, কারণ এই চিত্রগুলি সহজাতভাবে অগোছালো এবং বিশৃঙ্খল। ভবনগুলি কম আয়তক্ষেত্রাকার, গাছপালা স্থায়ীভাবে ক্ষতিগ্রস্থ হয়েছে এবং বন্যা বা কাদা ধসে রৈখিক রাস্তাগুলি বাধাগ্রস্ত হয়েছে। যেহেতু এই বিশাল ডেটাসেটগুলিকে লেবেল করা ব্যয়বহুল, ম্যানুয়াল এবং সময়সাপেক্ষ, তাই এমএল মডেলগুলির বিকাশ যা ইমেজ লেবেলিং এবং টীকা স্বয়ংক্রিয় করতে পারে তা গুরুত্বপূর্ণ।
এই মডেলটি প্রশিক্ষণের জন্য, আমাদের একটি লেবেলযুক্ত গ্রাউন্ড ট্রুথ উপসেট প্রয়োজন নিম্ন উচ্চতার দুর্যোগ চিত্র (LADI) ডেটাসেট. এই ডেটাসেটে 2015-2019 থেকে বিভিন্ন দুর্যোগ প্রতিক্রিয়ার সমর্থনে সিভিল এয়ার পেট্রোল দ্বারা সংগৃহীত মানুষের এবং মেশিনের টীকাযুক্ত বায়ুবাহিত চিত্র রয়েছে। এই LADI ডেটাসেটগুলি আটলান্টিক হারিকেন ঋতু এবং আটলান্টিক মহাসাগর এবং মেক্সিকো উপসাগর বরাবর উপকূলীয় রাজ্যগুলিতে ফোকাস করে৷ দুটি মূল পার্থক্য হল কম উচ্চতা, চিত্রের তির্যক দৃষ্টিভঙ্গি এবং দুর্যোগ-সম্পর্কিত বৈশিষ্ট্য, যা কম্পিউটার ভিশন বেঞ্চমার্ক এবং ডেটাসেটে খুব কমই দেখা যায়। দলগুলি বন্যা, ধ্বংসাবশেষ, আগুন এবং ধোঁয়া, বা ভূমিধসের মতো ক্ষতির জন্য বিদ্যমান FEMA বিভাগগুলি ব্যবহার করেছে, যা লেবেল বিভাগগুলিকে প্রমিত করেছে। সমাধানটি তখন প্রশিক্ষণের বাকি ডেটার উপর ভবিষ্যদ্বাণী করতে সক্ষম হয় এবং মানুষের পর্যালোচনার জন্য নিম্ন-আস্থার ফলাফলগুলিকে রুট করে।
এই পোস্টে, আমরা সমাধানের আমাদের নকশা এবং বাস্তবায়ন, সর্বোত্তম অনুশীলন এবং সিস্টেম আর্কিটেকচারের মূল উপাদানগুলি বর্ণনা করি।
সমাধান ওভারভিউ
সংক্ষেপে, সমাধান তিনটি পাইপলাইন নির্মাণ জড়িত:
- ডেটা পাইপলাইন - ছবিগুলির মেটাডেটা বের করে
- মেশিন লার্নিং পাইপলাইন - শ্রেণীবদ্ধ করুন এবং ইমেজ লেবেল
- হিউম্যান-ইন-দ্য-লুপ পর্যালোচনা পাইপলাইন - ফলাফল পর্যালোচনা করার জন্য একটি মানব দল ব্যবহার করে
নিম্নলিখিত চিত্রটি সমাধানের স্থাপত্যকে চিত্রিত করে।
এই ধরনের একটি লেবেলিং সিস্টেমের প্রকৃতির প্রেক্ষিতে, আমরা একটি অনুভূমিকভাবে স্কেলযোগ্য আর্কিটেকচার ডিজাইন করেছি যা সার্ভারহীন আর্কিটেকচার ব্যবহার করে অতিরিক্ত ব্যবস্থা না করেই ইনজেশন স্পাইকগুলি পরিচালনা করবে। আমরা থেকে একটি এক থেকে অনেক প্যাটার্ন ব্যবহার অ্যামাজন সরল সারি পরিষেবা (Amazon SQS) থেকে এডাব্লুএস ল্যাম্বদা এই ইনজেশন স্পাইকগুলিকে সমর্থন করার জন্য একাধিক জায়গায়, স্থিতিস্থাপকতা অফার.
