2021 সালে, আমরা চালু করেছি AWS সমর্থন সক্রিয় পরিষেবা এর অংশ হিসাবে AWS এন্টারপ্রাইজ সাপোর্ট পরিকল্পনা এর প্রবর্তনের পর থেকে, আমরা শত শত গ্রাহকদের তাদের কাজের চাপ অপ্টিমাইজ করতে, রেললাইন সেট করতে এবং তাদের মেশিন লার্নিং (ML) কাজের চাপের খরচ এবং ব্যবহারের দৃশ্যমানতা উন্নত করতে সাহায্য করেছি।
এই সিরিজের পোস্টগুলিতে, আমরা খরচ অপ্টিমাইজ করার বিষয়ে শেখা পাঠগুলি শেয়ার করি৷ আমাজন সেজমেকার. মধ্যে পার্ট 1, আমরা দেখিয়েছি কিভাবে ব্যবহার শুরু করতে হয় AWS কস্ট এক্সপ্লোরার SageMaker-এ খরচ অপ্টিমাইজেশানের সুযোগ সনাক্ত করতে। এই পোস্টে, আমরা সেজমেকার অনুমান পরিবেশের উপর ফোকাস করি: রিয়েল-টাইম ইনফারেন্স, ব্যাচ ট্রান্সফর্ম, অ্যাসিঙ্ক্রোনাস ইনফারেন্স এবং সার্ভারহীন অনুমান।
SageMaker একাধিক অনুমান বিকল্প অফার করে আপনার কাজের চাপের প্রয়োজনীয়তার উপর ভিত্তি করে বেছে নেওয়ার জন্য:
- রিয়েল-টাইম অনুমান অনলাইন, কম লেটেন্সি বা উচ্চ থ্রুপুট প্রয়োজনীয়তার জন্য
- ব্যাচ রূপান্তর অফলাইন, নির্ধারিত প্রক্রিয়াকরণের জন্য এবং যখন আপনার একটি স্থায়ী শেষ পয়েন্টের প্রয়োজন হয় না
- অ্যাসিঙ্ক্রোনাস অনুমান যখন আপনার কাছে দীর্ঘ প্রক্রিয়াকরণের সময় সহ বড় পেলোড থাকে এবং অনুরোধগুলি সারিবদ্ধ করতে চান
- সার্ভারহীন অনুমান যখন আপনার মাঝে মাঝে বা অপ্রত্যাশিত ট্র্যাফিক প্যাটার্ন থাকে এবং আপনি ঠান্ডা শুরু সহ্য করতে পারেন
নিম্নলিখিত বিভাগগুলিতে, আমরা প্রতিটি অনুমান বিকল্পকে আরও বিশদে আলোচনা করি।
সেজমেকার রিয়েল-টাইম ইনফারেন্স
যখন আপনি একটি এন্ডপয়েন্ট তৈরি করেন, সেজমেকার একটি সংযুক্ত করে আমাজন ইলাস্টিক ব্লক স্টোর (Amazon EBS) স্টোরেজ ভলিউম অ্যামাজন ইলাস্টিক কম্পিউট ক্লাউড (Amazon EC2) উদাহরণ যা শেষ পয়েন্ট হোস্ট করে। এসএসডি স্টোরেজের সাথে আসে না এমন সমস্ত উদাহরণের জন্য এটি সত্য। যেহেতু d* উদাহরণের ধরনগুলি একটি NVMe SSD স্টোরেজের সাথে আসে, সেজমেকার এই ML কম্পিউট দৃষ্টান্তগুলির সাথে একটি EBS স্টোরেজ ভলিউম সংযুক্ত করে না। নির্দেশ করে হোস্ট ইনস্ট্যান্স স্টোরেজ ভলিউম স্টোরেজ ভলিউমগুলির আকারের জন্য যা SageMaker প্রতিটি ইন্সট্যান্স টাইপের জন্য একটি একক এন্ডপয়েন্ট এবং একটি মাল্টি-মডেল এন্ডপয়েন্টের জন্য সংযুক্ত করে।
সেজমেকার রিয়েল-টাইম এন্ডপয়েন্টের খরচ প্রতিটি ইন্সট্যান্স-ঘণ্টা প্রতি ইন্সট্যান্স-ঘণ্টার উপর ভিত্তি করে তৈরি করা হয় যখন এন্ডপয়েন্ট চালু থাকে, GB-মাসের প্রভিশন স্টোরেজের খরচ (EBS ভলিউম) এবং সেইসাথে ভিতরে এবং বাইরে প্রসেস করা GB ডেটা। এন্ডপয়েন্ট ইনস্ট্যান্সের, যেমন উল্লেখ করা হয়েছে অ্যামাজন সেজমেকার প্রাইসিং. Cost Explorer-এ, আপনি ব্যবহারের ধরণে একটি ফিল্টার প্রয়োগ করে রিয়েল-টাইম এন্ডপয়েন্ট খরচ দেখতে পারেন। এই ধরনের ব্যবহারের নামগুলি নিম্নরূপ গঠন করা হয়েছে:
REGION-Host:instanceType
(উদাহরণ স্বরূপ,USE1-Host:ml.c5.9xlarge
)REGION-Host:VolumeUsage.gp2
(উদাহরণ স্বরূপ,USE1-Host:VolumeUsage.gp2
)REGION-Hst:Data-Bytes-Out
(উদাহরণ স্বরূপ,USE2-Hst:Data-Bytes-In
)REGION-Hst:Data-Bytes-Out
(উদাহরণ স্বরূপ,USW2-Hst:Data-Bytes-Out)
নিম্নলিখিত স্ক্রিনশটে দেখানো হয়েছে, ব্যবহারের ধরন দ্বারা ফিল্টারিং Host:
একটি অ্যাকাউন্টে রিয়েল-টাইম হোস্টিং ব্যবহারের প্রকারের একটি তালিকা দেখাবে।
আপনি হয় নির্দিষ্ট ব্যবহারের ধরন নির্বাচন করতে পারেন বা নির্বাচন করতে পারেন সবগুলি এবং নির্বাচন করুন প্রয়োগ করা SageMaker রিয়েল-টাইম হোস্টিং ব্যবহারের খরচ ভাঙ্গন প্রদর্শন করতে। উদাহরণ ঘন্টার দ্বারা খরচ এবং ব্যবহারের ব্রেকডাউন দেখতে, আপনাকে সবগুলি ডি-সিলেক্ট করতে হবে৷ REGION-Host:VolumeUsage.gp2
ব্যবহারের ধরন ফিল্টার প্রয়োগ করার আগে ব্যবহারের ধরন। আপনি অতিরিক্ত ফিল্টার যেমন অ্যাকাউন্ট নম্বর, EC2 ইনস্ট্যান্স টাইপ, খরচ বরাদ্দ ট্যাগ, অঞ্চল এবং অধিক. নিম্নলিখিত স্ক্রিনশটটি নির্বাচিত হোস্টিং ব্যবহারের প্রকারের জন্য খরচ এবং ব্যবহারের গ্রাফ দেখায়।
উপরন্তু, আপনি ব্যবহার করে এক বা একাধিক হোস্টিং উদাহরণের সাথে সম্পর্কিত খরচ অন্বেষণ করতে পারেন দৃষ্টান্তের ধরণ ছাঁকনি. নিম্নলিখিত স্ক্রিনশট হোস্টিং উদাহরণ ml.p2.xlarge-এর জন্য খরচ এবং ব্যবহারের ব্রেকডাউন দেখায়।
একইভাবে, নিম্নলিখিত স্ক্রিনশটে দেখানো হিসাবে, একটি প্রয়োগকৃত ফিল্টার হিসাবে যুক্ত ব্যবহারের ধরনগুলিকে নির্বাচন করে প্রসেস করা এবং প্রক্রিয়াজাত করা GB ডেটার জন্য খরচ প্রদর্শন করা যেতে পারে।
আপনি ফিল্টার এবং গ্রুপিংয়ের সাথে আপনার পছন্দসই ফলাফল অর্জন করার পরে, আপনি হয় পছন্দ করে আপনার ফলাফল ডাউনলোড করতে পারেন CSV হিসেবে ডাউনলোড করুন অথবা নির্বাচন করে রিপোর্ট সংরক্ষণ করুন রিপোর্ট লাইব্রেরিতে সংরক্ষণ করুন. কস্ট এক্সপ্লোরার ব্যবহার করার বিষয়ে সাধারণ নির্দেশনার জন্য, পড়ুন AWS কস্ট এক্সপ্লোরারের নতুন চেহারা এবং সাধারণ ব্যবহারের ক্ষেত্রে.