প্রক্রিয়াকরণের জন্য একটি SQS সারি ব্যবহার করা আমাজন সিম্পল স্টোরেজ সার্ভিস (Amazon S3) ইভেন্টগুলি আমাদেরকে ডাউনস্ট্রিম প্রসেসিং (ল্যাম্বডা ফাংশন, এই ক্ষেত্রে) এর সামঞ্জস্য নিয়ন্ত্রণ করতে এবং ডেটার ইনকামিং স্পাইকগুলি পরিচালনা করতে সহায়তা করে। সারিবদ্ধ ইনকামিং বার্তাগুলি ডাউনস্ট্রিমে কোনও ব্যর্থতার ক্ষেত্রে বাফার স্টোরেজ হিসাবেও কাজ করে।
অত্যন্ত সমান্তরাল চাহিদার পরিপ্রেক্ষিতে, আমরা আমাদের ছবিগুলি প্রক্রিয়া করার জন্য Lambda বেছে নিয়েছি। Lambda হল একটি সার্ভারবিহীন কম্পিউট পরিষেবা যা আমাদের সার্ভারগুলিকে প্রভিশন বা পরিচালনা ছাড়াই কোড চালাতে দেয়, কাজের চাপ-সচেতন ক্লাস্টার স্কেলিং লজিক তৈরি করতে, ইভেন্ট ইন্টিগ্রেশন বজায় রাখতে এবং রানটাইম পরিচালনা করতে দেয়।
আমরা ব্যাবহার করি আমাজন ওপেন সার্চ সার্ভিস আমাদের সেন্ট্রাল ডেটা স্টোর হিসাবে এর উচ্চ মাপযোগ্য, দ্রুত অনুসন্ধান এবং সমন্বিত ভিজ্যুয়ালাইজেশন টুল, OpenSearch ড্যাশবোর্ডের সুবিধা নিতে। এটি আমাদেরকে পুনঃসংকলন বা পুনঃস্কেল না করে এবং স্কিমা বিবর্তন পরিচালনা না করেই চিত্রটিতে পুনরাবৃত্তিমূলকভাবে প্রসঙ্গ যোগ করতে সক্ষম করে।
আমাজন রেকোনিশন প্রমাণিত, উচ্চ মাপযোগ্য, গভীর শিক্ষার প্রযুক্তি ব্যবহার করে আমাদের অ্যাপ্লিকেশনগুলিতে চিত্র এবং ভিডিও বিশ্লেষণ যোগ করা সহজ করে তোলে। Amazon Recognition-এর সাহায্যে আমরা শনাক্ত করা বস্তুর একটি ভাল বেসলাইন পাই।
নিম্নলিখিত বিভাগে, আমরা আরও বিশদে প্রতিটি পাইপলাইনে ডুব দিই।
ডেটা পাইপলাইন
নিম্নলিখিত চিত্রটি ডেটা পাইপলাইনের কার্যপ্রবাহ দেখায়।
LADI ডেটা পাইপলাইন থেকে শুরু হয় কাঁচা ডেটা ইমেজ ইনজেশনের মাধ্যমে FEMA কমন অ্যালার্টিং প্রোটোকল (CAP) একটি S3 বালতি মধ্যে. আমরা যখন ইমেজগুলিকে কাঁচা ডেটা বালতিতে প্রবেশ করিয়ে ফেলি, সেগুলি দুটি ধাপে প্রায় বাস্তব সময়ে প্রক্রিয়া করা হয়:
- S3 বাকেট সমস্ত অবজেক্ট সৃষ্টির জন্য ইভেন্ট বিজ্ঞপ্তিগুলিকে ট্রিগার করে, প্রতিটি ইমেজের জন্য SQS সারিতে বার্তা তৈরি করে।
- SQS কিউ একই সাথে ইমেজে প্রিপ্রসেসিং ল্যাম্বডা ফাংশনগুলিকে আহ্বান করে।
Lambda ফাংশন নিম্নলিখিত প্রিপ্রসেসিং পদক্ষেপগুলি সম্পাদন করে:
- প্রতিটি ছবির জন্য UUID গণনা করুন, প্রতিটি ছবির জন্য একটি অনন্য শনাক্তকারী প্রদান করুন। এই আইডিটি চিত্রটিকে তার সমগ্র জীবনচক্রের জন্য চিহ্নিত করবে।
- ছবি থেকে জিপিএস স্থানাঙ্ক, ছবির আকার, জিআইএস তথ্য এবং S3 অবস্থানের মতো মেটাডেটা বের করুন এবং এটিকে ওপেনসার্চে চালিয়ে যান।
- FIPS কোডগুলির বিরুদ্ধে একটি সন্ধানের উপর ভিত্তি করে, ফাংশনটি চিত্রটিকে কিউরেটেড ডেটা S3 বালতিতে নিয়ে যায়। আমরা চিত্রের FIPS-স্টেট-কোড/FIPS-কাউন্টি-কোড/বছর/মাস দ্বারা ডেটা ভাগ করি।
মেশিন লার্নিং পাইপলাইন
ML পাইপলাইন ডাটা পাইপলাইন ধাপে কিউরেটেড ডেটা S3 বালতিতে অবতরণ করা ছবি থেকে শুরু হয়, যা নিম্নলিখিত ধাপগুলিকে ট্রিগার করে:
- কিউরেটেড ডেটা S3 বালতিতে তৈরি প্রতিটি বস্তুর জন্য Amazon S3 অন্য SQS সারিতে একটি বার্তা তৈরি করে।
- SQS সারি একই সাথে Lambda ফাংশনগুলিকে ইমেজে এমএল ইনফারেন্স কাজ চালানোর জন্য ট্রিগার করে।
Lambda ফাংশন নিম্নলিখিত ক্রিয়া সম্পাদন করে:
- বস্তু সনাক্তকরণের জন্য প্রতিটি ছবি অ্যামাজন রেকগনিশনে পাঠান, ফিরে আসা লেবেল এবং সংশ্লিষ্ট আত্মবিশ্বাসের স্কোর সংরক্ষণ করুন।
- আমাদের জন্য ইনপুট পরামিতিতে Amazon Recognition আউটপুট রচনা করুন আমাজন সেজমেকার মাল্টি-মডেল শেষ বিন্দু। এই এন্ডপয়েন্টটি আমাদের ক্লাসিফায়ারগুলির সংমিশ্রণকে হোস্ট করে, যেগুলি ক্ষতির লেবেলের নির্দিষ্ট সেটগুলির জন্য প্রশিক্ষিত।
- SageMaker এন্ডপয়েন্ট এর ফলাফল পাস করুন অ্যামাজন অগমেন্টেড এআই (অ্যামাজন এ 2 আই)।
নিম্নলিখিত চিত্রটি পাইপলাইনের কার্যপ্রবাহকে চিত্রিত করে।
হিউম্যান-ইন-দ্য-লুপ পর্যালোচনা পাইপলাইন
নিম্নলিখিত চিত্রটি হিউম্যান-ইন-দ্য-লুপ (এইচআইএল) পাইপলাইনকে চিত্রিত করে।
Amazon A2I-এর সাহায্যে, আমরা থ্রেশহোল্ডগুলি কনফিগার করতে পারি যা একটি প্রাইভেট টিমের দ্বারা একটি মানবিক পর্যালোচনাকে ট্রিগার করবে যখন একটি মডেল কম আত্মবিশ্বাসের পূর্বাভাস দেয়। আমরা আমাদের মডেলের ভবিষ্যদ্বাণীগুলির একটি চলমান অডিট প্রদান করতে Amazon A2I ব্যবহার করতে পারি। কর্মপ্রবাহের ধাপগুলি নিম্নরূপ:
- Amazon A2I ওপেনসার্চ সার্ভিসে উচ্চ আত্মবিশ্বাসের পূর্বাভাস দেয়, ছবির লেবেল ডেটা আপডেট করে।