ঐচ্ছিকভাবে, আপনি সক্ষম করতে পারেন AWS খরচ এবং ব্যবহার রিপোর্ট (AWS CUR) আপনার অ্যাকাউন্টের খরচ এবং ব্যবহারের ডেটার অন্তর্দৃষ্টি পেতে। AWS CUR-এ প্রতি ঘণ্টায় AWS খরচের বিবরণ রয়েছে। এটা সংরক্ষিত আছে আমাজন সিম্পল স্টোরেজ সার্ভিস (Amazon S3) প্রদানকারী অ্যাকাউন্টে, যা সমস্ত লিঙ্ক করা অ্যাকাউন্টের ডেটা একত্রিত করে। আপনি আপনার ব্যবহারের প্রবণতা বিশ্লেষণ করতে এবং খরচ অপ্টিমাইজ করার জন্য যথাযথ পদক্ষেপ নিতে প্রশ্ন চালাতে পারেন। অ্যামাজন অ্যাথেনা এটি একটি সার্ভারহীন ক্যোয়ারী পরিষেবা যা আপনি স্ট্যান্ডার্ড SQL ব্যবহার করে Amazon S3 এ AWS CUR থেকে ডেটা বিশ্লেষণ করতে ব্যবহার করতে পারেন। আরো তথ্য এবং উদাহরণ প্রশ্ন পাওয়া যাবে AWS CUR ক্যোয়ারী লাইব্রেরি.
আপনি এতে AWS CUR ডেটাও ফিড করতে পারেন অ্যামাজন কুইকসাইট, যেখানে আপনি রিপোর্টিং বা ভিজ্যুয়ালাইজেশনের উদ্দেশ্যে যেকোনভাবে এটিকে টুকরো টুকরো করে কাটাতে পারেন। নির্দেশাবলীর জন্য, দেখুন আমি কীভাবে অ্যামাজন কুইকসাইট-এ AWS খরচ এবং ব্যবহার প্রতিবেদন (CUR) গ্রহণ করব এবং কল্পনা করব.
আপনি AWS CUR থেকে রিসোর্স-লেভেল তথ্য যেমন এন্ডপয়েন্ট ARN, এন্ডপয়েন্ট ইনস্ট্যান্সের ধরন, প্রতি ঘণ্টায় ইনস্ট্যান্স রেট, দৈনিক ব্যবহারের সময় এবং আরও অনেক কিছু পেতে পারেন। অতিরিক্ত মাত্রার গ্রানুলারিটির জন্য আপনি আপনার ক্যোয়ারীতে খরচ-বরাদ্দ ট্যাগও অন্তর্ভুক্ত করতে পারেন। নিম্নলিখিত উদাহরণ কোয়েরি প্রদত্ত প্রদানকারী অ্যাকাউন্টের জন্য গত 3 মাসের জন্য রিয়েল-টাইম হোস্টিং সংস্থান ব্যবহার প্রদান করে:
নিম্নলিখিত স্ক্রিনশট এথেনা ব্যবহার করে ক্যোয়ারী চালানো থেকে প্রাপ্ত ফলাফল দেখায়। আরো তথ্যের জন্য, পড়ুন Amazon Athena ব্যবহার করে খরচ এবং ব্যবহারের প্রতিবেদন জিজ্ঞাসা করা.
কোয়েরির ফলাফল সেই শেষবিন্দু দেখায় mme-xgboost-housing
ml.x4.xlarge ইন্সট্যান্স সহ একাধিক দিনের জন্য 24 ঘন্টা রানটাইম রিপোর্ট করছে। দৃষ্টান্তের হার হল $0.24/ঘন্টা এবং 24 ঘন্টা চালানোর জন্য দৈনিক খরচ হল $5.76৷
AWS CUR ফলাফলগুলি আপনাকে প্রতিটি লিঙ্ক করা অ্যাকাউন্টে পরপর দিন ধরে চলা শেষ পয়েন্টগুলির প্যাটার্ন সনাক্ত করতে সাহায্য করতে পারে, সেইসাথে সর্বোচ্চ মাসিক খরচ সহ শেষ পয়েন্টগুলি। এটি আপনাকে খরচ বাঁচাতে অ-উৎপাদন অ্যাকাউন্টের শেষ পয়েন্টগুলি মুছে ফেলা যাবে কিনা তা সিদ্ধান্ত নিতেও সাহায্য করতে পারে।
রিয়েল-টাইম এন্ডপয়েন্টের জন্য খরচ অপ্টিমাইজ করুন
খরচ ব্যবস্থাপনার দৃষ্টিকোণ থেকে, কম-ব্যবহৃত (বা বেশি আকারের) দৃষ্টান্তগুলি সনাক্ত করা এবং কাজের চাপের প্রয়োজনীয়তার সাথে সঙ্গতিপূর্ণ, প্রয়োজনে উদাহরণের আকার এবং গণনা আনা গুরুত্বপূর্ণ। সাধারণ সিস্টেম মেট্রিক্স যেমন CPU/GPU ব্যবহার এবং মেমরি ব্যবহার লেখা হয় অ্যামাজন ক্লাউডওয়াচ সমস্ত হোস্টিং উদাহরণের জন্য। রিয়েল-টাইম এন্ডপয়েন্টের জন্য, SageMaker CloudWatch-এ বেশ কিছু অতিরিক্ত মেট্রিক উপলব্ধ করে। সাধারণত নিরীক্ষণ করা কিছু মেট্রিক্সের মধ্যে রয়েছে আমন্ত্রণ গণনা এবং আহ্বান 4xx/5xx ত্রুটি। মেট্রিক্সের সম্পূর্ণ তালিকার জন্য, পড়ুন অ্যামাজন ক্লাউডওয়াচ দিয়ে অ্যামাজন সেজমেকার মনিটর করুন.
মেট্রিক CPUUtilization
প্রতিটি পৃথক CPU কোরের ব্যবহারের যোগফল প্রদান করে। প্রতিটি মূল পরিসরের CPU ব্যবহার 0-100। উদাহরণস্বরূপ, যদি চারটি CPU থাকে, CPUUtilization
পরিসীমা 0-400%। মেট্রিক MemoryUtilization
মেমরির শতাংশ যা একটি উদাহরণে ধারক দ্বারা ব্যবহৃত হয়। এই মান পরিসীমা 0-100%। নিম্নলিখিত স্ক্রিনশটটি ক্লাউডওয়াচ মেট্রিক্সের একটি উদাহরণ দেখায় CPUUtilization
এবং MemoryUtilization
একটি এন্ডপয়েন্ট উদাহরণের জন্য ml.m4.10xlarge যা 40 vCPU এবং 160 GiB মেমরির সাথে আসে।
এই মেট্রিক্স গ্রাফগুলি প্রায় 3,000% সর্বাধিক CPU ব্যবহার দেখায়, যা 30 vCPU-এর সমতুল্য। এর মানে হল এই এন্ডপয়েন্টটি 30টি vCPU-এর মোট ক্ষমতার মধ্যে 40টির বেশি vCPU ব্যবহার করছে না। একইভাবে, মেমরি ব্যবহার 6% এর নিচে। এই তথ্য ব্যবহার করে, আপনি সম্ভবত একটি ছোট উদাহরণের সাথে পরীক্ষা করতে পারেন যা এই সম্পদের প্রয়োজনের সাথে মেলে। উপরন্তু, CPUUtilization
মেট্রিক পর্যায়ক্রমিক উচ্চ এবং নিম্ন CPU চাহিদার একটি ক্লাসিক প্যাটার্ন দেখায়, যা এই শেষ পয়েন্টটিকে স্বয়ংক্রিয় স্কেলিং এর জন্য একটি ভাল প্রার্থী করে তোলে। আপনি একটি ছোট উদাহরণ দিয়ে শুরু করতে পারেন এবং আপনার গণনার চাহিদা পরিবর্তনের সাথে সাথে প্রথমে স্কেল আউট করতে পারেন। তথ্যের জন্য, দেখুন অ্যামাজন সেজমেকার মডেলগুলি স্বয়ংক্রিয়ভাবে স্কেল করুন.