- Amazon A2I ম্যানুয়ালি ছবি টীকা করার জন্য ব্যক্তিগত দলকে স্বল্প আত্মবিশ্বাসের পূর্বাভাস দেয়।
- মানব পর্যালোচক টীকাটি সম্পূর্ণ করে, একটি মানব টীকা আউটপুট ফাইল তৈরি করে যা HIL আউটপুট S3 বালতিতে সংরক্ষণ করা হয়।
- HIL আউটপুট S3 বালতি একটি Lambda ফাংশন ট্রিগার করে যা মানুষের টীকা আউটপুট পার্স করে এবং OpenSearch পরিষেবাতে ছবির ডেটা আপডেট করে।
মানুষের টীকা ফলাফলগুলিকে ডাটা স্টোরে রুট করার মাধ্যমে, আমরা এনসেম্বল মডেলগুলিকে পুনরায় প্রশিক্ষণ দিতে পারি এবং পুনরাবৃত্তিমূলকভাবে মডেলের যথার্থতা উন্নত করতে পারি।
আমাদের উচ্চ-মানের ফলাফলগুলি এখন OpenSearch পরিষেবাতে সংরক্ষণ করা হয়েছে, আমরা একটি REST API এর মাধ্যমে ভূ-স্থানিক এবং অস্থায়ী অনুসন্ধান করতে সক্ষম, ব্যবহার করে অ্যামাজন এপিআই গেটওয়ে এবং জিওসার্ভার। ওপেনসার্চ ড্যাশবোর্ড ব্যবহারকারীদের এই ডেটাসেটের সাথে অনুসন্ধান এবং বিশ্লেষণ চালাতে সক্ষম করে।
ফলাফল
নিম্নলিখিত কোড আমাদের ফলাফলের একটি উদাহরণ দেখায়.
এই নতুন পাইপলাইনের মাধ্যমে, আমরা এমন মডেলগুলির জন্য একটি মানব ব্যাকস্টপ তৈরি করি যেগুলি এখনও সম্পূর্ণরূপে কার্যকর নয়৷ এই নতুন ML পাইপলাইনটি a এর সাথে ব্যবহারের জন্য উৎপাদনে রাখা হয়েছে সিভিল এয়ার পেট্রোল ইমেজ ফিল্টার microservice যা পুয়ের্তো রিকোতে সিভিল এয়ার পেট্রোল ইমেজ ফিল্টার করার অনুমতি দেয়। এটি প্রথম প্রতিক্রিয়াকারীদের ক্ষতির পরিমাণ দেখতে এবং হারিকেনের পরে সেই ক্ষতির সাথে সম্পর্কিত চিত্রগুলি দেখতে সক্ষম করে। AWS ডেটা ল্যাব, AWS ওপেন ডেটা প্রোগ্রাম, Amazon ডিজাস্টার রেসপন্স টিম, এবং AWS হিউম্যান-ইন-দ্য-লুপ টিম একটি ওপেন-সোর্স পাইপলাইন তৈরি করতে গ্রাহকদের সাথে কাজ করেছে যা ওপেন ডেটাতে সঞ্চিত সিভিল এয়ার পেট্রোল ডেটা বিশ্লেষণ করতে ব্যবহার করা যেতে পারে। যেকোনো প্রাকৃতিক দুর্যোগের পর চাহিদা অনুযায়ী প্রোগ্রাম রেজিস্ট্রি। পাইপলাইন আর্কিটেকচার এবং সহযোগিতা এবং প্রভাবের একটি ওভারভিউ সম্পর্কে আরও তথ্যের জন্য, ভিডিওটি দেখুন অ্যামাজন অগমেন্টেড এআই, এডব্লিউএস ওপেন ডেটা প্রোগ্রাম এবং এডব্লিউএস স্নোবলের সাহায্যে দুর্যোগ প্রতিক্রিয়ার উপর দৃষ্টি নিবদ্ধ করা.
উপসংহার
যেহেতু জলবায়ু পরিবর্তন ঝড় এবং দাবানলের ফ্রিকোয়েন্সি এবং তীব্রতা বৃদ্ধি করে চলেছে, আমরা স্থানীয় সম্প্রদায়ের উপর এই ঘটনাগুলির প্রভাব বোঝার জন্য ML ব্যবহার করার গুরুত্ব দেখতে পাচ্ছি। এই নতুন সরঞ্জামগুলি দুর্যোগ প্রতিক্রিয়ার প্রচেষ্টাকে ত্বরান্বিত করতে পারে এবং সক্রিয় শিক্ষার সাথে এই মডেলগুলির পূর্বাভাস নির্ভুলতা উন্নত করতে আমাদের এই পোস্ট-ইভেন্ট বিশ্লেষণগুলি থেকে ডেটা ব্যবহার করার অনুমতি দেয়। এই নতুন ML মডেলগুলি ডেটা টীকাকে স্বয়ংক্রিয় করতে পারে, যা আমাদের এই প্রতিটি ইভেন্ট থেকে ক্ষতির পরিমাণ অনুমান করতে সক্ষম করে কারণ আমরা মানচিত্র ডেটার সাথে ক্ষতির লেবেলগুলিকে ওভারলে করি৷ সেই ক্রমবর্ধমান ডেটা ভবিষ্যতের দুর্যোগ ইভেন্টগুলির জন্য ক্ষতির পূর্বাভাস দেওয়ার ক্ষমতাকে উন্নত করতেও সাহায্য করতে পারে, যা প্রশমন কৌশলগুলিকে জানাতে পারে। এর ফলে সিদ্ধান্ত গ্রহণকারীদের এই উদীয়মান পরিবেশগত হুমকি মোকাবেলায় ডেটা-চালিত নীতিগুলি বিকাশের জন্য প্রয়োজনীয় তথ্য দেওয়ার মাধ্যমে সম্প্রদায়, অর্থনীতি এবং বাস্তুতন্ত্রের স্থিতিস্থাপকতা উন্নত করতে পারে।
এই ব্লগ পোস্টে আমরা স্যাটেলাইট ইমেজের উপর কম্পিউটার ভিশন ব্যবহার করে আলোচনা করেছি। এই সমাধানটি একটি রেফারেন্স আর্কিটেকচার বা একটি দ্রুত শুরু নির্দেশিকা যা আপনি আপনার নিজের প্রয়োজনের জন্য কাস্টমাইজ করতে পারেন।
এটিকে একটি ঘূর্ণি দিন এবং মন্তব্য বিভাগে প্রতিক্রিয়া জানিয়ে এটি কীভাবে আপনার ব্যবহারের ক্ষেত্রে সমাধান করেছে তা আমাদের জানান। আরও তথ্যের জন্য, দেখুন আমাজন সেজমেকার ভূ-স্থানিক ক্ষমতা.