সেজমেকার নতুন মডেলগুলি পরীক্ষা করার জন্য দুর্দান্ত কারণ আপনি সহজেই এগুলি ব্যবহার করে একটি A/B পরীক্ষার পরিবেশে স্থাপন করতে পারেন উত্পাদন বৈকল্পিক, এবং আপনি যা ব্যবহার করেন তার জন্য আপনি শুধুমাত্র অর্থ প্রদান করেন। প্রতিটি প্রোডাকশন ভেরিয়েন্ট তার নিজস্ব কম্পিউট ইন্সট্যান্সে চলে এবং ভ্যারিয়েন্ট চলাকালীন প্রতিটি ইন্সট্যান্সের জন্য খরচ করা প্রতি ইন্সট্যান্স-আওয়ারে চার্জ করা হয়।
SageMaker এছাড়াও সমর্থন করে ছায়া বৈকল্পিক, যার একটি উত্পাদন বৈকল্পিক হিসাবে একই উপাদান রয়েছে এবং তাদের নিজস্ব গণনা দৃষ্টান্তে চলে। ছায়া ভেরিয়েন্টের সাথে, SageMaker স্বয়ংক্রিয়ভাবে মডেলটিকে একটি পরীক্ষার পরিবেশে স্থাপন করে, উত্পাদন মডেলের দ্বারা প্রাপ্ত অনুমান অনুরোধের একটি অনুলিপিকে রিয়েল টাইমে পরীক্ষার মডেলে রুট করে এবং লেটেন্সি এবং থ্রুপুটের মতো পারফরম্যান্স মেট্রিক্স সংগ্রহ করে। এটি আপনাকে উত্পাদনে প্রচার করার আগে আপনার মডেল পরিবেশন স্ট্যাকের যেকোনো নতুন প্রার্থী উপাদান যাচাই করতে সক্ষম করে।
যখন আপনি আপনার পরীক্ষাগুলি সম্পন্ন করেন এবং শেষবিন্দু বা ভেরিয়েন্টগুলি আর ব্যাপকভাবে ব্যবহার করছেন না, তখন খরচ বাঁচাতে আপনার এটি মুছে ফেলা উচিত। যেহেতু মডেলটি Amazon S3 এ সংরক্ষিত আছে, তাই আপনি প্রয়োজন অনুযায়ী এটি পুনরায় তৈরি করতে পারেন। আপনি স্বয়ংক্রিয়ভাবে এই শেষ পয়েন্টগুলি সনাক্ত করতে পারেন এবং ব্যবহার করে সংশোধনমূলক পদক্ষেপ নিতে পারেন (যেমন তাদের মুছে ফেলা) অ্যামাজন ক্লাউডওয়াচ ইভেন্ট এবং এডাব্লুএস ল্যাম্বদা ফাংশন উদাহরণস্বরূপ, আপনি ব্যবহার করতে পারেন Invocations
একটি মডেল এন্ডপয়েন্টে প্রেরিত অনুরোধের মোট সংখ্যা পেতে মেট্রিক এবং তারপরে শনাক্ত করুন যে শেষ পয়েন্টগুলি গত কয়েক ঘন্টা ধরে নিষ্ক্রিয় ছিল কিনা (একটি নির্দিষ্ট সময়ের মধ্যে কোন আহ্বান ছাড়াই, যেমন 24 ঘন্টা)।
আপনার যদি বেশ কয়েকটি কম-ব্যবহৃত এন্ডপয়েন্ট উদাহরণ থাকে, যেমন হোস্টিং বিকল্পগুলি বিবেচনা করুন বহু মডেল শেষ পয়েন্ট (MMEs), মাল্টি-কন্টেইনার শেষ পয়েন্ট (MCEs), এবং সিরিয়াল ইনফারেন্স পাইপলাইন কম এন্ডপয়েন্ট দৃষ্টান্তে ব্যবহার একত্রিত করতে।
রিয়েল-টাইম এবং অ্যাসিঙ্ক্রোনাস ইনফারেন্স মডেল স্থাপনের জন্য, আপনি SageMaker ব্যবহার করে মডেল স্থাপন করে খরচ এবং কর্মক্ষমতা অপ্টিমাইজ করতে পারেন AWS Graviton. AWS Graviton হল AWS দ্বারা ডিজাইন করা প্রসেসরের একটি পরিবার যা সর্বোত্তম মূল্যের কর্মক্ষমতা প্রদান করে এবং তাদের x86 সমকক্ষের তুলনায় বেশি শক্তি সাশ্রয়ী। AWS Graviton-ভিত্তিক দৃষ্টান্তগুলিতে একটি ML মডেল স্থাপনের নির্দেশিকা এবং মূল্য কর্মক্ষমতা সুবিধার বিশদ বিবরণের জন্য, দেখুন Amazon SageMaker-এর সাথে AWS Graviton-ভিত্তিক উদাহরণে মেশিন লার্নিং ইনফারেন্স ওয়ার্কলোড চালান. SageMaker এছাড়াও সমর্থন করে এডাব্লুএস ইনফেরেন্টিয়া মাধ্যমে ত্বরক ml.inf2 রিয়েল-টাইম এবং অ্যাসিঙ্ক্রোনাস ইনফারেন্সের জন্য এমএল মডেল স্থাপনের দৃষ্টান্তের পরিবার। বড় ভাষা মডেল (LLM) এবং ভিশন ট্রান্সফরমার সহ জেনারেটিভ কৃত্রিম বুদ্ধিমত্তা (AI) মডেলগুলির জন্য কম খরচে উচ্চ কার্যক্ষমতা অর্জন করতে আপনি SageMaker-এ এই উদাহরণগুলি ব্যবহার করতে পারেন।
উপরন্তু, আপনি ব্যবহার করতে পারেন আমাজন সেজমেকার ইনফারেন্স সুপারিশকারী লোড পরীক্ষা চালানোর জন্য এবং এই দৃষ্টান্তগুলিতে আপনার মডেল স্থাপনের মূল্য কর্মক্ষমতা সুবিধাগুলি মূল্যায়ন করতে। নিষ্ক্রিয় সেজমেকার এন্ডপয়েন্টগুলি স্বয়ংক্রিয়ভাবে সনাক্ত করার বিষয়ে অতিরিক্ত নির্দেশিকা, সেইসাথে সেজমেকার এন্ডপয়েন্টগুলির জন্য ডান-আকার এবং স্বয়ংক্রিয় স্কেলিং এর জন্য, দেখুন Amazon SageMaker-এ দক্ষ গণনা সংস্থান নিশ্চিত করুন.
সেজমেকার ব্যাচের রূপান্তর
ব্যাচ অনুমান, বা অফলাইন অনুমান, হল পর্যবেক্ষণের ব্যাচে ভবিষ্যদ্বাণী তৈরি করার প্রক্রিয়া। অফলাইন ভবিষ্যদ্বাণীগুলি বড় ডেটাসেটের জন্য উপযুক্ত এবং এমন ক্ষেত্রে যেখানে আপনি প্রতিক্রিয়ার জন্য কয়েক মিনিট বা ঘন্টা অপেক্ষা করতে পারেন৷
SageMaker ব্যাচ ট্রান্সফর্মের জন্য খরচ প্রতিটি দৃষ্টান্তের জন্য ব্যাচ ট্রান্সফর্মের কাজ চলাকালীন সময়ে খরচ হওয়া প্রতি ঘণ্টার উপর ভিত্তি করে, যেমন উল্লেখ করা হয়েছে অ্যামাজন সেজমেকার প্রাইসিং. Cost Explorer-এ, আপনি ব্যবহারের ধরণে একটি ফিল্টার প্রয়োগ করে ব্যাচ ট্রান্সফর্ম খরচগুলি অন্বেষণ করতে পারেন। এই ব্যবহারের প্রকারের নাম হিসাবে গঠন করা হয় REGION-Tsform:instanceType
(উদাহরণ স্বরূপ, USE1-Tsform:ml.c5.9xlarge
).
নিম্নলিখিত স্ক্রিনশটে দেখানো হয়েছে, ব্যবহারের ধরন দ্বারা ফিল্টারিং Tsform:
একটি অ্যাকাউন্টে SageMaker ব্যাচ ট্রান্সফর্ম ব্যবহারের ধরনগুলির একটি তালিকা দেখাবে৷
আপনি হয় নির্দিষ্ট ব্যবহারের ধরন নির্বাচন করতে পারেন বা নির্বাচন করতে পারেন সবগুলি এবং নির্বাচন করুন প্রয়োগ করা নির্বাচিত প্রকারের জন্য ব্যাচ ট্রান্সফর্ম ইনস্ট্যান্স ব্যবহারের খরচ ভাঙ্গন প্রদর্শন করতে। পূর্বে উল্লিখিত হিসাবে, আপনি অতিরিক্ত ফিল্টার প্রয়োগ করতে পারেন। নিম্নলিখিত স্ক্রিনশটটি নির্বাচিত ব্যাচ ট্রান্সফর্ম ব্যবহারের ধরনগুলির জন্য খরচ এবং ব্যবহারের গ্রাফগুলি দেখায়৷
ব্যাচ রূপান্তর জন্য অপ্টিমাইজ খরচ
SageMaker ব্যাচ ট্রান্সফর্ম শুধুমাত্র আপনার কাজ চলাকালীন ব্যবহৃত উদাহরণগুলির জন্য আপনাকে চার্জ করে। যদি আপনার ডেটা ইতিমধ্যেই Amazon S3-এ থাকে, তাহলে Amazon S3 থেকে ইনপুট ডেটা পড়ার এবং Amazon S3-এ আউটপুট ডেটা লেখার জন্য কোনও খরচ নেই। সমস্ত আউটপুট বস্তু Amazon S3 এ আপলোড করার চেষ্টা করা হয়। সব সফল হলে, ব্যাচ ট্রান্সফর্ম কাজ সম্পূর্ণ হিসাবে চিহ্নিত করা হয়। এক বা একাধিক বস্তু ব্যর্থ হলে, ব্যাচ ট্রান্সফর্ম কাজ ব্যর্থ হিসাবে চিহ্নিত করা হয়।
ব্যাচ ট্রান্সফর্ম কাজের জন্য চার্জ নিম্নলিখিত পরিস্থিতিতে প্রযোজ্য:
- কাজ সফল হয়
- ব্যর্থতার কারণে
ClientError
এবং মডেল ধারক SageMaker বা একটি সেজমেকার পরিচালিত কাঠামো - ব্যর্থতার কারণে
AlgorithmError
orClientError
এবং মডেল ধারকটি আপনার নিজস্ব কাস্টম ধারক (BYOC)
SageMaker ব্যাচ ট্রান্সফর্ম জব অপ্টিমাইজ করার জন্য নিম্নলিখিত কিছু সেরা অনুশীলনগুলি রয়েছে৷ এই সুপারিশগুলি আপনার ব্যাচ ট্রান্সফর্ম কাজের মোট রানটাইম কমাতে পারে, যার ফলে খরচ কম হয়:
- সেট ব্যাচ স্ট্র্যাটেজি থেকে
MultiRecord
এবংSplitType
থেকেLine
ইনপুট ফাইল থেকে মিনি ব্যাচ তৈরি করতে যদি আপনার ব্যাচ ট্রান্সফর্ম কাজের প্রয়োজন হয়। যদি এটি স্বয়ংক্রিয়ভাবে ডেটাসেটটিকে মিনি ব্যাচে বিভক্ত করতে না পারে, আপনি প্রতিটি ব্যাচকে একটি পৃথক ইনপুট ফাইলে রেখে, ডেটা উৎস S3 বালতিতে রেখে এটিকে মিনি ব্যাচে ভাগ করতে পারেন। - নিশ্চিত করুন যে ব্যাচের আকার মেমরিতে ফিট করে। SageMaker সাধারণত এটি স্বয়ংক্রিয়ভাবে পরিচালনা করে; যাইহোক, ব্যাচগুলিকে ম্যানুয়ালি ভাগ করার সময়, এটি মেমরির উপর ভিত্তি করে টিউন করা প্রয়োজন।
- ব্যাচ ট্রান্সফর্ম পার্টিশন S3 অবজেক্টকে কী দ্বারা ইনপুট করে এবং সেই বস্তুগুলিকে ইনস্ট্যান্সে ম্যাপ করে। যখন আপনার একাধিক ফাইল থাকে, তখন একটি উদাহরণ প্রক্রিয়া হতে পারে
input1.csv
, এবং অন্য উদাহরণ প্রক্রিয়া হতে পারেinput2.csv
. আপনার যদি একটি ইনপুট ফাইল থাকে কিন্তু একাধিক কম্পিউট ইনস্ট্যান্স শুরু করে, শুধুমাত্র একটি ইনস্ট্যান্স ইনপুট ফাইলটি প্রসেস করে এবং বাকি ইনস্ট্যান্সগুলি নিষ্ক্রিয় থাকে। নিশ্চিত করুন যে ফাইলের সংখ্যা দৃষ্টান্তের সংখ্যার সমান বা বেশি। - আপনার যদি অনেক সংখ্যক ছোট ফাইল থাকে, তবে Amazon S3 মিথস্ক্রিয়া সময় কমাতে একাধিক ফাইলকে অল্প সংখ্যক বড় ফাইলের সাথে একত্রিত করা উপকারী হতে পারে।
- আপনি যদি ব্যবহার করছেন ট্রান্সফর্ম জব তৈরি করুন API, আপনি পরামিতিগুলির জন্য সর্বোত্তম মান ব্যবহার করে ব্যাচ ট্রান্সফর্ম কাজগুলি সম্পূর্ণ করতে যে সময় লাগে তা কমাতে পারেন MaxPayloadInMB, MaxConcurrent Transforms, বা ব্যাচ স্ট্র্যাটেজি:
MaxConcurrentTransforms
একটি রূপান্তর কাজের প্রতিটি উদাহরণে পাঠানো যেতে পারে এমন সমান্তরাল অনুরোধের সর্বাধিক সংখ্যা নির্দেশ করে। জন্য আদর্শ মানMaxConcurrentTransforms
একটি উদাহরণে vCPU কোরের সংখ্যার সমান।MaxPayloadInMB
পেলোডের সর্বাধিক অনুমোদিত আকার, এমবি-তে। মধ্যে মানMaxPayloadInMB
একটি একক রেকর্ডের আকারের চেয়ে বড় বা সমান হতে হবে। MB-তে একটি রেকর্ডের আকার অনুমান করতে, রেকর্ডের সংখ্যা দ্বারা আপনার ডেটাসেটের আকারকে ভাগ করুন। রেকর্ডগুলি সর্বোচ্চ পেলোড আকারের মধ্যে ফিট করে তা নিশ্চিত করতে, আমরা একটি সামান্য বড় মান ব্যবহার করার পরামর্শ দিই। ডিফল্ট মান 6 MB।MaxPayloadInMB
100 MB এর বেশি হওয়া উচিত নয়। যদি আপনি ঐচ্ছিক উল্লেখ করেনMaxConcurrentTransforms
পরামিতি, তারপর (এর মানMaxConcurrentTransforms
*MaxPayloadInMB
) এছাড়াও 100 MB অতিক্রম করা উচিত নয়।- যে ক্ষেত্রে পেলোড ইচ্ছামত বড় হতে পারে এবং HTTP খণ্ডিত এনকোডিং ব্যবহার করে প্রেরণ করা হয়, সেক্ষেত্রে MaxPayloadInMB মান 0 এ সেট করুন। এই বৈশিষ্ট্যটি শুধুমাত্র সমর্থিত অ্যালগরিদমে কাজ করে। বর্তমানে, সেজমেকার বিল্ট-ইন অ্যালগরিদম HTTP খণ্ডিত এনকোডিং সমর্থন করে না।
- ব্যাচ ইনফারেন্স টাস্ক সাধারণত অনুভূমিক স্কেলিং জন্য ভাল প্রার্থী হয়. একটি ক্লাস্টারের মধ্যে প্রতিটি কর্মী অন্য কর্মীদের সাথে তথ্য বিনিময়ের প্রয়োজন ছাড়াই ডেটার একটি ভিন্ন উপসেটে কাজ করতে পারে। AWS একাধিক স্টোরেজ এবং কম্পিউট বিকল্প অফার করে যা অনুভূমিক স্কেলিং সক্ষম করে। যদি একটি একক দৃষ্টান্ত আপনার কর্মক্ষমতা প্রয়োজনীয়তা পূরণের জন্য যথেষ্ট না হয়, তাহলে কাজের চাপ বিতরণ করার জন্য সমান্তরালভাবে একাধিক উদাহরণ ব্যবহার করার কথা বিবেচনা করুন। ব্যাচ ট্রান্সফর্ম জব আর্কিটেক্ট করার সময় মূল বিবেচনার জন্য, পড়ুন অ্যামাজন সেজমেকারের সাথে স্কেলে ব্যাচ ইনফারেন্স.
- ক্রমাগত ক্লাউডওয়াচ ব্যবহার করে আপনার সেজমেকার ব্যাচ ট্রান্সফর্ম চাকরির পারফরম্যান্স মেট্রিক্স নিরীক্ষণ করুন। আপনার উদাহরণের আকার বা কনফিগারেশন সামঞ্জস্য করতে হবে কিনা তা নির্ধারণ করতে উচ্চ CPU বা GPU ব্যবহার, মেমরি ব্যবহার বা নেটওয়ার্ক থ্রুপুটের মতো বাধাগুলি সন্ধান করুন।
- SageMaker Amazon S3 ব্যবহার করে মাল্টিপার্ট আপলোড API Amazon S3 এ একটি ব্যাচ ট্রান্সফর্ম জব থেকে ফলাফল আপলোড করতে। যদি একটি ত্রুটি ঘটে, আপলোড ফলাফল Amazon S3 থেকে সরানো হয়. কিছু ক্ষেত্রে, যেমন একটি নেটওয়ার্ক বিভ্রাট ঘটলে, একটি অসম্পূর্ণ মাল্টিপার্ট আপলোড Amazon S3 এ থেকে যেতে পারে। স্টোরেজ চার্জ এড়াতে, আমরা আপনাকে যোগ করার পরামর্শ দিই S3 বালতি নীতি S3 বালতি জীবনচক্র নিয়ম. এই নীতিটি অসম্পূর্ণ মাল্টিপার্ট আপলোডগুলিকে মুছে দেয় যা S3 বালতিতে সংরক্ষিত হতে পারে৷ আরও তথ্যের জন্য, দেখুন আপনার স্টোরেজ জীবনচক্র পরিচালনা.