লেখক সম্পর্কে
বংশী কৃষ্ণ এনাবোথলা AWS-এর একজন সিনিয়র অ্যাপ্লাইড এআই স্পেশালিস্ট আর্কিটেক্ট। উচ্চ-প্রভাবিত ডেটা, বিশ্লেষণ এবং মেশিন লার্নিং উদ্যোগকে ত্বরান্বিত করতে তিনি বিভিন্ন সেক্টরের গ্রাহকদের সাথে কাজ করেন। তিনি AI এবং ML-এ সুপারিশ সিস্টেম, এনএলপি, এবং কম্পিউটার ভিশন এলাকা সম্পর্কে উত্সাহী। কাজের বাইরে, ভামশি একজন RC উত্সাহী, RC সরঞ্জাম (বিমান, গাড়ি এবং ড্রোন) তৈরি করেন এবং বাগান করাও উপভোগ করেন।
মরগান ডাটন অ্যামাজন অগমেন্টেড এআই এবং অ্যামাজন সেজমেকার গ্রাউন্ড ট্রুথ দলের একজন সিনিয়র টেকনিক্যাল প্রোগ্রাম ম্যানেজার। তিনি এন্টারপ্রাইজ, একাডেমিক এবং পাবলিক সেক্টরের গ্রাহকদের সাথে মেশিন লার্নিং এবং হিউম্যান-ইন-দ্য-লুপ ML পরিষেবাগুলিকে ত্বরান্বিত করতে কাজ করেন।
সন্দীপ ভার্মা AWS সহ একজন সিনিয়র প্রোটোটাইপিং আর্কিটেক্ট। তিনি গ্রাহকদের চ্যালেঞ্জের গভীরে ডুব দেওয়া এবং উদ্ভাবনকে ত্বরান্বিত করার জন্য গ্রাহকদের জন্য প্রোটোটাইপ তৈরি করা উপভোগ করেন। তার AI/ML-এ একটি পটভূমি রয়েছে, নতুন জ্ঞানের প্রতিষ্ঠাতা এবং সাধারণত প্রযুক্তি সম্পর্কে উত্সাহী। তার অবসর সময়ে, তিনি তার পরিবারের সাথে ভ্রমণ এবং স্কিইং পছন্দ করেন।
- এসইও চালিত বিষয়বস্তু এবং পিআর বিতরণ। আজই পরিবর্ধিত পান।
- প্লেটোব্লকচেন। Web3 মেটাভার্স ইন্টেলিজেন্স। জ্ঞান প্রসারিত. এখানে প্রবেশ করুন.
- উত্স: https://aws.amazon.com/blogs/machine-learning/accelerate-disaster-response-with-computer-vision-for-satellite-imagery-using-amazon-sagemaker-and-amazon-augmented-ai/
- 100
- 7
- 98
- a
- ক্ষমতা
- সক্ষম
- সম্পর্কে
- একাডেমিক
- দ্রুততর করা
- সঠিকতা
- স্টক
- সক্রিয়
- কাজ
- ঠিকানা
- গ্রহণ
- অগ্রগতি
- সুবিধা
- বিরুদ্ধে
- সংস্থা
- AI
- এআই / এমএল
- এয়ার
- সব
- অনুমতি
- মর্দানী স্ত্রীলোক
- অ্যামাজন অগমেন্টেড এআই
- আমাজন রেকোনিশন
- আমাজন সেজমেকার
- আমাজন সেজমেকার গ্রাউন্ড ট্রুথ
- বিশ্লেষণ
- বিশ্লেষণ
- বৈশ্লেষিক ন্যায়
- বিশ্লেষণ করা
- এবং
- অন্য
- API
- অ্যাপ্লিকেশন
- ফলিত
- প্রয়োগকৃত এআই
- স্থাপত্য
- এলাকার
- যুক্ত
- নিরীক্ষা
- উদ্দীপিত
- স্বয়ংক্রিয় পদ্ধতি প্রয়োগ করা
- সচেতনতা
- ডেস্কটপ AWS
- পিছনে
- পটভূমি
- কেল্লা
- বাধা
- বেসলাইন
- কারণ
- benchmarks