সেজমেকার অ্যাসিঙ্ক্রোনাস ইনফারেন্স
অ্যাসিঙ্ক্রোনাস ইনফারেন্স হল বড় পেলোড এবং বিস্ফোরিত ট্র্যাফিক সহ ব্যয়-সংবেদনশীল কাজের চাপের জন্য একটি দুর্দান্ত পছন্দ। অনুরোধগুলি প্রক্রিয়া করতে 1 ঘন্টা পর্যন্ত সময় লাগতে পারে এবং 1 GB পর্যন্ত পেলোডের আকার থাকতে পারে, তাই এটি এমন কাজের চাপের জন্য আরও উপযুক্ত যেগুলির বিলম্বের প্রয়োজনীয়তাগুলি শিথিল হয়৷
অ্যাসিঙ্ক্রোনাস এন্ডপয়েন্টের আহ্বান রিয়েল-টাইম এন্ডপয়েন্ট থেকে আলাদা। অনুরোধের সাথে সিঙ্ক্রোনাসভাবে একটি অনুরোধ পেলোড পাস করার পরিবর্তে, আপনি Amazon S3 এ পেলোড আপলোড করুন এবং অনুরোধের অংশ হিসাবে একটি S3 URI পাস করুন৷ অভ্যন্তরীণভাবে, সেজমেকার এই অনুরোধগুলির সাথে একটি সারি বজায় রাখে এবং সেগুলিকে প্রক্রিয়া করে। শেষবিন্দু তৈরির সময়, আপনি ঐচ্ছিকভাবে একটি নির্দিষ্ট করতে পারেন অ্যামাজন সাধারণ বিজ্ঞপ্তি পরিষেবা (Amazon SNS) বিষয় সাফল্য বা ত্রুটি বিজ্ঞপ্তি পেতে. যখন আপনি বিজ্ঞপ্তি পাবেন যে আপনার অনুমান অনুরোধ সফলভাবে প্রক্রিয়া করা হয়েছে, আপনি আউটপুট Amazon S3 অবস্থানে ফলাফল অ্যাক্সেস করতে পারেন।
অ্যাসিঙ্ক্রোনাস ইনফারেন্সের জন্য খরচ প্রতিটি দৃষ্টান্ত-ঘণ্টার উপর ভিত্তি করে করা হয় যখন এন্ডপয়েন্ট চালু থাকে, GB-মাসের প্রভিশন করা স্টোরেজের খরচ, সেইসাথে এন্ডপয়েন্ট ইন্সট্যান্সের মধ্যে এবং বাইরে প্রসেস করা GB ডেটা, যেমন উল্লেখ করা হয়েছে অ্যামাজন সেজমেকার প্রাইসিং. Cost Explorer-এ, আপনি ব্যবহারের ধরণে একটি ফিল্টার প্রয়োগ করে অ্যাসিঙ্ক্রোনাস ইনফারেন্স খরচ ফিল্টার করতে পারেন। এই ব্যবহারের প্রকারের নাম হিসাবে গঠন করা হয় REGION-AsyncInf:instanceType
(উদাহরণ স্বরূপ, USE1-AsyncInf:ml.c5.9xlarge
) মনে রাখবেন যে GB ভলিউম এবং GB ডেটা প্রক্রিয়াকৃত ব্যবহারের ধরনগুলি রিয়েল-টাইম এন্ডপয়েন্টের মতোই, যেমনটি এই পোস্টে আগে উল্লেখ করা হয়েছে৷
নিম্নলিখিত স্ক্রিনশটে দেখানো হয়েছে, ব্যবহারের ধরন দ্বারা ফিল্টারিং AsyncInf:
কস্ট এক্সপ্লোরার এ অ্যাসিঙ্ক্রোনাস এন্ডপয়েন্ট ব্যবহারের ধরন দ্বারা একটি খরচ ভাঙ্গন প্রদর্শন করে।
উদাহরণ ঘন্টার দ্বারা খরচ এবং ব্যবহারের ব্রেকডাউন দেখতে, আপনাকে সবগুলি ডি-সিলেক্ট করতে হবে৷ REGION-Host:VolumeUsage.gp2
ব্যবহারের ধরন ফিল্টার প্রয়োগ করার আগে ব্যবহারের ধরন। আপনি অতিরিক্ত ফিল্টার প্রয়োগ করতে পারেন। রিসোর্স-স্তরের তথ্য যেমন এন্ডপয়েন্ট এআরএন, এন্ডপয়েন্ট ইনস্ট্যান্স প্রকার, প্রতি ঘণ্টায় ইনস্ট্যান্স রেট এবং দৈনিক ব্যবহারের সময় AWS CUR থেকে পাওয়া যেতে পারে। গত 3 মাসের জন্য অ্যাসিঙ্ক্রোনাস হোস্টিং রিসোর্স ব্যবহার পেতে একটি AWS CUR কোয়েরির উদাহরণ নিচে দেওয়া হল:
নিম্নলিখিত স্ক্রিনশটটি এথেনা ব্যবহার করে AWS CUR ক্যোয়ারী চালানো থেকে প্রাপ্ত ফলাফলগুলি দেখায়৷
কোয়েরির ফলাফল সেই শেষবিন্দু দেখায় sagemaker-abc-model-5
ml.m5.xlarge ইন্সট্যান্স সহ একাধিক দিনের জন্য 24 ঘন্টা রানটাইম রিপোর্ট করছে। দৃষ্টান্তের হার হল $0.23/ঘন্টা এবং 24 ঘন্টা চালানোর জন্য দৈনিক খরচ হল $5.52৷
যেমন আগে উল্লেখ করা হয়েছে, AWS CUR ফলাফলগুলি আপনাকে পরপর দিন ধরে চলা শেষ পয়েন্টগুলির প্যাটার্নগুলি সনাক্ত করতে সাহায্য করতে পারে, সেইসাথে সর্বাধিক মাসিক খরচ সহ শেষ পয়েন্টগুলি। এটি আপনাকে খরচ বাঁচাতে অ-উৎপাদন অ্যাকাউন্টের শেষ পয়েন্টগুলি মুছে ফেলা যাবে কিনা তা সিদ্ধান্ত নিতেও সাহায্য করতে পারে।
অ্যাসিঙ্ক্রোনাস ইনফারেন্সের জন্য খরচ অপ্টিমাইজ করুন
রিয়েল-টাইম এন্ডপয়েন্টের মতই, অ্যাসিঙ্ক্রোনাস এন্ডপয়েন্টের খরচ ইনস্ট্যান্স টাইপ ব্যবহারের উপর ভিত্তি করে। অতএব, কাজের চাপের প্রয়োজনীয়তার উপর ভিত্তি করে কম-ব্যবহৃত দৃষ্টান্তগুলি সনাক্ত করা এবং তাদের আকার পরিবর্তন করা গুরুত্বপূর্ণ। অ্যাসিঙ্ক্রোনাস এন্ডপয়েন্ট নিরীক্ষণ করার জন্য, সেজমেকার তৈরি করে বেশ কিছু মেট্রিক্স যেমন ApproximateBacklogSize
, HasBacklogWithoutCapacity
, এবং CloudWatch-এ আরও অনেক কিছু পাওয়া যায়। এই মেট্রিকগুলি একটি উদাহরণের জন্য সারিতে অনুরোধগুলি দেখাতে পারে এবং একটি শেষ পয়েন্ট স্বয়ংক্রিয়ভাবে স্কেল করার জন্য ব্যবহার করা যেতে পারে। সেজমেকার অ্যাসিঙ্ক্রোনাস ইনফারেন্সে হোস্ট-লেভেল মেট্রিক্সও অন্তর্ভুক্ত থাকে। হোস্ট-স্তরের মেট্রিক্সের তথ্যের জন্য, দেখুন সেজমেকার জবস এবং এন্ডপয়েন্ট মেট্রিক্স. এই মেট্রিকগুলি সম্পদের ব্যবহার দেখাতে পারে যা আপনাকে উদাহরণের সঠিক আকারে সাহায্য করতে পারে।
SageMaker সমর্থন করে স্বয়ংক্রিয় স্কেলিং অ্যাসিঙ্ক্রোনাস এন্ডপয়েন্টের জন্য। রিয়েল-টাইম হোস্টেড এন্ডপয়েন্টের বিপরীতে, অ্যাসিঙ্ক্রোনাস ইনফরেন্স এন্ডপয়েন্টগুলি ন্যূনতম ক্ষমতাকে শূন্যে সেট করে ইন্সট্যান্সকে শূন্যে নামিয়ে আনতে সমর্থন করে। অ্যাসিঙ্ক্রোনাস এন্ডপয়েন্টের জন্য, SageMaker দৃঢ়ভাবে সুপারিশ করে যে আপনি একটি স্থাপন করা মডেলের (ভেরিয়েন্ট) লক্ষ্য-ট্র্যাকিং স্কেলিং-এর জন্য একটি নীতি কনফিগারেশন তৈরি করুন। আপনাকে স্কেলিং নীতি নির্ধারণ করতে হবে যা স্কেল করা হয়েছে ApproximateBacklogPerInstance
কাস্টম মেট্রিক এবং সেট করুন MinCapacity
মান শূন্য।
অ্যাসিঙ্ক্রোনাস ইনফারেন্স প্রক্রিয়া করার জন্য কোনো অনুরোধ না থাকলে স্বয়ংক্রিয়ভাবে দৃষ্টান্ত গণনাকে শূন্যে স্কেল করে খরচ বাঁচাতে সক্ষম করে, তাই আপনি শুধুমাত্র তখনই অর্থপ্রদান করবেন যখন আপনার এন্ডপয়েন্ট অনুরোধগুলি প্রক্রিয়াকরণ করছে। যখন শূন্য দৃষ্টান্ত থাকে তখন যে অনুরোধগুলি প্রাপ্ত হয় সেগুলি শেষ পয়েন্ট স্কেল আপ করার পরে প্রক্রিয়াকরণের জন্য সারিবদ্ধ করা হয়। অতএব, ব্যবহারের ক্ষেত্রে যেগুলি কয়েক মিনিটের কোল্ড স্টার্ট পেনাল্টি সহ্য করতে পারে, আপনি ঐচ্ছিকভাবে এন্ডপয়েন্ট ইন্সট্যান্স কাউন্ট শূন্যে স্কেল করতে পারেন যখন কোনও বকেয়া অনুরোধ থাকে না এবং নতুন অনুরোধ আসার সাথে সাথে ব্যাক আপ স্কেল করতে পারেন। কোল্ড স্টার্ট টাইম স্ক্র্যাচ থেকে একটি নতুন এন্ডপয়েন্ট চালু করতে প্রয়োজনীয় সময়ের উপর নির্ভর করে। এছাড়াও, যদি মডেল নিজেই বড় হয়, তাহলে সময় দীর্ঘ হতে পারে। যদি আপনার কাজটি 1-ঘন্টা প্রক্রিয়াকরণ সময়ের চেয়ে বেশি সময় নিতে পারে বলে আশা করা হয়, আপনি সেজমেকার ব্যাচ রূপান্তর বিবেচনা করতে চাইতে পারেন।
উপরন্তু, আপনি ইনস্ট্যান্স টাইপ বেছে নিতে আপনার অনুরোধের সারিবদ্ধ সময়কে প্রক্রিয়াকরণের সময়ের সাথে মিলিয়ে বিবেচনা করতে পারেন। উদাহরণ স্বরূপ, যদি আপনার ব্যবহারের কেস ঘন্টার অপেক্ষার সময় সহ্য করতে পারে, তাহলে খরচ বাঁচাতে আপনি একটি ছোট উদাহরণ বেছে নিতে পারেন।
সেজমেকার এন্ডপয়েন্টের জন্য উদাহরণ ডান-আকার এবং স্বয়ংক্রিয় স্কেলিং সম্পর্কে অতিরিক্ত নির্দেশিকা দেখুন Amazon SageMaker-এ দক্ষ গণনা সংস্থান নিশ্চিত করুন.
সার্ভারহীন অনুমান
সার্ভারহীন অনুমান আপনাকে অন্তর্নিহিত অবকাঠামো কনফিগার বা পরিচালনা না করেই অনুমানের জন্য এমএল মডেল স্থাপন করতে দেয়। আপনার মডেল প্রাপ্ত অনুমানের অনুরোধের পরিমাণের উপর ভিত্তি করে, সেজমেকার সার্ভারহীন অনুমান স্বয়ংক্রিয়ভাবে বিধান, স্কেল এবং গণনার ক্ষমতা বন্ধ করে দেয়। ফলস্বরূপ, আপনি আপনার অনুমান কোড চালানোর জন্য শুধুমাত্র গণনা সময় এবং প্রক্রিয়াকৃত ডেটার পরিমাণের জন্য অর্থ প্রদান করেন, নিষ্ক্রিয় সময়ের জন্য নয়। সার্ভারহীন এন্ডপয়েন্টের জন্য, দৃষ্টান্ত বিধানের প্রয়োজন নেই। আপনি প্রদান করতে হবে মেমরি আকার এবং সর্বোচ্চ সংগতি. যেহেতু সার্ভারলেস এন্ডপয়েন্ট চাহিদা অনুযায়ী রিসোর্স গণনা করে, তাই আপনার এন্ডপয়েন্ট অলস সময়ের পরে প্রথম আহ্বানের জন্য কয়েক অতিরিক্ত সেকেন্ডের বিলম্ব (কোল্ড স্টার্ট) অনুভব করতে পারে। আপনি অনুমান অনুরোধগুলি প্রক্রিয়া করার জন্য ব্যবহৃত গণনার ক্ষমতা, মিলিসেকেন্ড দ্বারা বিল করা, প্রভিশন করা স্টোরেজের GB-মাস এবং প্রক্রিয়াকৃত ডেটার পরিমাণের জন্য অর্থ প্রদান করেন। কম্পিউট চার্জ আপনার চয়ন করা মেমরি কনফিগারেশনের উপর নির্ভর করে।
Cost Explorer-এ, আপনি ব্যবহারের ধরণে একটি ফিল্টার প্রয়োগ করে সার্ভারহীন শেষ পয়েন্টের খরচ ফিল্টার করতে পারেন। এই ব্যবহারের প্রকারের নাম হিসাবে গঠন করা হয় REGION-ServerlessInf:Mem-MemorySize
(উদাহরণ স্বরূপ, USE2-ServerlessInf:Mem-4GB
) মনে রাখবেন যে জিবি ভলিউম এবং জিবি ডেটা প্রক্রিয়াকৃত ব্যবহারের ধরনগুলি রিয়েল-টাইম এন্ডপয়েন্টের মতোই।
আপনি অ্যাকাউন্ট নম্বর, উদাহরণের ধরন, অঞ্চল এবং আরও অনেক কিছুর মতো অতিরিক্ত ফিল্টার প্রয়োগ করে খরচের ভাঙ্গন দেখতে পারেন। নিম্নলিখিত স্ক্রিনশট সার্ভারহীন অনুমান ব্যবহারের প্রকারের জন্য ফিল্টার প্রয়োগ করে খরচ ভাঙ্গন দেখায়।
সার্ভারহীন অনুমানের জন্য অপ্টিমাইজ খরচ
আপনার সার্ভারহীন এন্ডপয়েন্ট কনফিগার করার সময়, আপনি মেমরির আকার এবং সর্বোচ্চ সংখ্যক সমবর্তী আহ্বান উল্লেখ করতে পারেন। সেজমেকার সার্ভারলেস ইনফারেন্স স্বয়ংক্রিয়ভাবে আপনার নির্বাচিত মেমরির সমানুপাতিক কম্পিউট রিসোর্স দেয়। আপনি যদি একটি বড় মেমরির আকার বেছে নেন, তাহলে আপনার কন্টেইনারের আরও vCPU-তে অ্যাক্সেস থাকবে। সার্ভারহীন অনুমানের সাথে, আপনি শুধুমাত্র অনুমানের অনুরোধগুলি প্রক্রিয়া করতে ব্যবহৃত গণনা ক্ষমতার জন্য অর্থ প্রদান করেন, মিলিসেকেন্ড দ্বারা বিল করা হয় এবং প্রক্রিয়াকৃত ডেটার পরিমাণ। কম্পিউট চার্জ আপনার চয়ন করা মেমরি কনফিগারেশনের উপর নির্ভর করে। আপনি যে মেমরির আকারগুলি বেছে নিতে পারেন তা হল 1024 MB, 2048 MB, 3072 MB, 4096 MB, 5120 MB, এবং 6144 MB৷ মেমরির আকার বৃদ্ধির সাথে মূল্য বৃদ্ধি পায়, যেমনটি ব্যাখ্যা করা হয়েছে অ্যামাজন সেজমেকার প্রাইসিং, তাই সঠিক মেমরির আকার নির্বাচন করা গুরুত্বপূর্ণ। একটি সাধারণ নিয়ম হিসাবে, মেমরির আকার কমপক্ষে আপনার মডেলের আকারের মতো বড় হওয়া উচিত। যাইহোক, মডেলের আকার ছাড়াও এন্ডপয়েন্ট মেমরির আকার নির্ধারণ করার সময় মেমরির ব্যবহার উল্লেখ করা একটি ভাল অভ্যাস।
সেজমেকার অনুমান খরচ অপ্টিমাইজ করার জন্য সাধারণ সর্বোত্তম অনুশীলন
হোস্টিং খরচ অপ্টিমাইজ করা একটি এককালীন ইভেন্ট নয়। এটি স্থাপন করা অবকাঠামো, ব্যবহারের ধরণ এবং কর্মক্ষমতা নিরীক্ষণের একটি ক্রমাগত প্রক্রিয়া, এবং নতুন উদ্ভাবনী সমাধানগুলির উপর তীক্ষ্ণ নজর রাখা যা AWS প্রকাশ করে যা খরচকে প্রভাবিত করতে পারে। নিম্নলিখিত সেরা অনুশীলন বিবেচনা করুন:
- একটি উপযুক্ত উদাহরণ টাইপ চয়ন করুন - সেজমেকার একাধিক দৃষ্টান্তের ধরন সমর্থন করে, প্রতিটি সিপিইউ, জিপিইউ, মেমরি এবং স্টোরেজ ক্ষমতার বিভিন্ন সমন্বয় সহ। আপনার মডেলের সম্পদের প্রয়োজনীয়তার উপর ভিত্তি করে, একটি দৃষ্টান্তের ধরন বেছে নিন যা অতিরিক্ত-প্রভিশনিং ছাড়াই প্রয়োজনীয় সংস্থান সরবরাহ করে। উপলব্ধ সেজমেকার দৃষ্টান্তের ধরন, তাদের স্পেসিফিকেশন এবং সঠিক উদাহরণ নির্বাচন করার নির্দেশিকা সম্পর্কে তথ্যের জন্য, পড়ুন Amazon SageMaker-এ দক্ষ গণনা সংস্থান নিশ্চিত করুন.