- সর্বোত্তম
- সেরা অভ্যাস
- ব্লগ
- বাফার
- নির্মাণ করা
- ভবন
- টুপি
- কার
- কেস
- মামলা
- বিভাগ
- মধ্য
- চ্যালেঞ্জ
- চ্যালেঞ্জিং
- পরিবর্তন
- চেক
- বেছে
- শহর
- জলবায়ু
- জলবায়ু পরিবর্তন
- গুচ্ছ
- কোড
- সহযোগিতা
- মন্তব্য
- সাধারণ
- সম্প্রদায়গুলি
- সমাপ্ত
- উপাদান
- গনা
- কম্পিউটার
- কম্পিউটার ভিশন
- বিশ্বাস
- ধারণ করা
- প্রসঙ্গ
- অবিরত
- চলতে
- নিয়ন্ত্রণ
- সৃষ্টি
- নির্মিত
- তৈরি করা হচ্ছে
- সৃষ্টি
- সংকটপূর্ণ
- প্লেলিস্টে যোগ করা
- ক্রেতা
- গ্রাহকদের
- কাস্টমাইজ
- ড্যাশবোর্ড
- উপাত্ত
- তথ্য চালিত
- ডেটাসেট
- ডিলিং
- নীতি নির্ধারক
- গভীর
- গভীর জ্ঞানার্জন
- প্রদান করা
- চাহিদা
- স্থাপন
- বর্ণনা করা
- নকশা
- পরিকল্পিত
- বিস্তারিত
- সনাক্ত
- সনাক্তকরণ
- বিকাশ
- উন্নয়ন
- বিভিন্ন
- কঠিন
- বিপর্যয়
- দুর্যোগ
- আলোচনা
- ড্রোন
- প্রতি
- অর্থনীতির
- ইকোসিস্টেম
- প্রচেষ্টা
- শিরীষের গুঁড়ো
- সক্ষম করা
- সম্ভব
- শেষপ্রান্ত
- উদ্যোগ
- কৌতূহলী ব্যক্তি
- সমগ্র
- পরিবেশ
- উপকরণ
- বিশেষত
- এমন কি
- ঘটনা
- ঘটনাবলী
- বিবর্তন
- উদাহরণ
- বিদ্যমান
- ব্যয়বহুল
- চায়ের
- পরিবার
- দ্রুত
- সুগঠনবিশিষ্ট
- বৈশিষ্ট্য
- প্রতিক্রিয়া
- ফাইল
- ছাঁকনি
- ফিল্টারিং
- আগুন
- প্রথম
- কেন্দ্রবিন্দু
- অনুসরণ
- অনুসরণ
- প্রতিষ্ঠাতা
- বিনামূল্যে
- ফ্রিকোয়েন্সি
- থেকে
- সম্পূর্ণরূপে
- ক্রিয়া
- ক্রিয়াকলাপ
- ভবিষ্যৎ
- লাভ করা
- সাধারণত
- উত্পন্ন
- উৎপাদিত
- ভৌগলিক
- ভূ-স্থানিক এমএল
- পাওয়া
- প্রদত্ত
- দান
- বিশ্বব্যাপী
- ভাল
- সরকার
- জিপিএস
- স্থল
- কৌশল
- হাতল
- জমিদারি
- সাহায্য
- সহায়ক
- সাহায্য
- উচ্চ
- উচ্চ গুনসম্পন্ন
- অত্যন্ত
- আঘাত
- হোস্ট
- কিভাবে
- এইচটিএমএল
- HTTPS দ্বারা
- মানবীয়
- হ্যারিকেন
- ID
- আইডেন্টিফায়ার
- সনাক্ত করা
- ভাবমূর্তি
- চিত্র
- প্রভাব
- বাস্তবায়ন
- গুরুত্ব
- উন্নত করা
- উন্নতি
- in
- সুদ্ধ
- ইনকামিং
- বৃদ্ধি
- তথ্য
- উদ্যোগ
- ইনোভেশন
- ইনপুট
- সংহত
- ঐক্যবদ্ধতার
- বিঘ্নিত
- পূজা
- জড়িত
- IT
- কাজ
- চাবি
- জানা
- জ্ঞান
- গবেষণাগার
- লেবেল
- লেবেল
- লেবেলগুলি
- রং
- অবতরণ
- বড় আকারের
- শিক্ষা
- ছোড়
- যাক
- জীবনচক্র
- স্থানীয়
- অবস্থান
- খুঁজছি
- খুঁজে দেখো
- কম
- মেশিন
- মেশিন লার্নিং
- নিয়ন্ত্রণের