- স্থানীয় মোড ব্যবহার করে পরীক্ষা করুন - ব্যর্থতা সনাক্ত করতে এবং দ্রুত ডিবাগ করার জন্য, কোড এবং কন্টেইনার (BYOC এর ক্ষেত্রে) পরীক্ষা করার পরামর্শ দেওয়া হচ্ছে স্থানীয় মোড রিমোট সেজমেকার ইনস্ট্যান্সে ইনফারেন্স ওয়ার্কলোড চালানোর আগে। স্থানীয় মোড হল একটি সেজমেকার পরিচালিত হোস্টিং পরিবেশে চালানোর আগে আপনার স্ক্রিপ্টগুলি পরীক্ষা করার একটি দুর্দান্ত উপায়।
- আরো পারফরম্যান্স হতে মডেল অপ্টিমাইজ করুন - অঅপ্টিমাইজ করা মডেলগুলি দীর্ঘ রানটাইম হতে পারে এবং আরও সংস্থান ব্যবহার করতে পারে। কর্মক্ষমতা উন্নত করতে আপনি আরও বা বড় উদাহরণ ব্যবহার করতে পারেন; যাইহোক, এই উচ্চ খরচ বাড়ে. আপনার মডেলগুলিকে আরও পারফরম্যান্স করার জন্য অপ্টিমাইজ করে, আপনি একই বা আরও ভাল কর্মক্ষমতা বৈশিষ্ট্য বজায় রেখে কম বা ছোট উদাহরণ ব্যবহার করে খরচ কম করতে সক্ষম হতে পারেন। তুমি ব্যবহার করতে পার অ্যামাজন সেজমেকার নিও স্বয়ংক্রিয়ভাবে মডেল অপ্টিমাইজ করতে SageMaker অনুমান সহ। আরো বিস্তারিত এবং নমুনার জন্য, দেখুন নিও ব্যবহার করে মডেল কর্মক্ষমতা অপ্টিমাইজ করুন.
- ট্যাগ এবং খরচ ব্যবস্থাপনা টুল ব্যবহার করুন - আপনার অনুমান কাজের লোডগুলিতে দৃশ্যমানতা বজায় রাখতে, ট্যাগগুলির পাশাপাশি AWS খরচ পরিচালনার সরঞ্জামগুলি ব্যবহার করার পরামর্শ দেওয়া হচ্ছে যেমন AWS বাজেট, দ্য AWS বিলিং কনসোল, এবং কস্ট এক্সপ্লোরারের পূর্বাভাস বৈশিষ্ট্য। আপনি একটি নমনীয় মূল্যের মডেল হিসাবে সেজমেকার সেভিংস প্ল্যানগুলি অন্বেষণ করতে পারেন। এই বিকল্পগুলি সম্পর্কে আরও তথ্যের জন্য, পড়ুন পার্ট 1 এই সিরিজের।
উপসংহার
এই পোস্টে, আমরা SageMaker অনুমান বিকল্পগুলি ব্যবহার করার সময় খরচ বিশ্লেষণ এবং সর্বোত্তম অনুশীলনের বিষয়ে নির্দেশিকা প্রদান করেছি। যেহেতু মেশিন লার্নিং শিল্প জুড়ে একটি শক্তিশালী হাতিয়ার হিসাবে নিজেকে প্রতিষ্ঠিত করে, তাই প্রশিক্ষণ এবং ML মডেলগুলিকে সাশ্রয়ী রাখতে হবে। SageMaker ML পাইপলাইনের প্রতিটি ধাপ সহজতর করার জন্য একটি প্রশস্ত এবং গভীর বৈশিষ্ট্য সেট অফার করে এবং কর্মক্ষমতা বা তত্পরতা প্রভাবিত না করেই খরচ অপ্টিমাইজেশানের সুযোগ প্রদান করে। আপনার SageMaker ওয়ার্কলোডের খরচ নির্দেশিকা জন্য আপনার AWS টিমের সাথে যোগাযোগ করুন।
লেখক সম্পর্কে
দীপালি রাজলে AWS-এর একজন সিনিয়র এআই/এমএল বিশেষজ্ঞ। তিনি AWS ইকোসিস্টেমে AI/ML সমাধান স্থাপন এবং বজায় রাখার জন্য সর্বোত্তম অনুশীলন সহ প্রযুক্তিগত দিকনির্দেশনা প্রদানকারী এন্টারপ্রাইজ গ্রাহকদের সাথে কাজ করেন। তিনি NLP এবং কম্পিউটার দৃষ্টি জড়িত বিভিন্ন গভীর শিক্ষার ব্যবহার ক্ষেত্রে বিস্তৃত সংস্থার সাথে কাজ করেছেন। তিনি সংস্থাগুলিকে তাদের ব্যবহারের অভিজ্ঞতা বাড়ানোর জন্য জেনারেটিভ AI ব্যবহার করার জন্য ক্ষমতায়নের বিষয়ে উত্সাহী৷ তার অবসর সময়ে, তিনি চলচ্চিত্র, সঙ্গীত এবং সাহিত্য উপভোগ করেন।
উরি রোজেনবার্গ ইউরোপ, মধ্যপ্রাচ্য এবং আফ্রিকার জন্য এআই এবং এমএল বিশেষজ্ঞ প্রযুক্তিগত ব্যবস্থাপক। ইস্রায়েলের বাইরে, Uri এন্টারপ্রাইজ গ্রাহকদের ML ডিজাইন, নির্মাণ এবং স্কেলে পরিচালনা করার সমস্ত বিষয়ে ক্ষমতায়নের জন্য কাজ করে। তার অবসর সময়ে, তিনি সাইক্লিং, হাইকিং এবং রক অ্যান্ড রোল ক্লাইম্বিং উপভোগ করেন।
- এসইও চালিত বিষয়বস্তু এবং পিআর বিতরণ। আজই পরিবর্ধিত পান।
- প্লেটোএআইস্ট্রিম। Web3 ডেটা ইন্টেলিজেন্স। জ্ঞান প্রসারিত. এখানে প্রবেশ করুন.
- অ্যাড্রিয়েন অ্যাশলির সাথে ভবিষ্যত মিন্টিং। এখানে প্রবেশ করুন.
- PREIPO® এর সাথে PRE-IPO কোম্পানিতে শেয়ার কিনুন এবং বিক্রি করুন। এখানে প্রবেশ করুন.