- করা
- তৈরি করে
- পরিচালক
- পরিচালক
- ম্যানুয়াল
- ম্যানুয়ালি
- মানচিত্র
- মানচিত্র
- বৃহদায়তন
- বার্তা
- বার্তা
- মেটাডাটা
- মেক্সিকো
- প্রশমন
- ML
- মডেল
- মডেল
- অধিক
- প্যাচসমূহ
- মাল্টি-মডেল এন্ডপয়েন্ট
- বহু
- প্রাকৃতিক
- প্রকৃতি
- প্রয়োজন
- চাহিদা
- নতুন
- NLP
- বিজ্ঞপ্তি
- লক্ষ্য
- বস্তু সনাক্তকরণ
- বস্তু
- মহাসাগর
- অর্ঘ
- নিরন্তর
- খোলা
- ওপেন ডেটা
- ওপেন সোর্স
- বাহিরে
- ওভারভিউ
- নিজের
- সমান্তরাল
- পরামিতি
- কামুক
- প্যাটার্ন
- সম্পাদন করা
- পরিপ্রেক্ষিত
- পাইপলাইন
- গ্রহ
- Plato
- প্লেটো ডেটা ইন্টেলিজেন্স
- প্লেটোডাটা
- পোস্ট
- চর্চা
- স্পষ্টতা
- ভবিষ্যদ্বাণী করা
- ভবিষ্যদ্বাণী
- ভবিষ্যতবাণী
- অগ্রাধিকার
- ব্যক্তিগত
- সমস্যা
- প্রক্রিয়া
- প্রক্রিয়াকৃত
- প্রক্রিয়াজাতকরণ
- উত্পাদনের
- কার্যক্রম
- প্রোটোকল
- এগুলির নমুনা
- প্রোটোটাইপিং
- প্রমাণিত
- প্রদান
- প্রদানের
- প্রকাশ্য
- বন্দর
- পুয়ের্তো রিকো
- করা
- দ্রুত
- কাঁচা
- সাম্প্রতিক
- সম্প্রতি
- সুপারিশ
- হ্রাস
- রেজিস্ট্রি
- মুক্ত
- মুক্তি
- প্রয়োজনীয়
- গবেষকরা
- স্থিতিস্থাপকতা
- নিজ নিজ
- প্রতিক্রিয়া
- বিশ্রাম
- ফলাফল
- এখানে ক্লিক করুন
- রিকো
- রুট
- যাত্রাপথ
- চালান
- ঋষি নির্মাতা
- উপগ্রহ
- মাপযোগ্য
- আরোহী
- লোকচক্ষুর
- সার্চ
- ঋতু
- অধ্যায়
- বিভাগে
- সেক্টর
- সেক্টর
- জ্যেষ্ঠ
- Serverless
- সার্ভারের
- সেবা
- সেবা
- সেট
- শো
- সহজ
- আয়তন
- ধোঁয়া
- স্ন্যাপশট
- সমাধান
- সোর্স
- বিশেষজ্ঞ
- নির্দিষ্ট
- স্পাইক
- মান
- শুরু
- শুরু
- রাষ্ট্র-এর-শিল্প
- যুক্তরাষ্ট্র
- ধাপ
- প্রারম্ভিক ব্যবহারের নির্দেশাবলী
- স্টোরেজ
- দোকান
- সঞ্চিত
- ঝড়
- কৌশল
- এমন
- সমর্থন
- পদ্ধতি
- সিস্টেম
- গ্রহণ করা
- টীম
- দল
- প্রযুক্তি
- কারিগরী
- প্রযুক্তিঃ
- সার্জারির
- তথ্য
- হুমকি
- তিন
- সময়
- সময় অপগিত হয় এমন
- থেকে
- টুল
- সরঞ্জাম
- রেলগাড়ি
- প্রশিক্ষিত
- প্রশিক্ষণ
- ভ্রমণ
- ট্রিগার
- চালু
- ধরনের
- বোঝা
- অনন্য
- আপডেট
- আপডেট
- us
- ব্যবহার
- ব্যবহার ক্ষেত্রে
- ব্যবহারকারী
- বিভিন্ন
- মাধ্যমে
- ভিডিও
- চেক
- দৃষ্টি
- কল্পনা
- যে
- ইচ্ছা
- ছাড়া
- হয়া যাই ?
- কাজ করছে
- কাজ
- would
- বছর
- উৎপাদনের
- আপনি
- আপনার
- ইউটিউব
- zephyrnet