- উত্স: https://aws.amazon.com/blogs/machine-learning/part-5-analyze-amazon-sagemaker-spend-and-determine-cost-optimization-opportunities-based-on-usage-part-5-hosting/
- : আছে
- : হয়
- :না
- :কোথায়
- $ ইউপি
- 000
- 1
- 100
- 2021
- 24
- 30
- 40
- 500
- 7
- 8
- a
- সক্ষম
- সম্পর্কে
- ত্বক
- প্রবেশ
- হিসাব
- অ্যাকাউন্টস
- অর্জন করা
- অর্জন
- দিয়ে
- কর্ম
- স্টক
- যোগ
- যোগ
- অতিরিক্ত
- আফ্রিকা
- পর
- AI
- এআই / এমএল
- আলগোরিদিম
- সব
- বণ্টন
- অনুমতি
- ইতিমধ্যে
- এছাড়াও
- মর্দানী স্ত্রীলোক
- আমাজন EC2
- আমাজন সেজমেকার
- অ্যামাজন ওয়েব সার্ভিসেস
- পরিমাণ
- an
- বিশ্লেষণ
- বিশ্লেষণ করা
- এবং
- অন্য
- কোন
- আর
- API
- ফলিত
- প্রয়োগ করা
- প্রয়োগ করা হচ্ছে
- যথাযথ
- আন্দাজ
- রয়েছি
- কৃত্রিম
- কৃত্রিম বুদ্ধিমত্তা
- কৃত্রিম বুদ্ধিমত্তা (এআই)
- AS
- যুক্ত
- At
- সংযুক্ত
- চেষ্টা
- গাড়ী
- স্বয়ংক্রিয়ভাবে
- সহজলভ্য
- এড়াতে
- ডেস্কটপ AWS
- পিছনে
- ভিত্তি
- BE
- কারণ
- হয়েছে
- আগে
- নিচে
- উপকারী
- সুবিধা
- সুবিধা
- সর্বোত্তম
- সেরা অভ্যাস
- উত্তম
- বিশাল
- বড়
- বিলিং
- বাধা
- ভাঙ্গন
- আনা
- নির্মাণ করা
- বিল্ট-ইন
- কিন্তু
- by
- CAN
- প্রার্থী
- প্রার্থী
- ক্ষমতা
- ধারণক্ষমতা
- কেস
- মামলা
- কিছু
- পরিবর্তন
- বৈশিষ্ট্য
- অভিযোগ
- অভিযুক্ত
- চার্জ
- পছন্দ
- বেছে নিন
- নির্বাচন
- সর্বোত্তম
- আরোহণ
- গুচ্ছ
- কোড
- ঠান্ডা
- সমন্বয়
- মেশা
- মিলিত
- আসা
- আসে
- সাধারণ
- সাধারণভাবে
- সম্পূর্ণ
- উপাদান
- উপাদান
- গনা
- কম্পিউটার
- কম্পিউটার ভিশন
- সহগামী
- কনফিগারেশন
- পরপর
- বিবেচনা
- বিবেচ্য বিষয়
- দৃঢ় করা
- consolidates
- ক্ষয়প্রাপ্ত
- খরচ
- আধার
- কন্টেনারগুলি
- ধারণ
- একটানা
- মূল
- ঠিক
- মূল্য
- খরচ ব্যবস্থাপনা
- সাশ্রয়ের
- খরচ
- পারা
- সৃষ্টি
- সৃষ্টি
- এখন
- প্রথা
- গ্রাহকদের
- দৈনিক
- উপাত্ত
- ডেটাসেট
- দিন
- সিদ্ধান্ত নেন
- সিদ্ধান্ত নিচ্ছে
- গভীর
- গভীর জ্ঞানার্জন
- ডিফল্ট
- চাহিদা
- নির্ভর করে
- স্থাপন
- মোতায়েন
- মোতায়েন
- বিস্তৃতি
- স্থাপন
- নকশা
- পরিকল্পিত
- আকাঙ্ক্ষিত
- বিস্তারিত
- বিস্তারিত
- নির্ধারণ
- বিভিন্ন
- আলোচনা করা
- প্রদর্শন
- প্রদর্শন
- বিতরণ করা
- do
- না
- সম্পন্ন
- Dont
- ডবল
- নিচে
- ডাউনলোড
- কারণে
- সময়
- প্রতি
- পূর্বে
- সহজে
- পূর্ব
- বাস্তু
- দক্ষ
- পারেন
- ক্ষমতাপ্রদান করা
- ক্ষমতায়নের
- সক্ষম করা
- সম্ভব
- শেষপ্রান্ত
- শক্তি
- উন্নত করা
- নিশ্চিত করা
- উদ্যোগ
- পরিবেশ
- পরিবেশের
- সমান
- সমতুল্য
- ভুল
- ত্রুটি
- প্রতিষ্ঠা করে
- হিসাব
- ইউরোপ
- মূল্যায়ন
- ঘটনা
- উদাহরণ
- অতিক্রম করা
- বিনিময়
- প্রত্যাশিত
- অভিজ্ঞতা
- পরীক্ষা
- ব্যাখ্যা
- অন্বেষণ করুণ
- অনুসন্ধানকারী
- ব্যাপকভাবে
- অতিরিক্ত
- চোখ
- সুবিধা
- ব্যর্থ
- ব্যর্থ
- পরিবার
- দ্রুত
- বৈশিষ্ট্য
- কয়েক
- কম
- ফাইল
- নথি পত্র
- ছাঁকনি
- ফিল্টারিং
- ফিল্টার
- প্রথম
- ফিট
- নমনীয়
- কেন্দ্রবিন্দু
- অনুসরণ
- অনুসরণ
- জন্য
- পাওয়া
- চার
- থেকে
- সম্পূর্ণ
- ক্রিয়াকলাপ
- তদ্ব্যতীত
- লাভ করা
- সাধারণ
- উৎপাদিত
- সৃজক
- জেনারেটিভ এআই
- পাওয়া
- প্রদত্ত
- ভাল
- জিপিইউ
- গ্রাফ
- মহান
- বৃহত্তর
- গ্রুপ
- পথপ্রদর্শন
- হ্যান্ডলগুলি
- আছে
- জমিদারি
- he
- সাহায্য
- সাহায্য
- তার
- উচ্চ
- ঊর্ধ্বতন
- সর্বোচ্চ
- তার
- অনুভূমিক
- হোস্ট
- হোস্টিং
- হোস্টিং খরচ
- হোস্ট
- ঘন্টা
- ঘন্টার
- কিভাবে
- কিভাবে
- যাহোক
- এইচটিএমএল
- HTTP
- HTTPS দ্বারা
- শত শত
- i
- আদর্শ
- সনাক্ত করা
- অলস
- if
- প্রভাব
- হানিকারক
- গুরুত্বপূর্ণ
- উন্নত করা
- in
- অন্তর্ভুক্ত করা
- অন্তর্ভুক্ত
- সুদ্ধ
- বৃদ্ধি
- ইঙ্গিত
- স্বতন্ত্র
- শিল্প
- তথ্য
- পরিকাঠামো
- উদ্ভাবনী
- ইনপুট
- অর্ন্তদৃষ্টি
- উদাহরণ
- নির্দেশাবলী
- বুদ্ধিমত্তা
- মিথষ্ক্রিয়া
- অন্ত
- মধ্যে
- ভূমিকা
- ঘটিত
- ইসরাইল
- IT
- এর
- নিজেই
- কাজ
- জবস
- JPG
- উত্সাহী
- পালন
- চাবি
- ভাষা
- বড়
- বৃহত্তর
- গত
- অদৃশ্যতা
- শুরু করা
- চালু
- নেতৃত্ব
- বিশালাকার
- জ্ঞানী
- শিক্ষা
- অন্তত
- পাঠ
- পাঠ শিখেছি
- উচ্চতা
- লেভারেজ
- জীবনচক্র
- মত
- লাইন
- সংযুক্ত
- তালিকা
- সাহিত্য
- বোঝা
- স্থানীয়
- অবস্থান
- দীর্ঘ
- আর
- দেখুন
- কম
- নিম্ন
- হ্রাসকরন
- মেশিন
- মেশিন লার্নিং
- বজায় রাখা
- নিয়ন্ত্রণের
- রক্ষণাবেক্ষণ
- করা
- তৈরি করে
- পরিচালনা করা
- পরিচালিত
- ব্যবস্থাপনা
- পরিচালন সরঞ্জাম
- পরিচালক
- ম্যানুয়ালি
- মানচিত্র
- চিহ্নিত
- ম্যাচ
- সর্বাধিক
- মে..
- মানে
- সম্মেলন
- স্মৃতি
- উল্লিখিত
- ছন্দোময়
- ছন্দোবিজ্ঞান
- মধ্যম
- মধ্যপ্রাচ্যে
- হতে পারে
- সর্বনিম্ন
- মিনিট
- ML
- মোড
- মডেল
- মডেল
- মনিটর
- পর্যবেক্ষণ করা
- পর্যবেক্ষণ
- মাস
- মাসিক
- মাসের
- অধিক
- চলচ্চিত্র
- মাল্টি-মডেল এন্ডপয়েন্ট
- বহু
- সঙ্গীত
- অবশ্যই
- নাম
- নাম
- প্রয়োজনীয়
- প্রয়োজন
- প্রয়োজন
- চাহিদা
- নেটওয়ার্ক
- নেটওয়ার্ক আউটেজ
- নতুন
- NLP
- না।
- প্রজ্ঞাপন
- বিজ্ঞপ্তি
- সংখ্যা
- বস্তু
- প্রাপ্ত
- প্রাপ্ত
- of
- বন্ধ
- অফার
- অফলাইন
- on
- ONE
- অনলাইন
- কেবল
- পরিচালনা করা
- সুযোগ
- অনুকূল
- অপ্টিমাইজেশান
- অপ্টিমিজ
- সর্বোচ্চকরন
- পছন্দ
- অপশন সমূহ
- or
- ক্রম
- সংগঠন
- অন্যান্য
- বাইরে
- বিভ্রাট
- রূপরেখা
- আউটপুট
- অনিষ্পন্ন
- শেষ
- নিজের
- সমান্তরাল
- স্থিতিমাপ
- পরামিতি
- অংশ
- পাস
- পাসিং
- কামুক
- গত
- প্যাটার্ন
- নিদর্শন
- বেতন
- শতকরা হার
- কর্মক্ষমতা
- কাল
- পর্যাবৃত্ত
- পরিপ্রেক্ষিত
- বাছাই
- পাইপলাইন
- পরিকল্পনা
- পরিকল্পনা সমূহ
- Plato
- প্লেটো ডেটা ইন্টেলিজেন্স
- প্লেটোডাটা
- নীতি
- সম্ভবত
- পোস্ট
- পোস্ট
- ক্ষমতাশালী
- অনুশীলন
- চর্চা
- ভবিষ্যতবাণী
- মূল্য
- মূল্য
- মূল্য মডেল
- প্ররোচক
- প্রক্রিয়া
- প্রক্রিয়াকৃত
- প্রসেস
- প্রক্রিয়াজাতকরণ
- প্রসেসর
- উত্পাদনের
- প্রচার
- প্রদান
- প্রদত্ত
- উপলব্ধ
- প্রদানের
- বিধান
- উদ্দেশ্য
- স্থাপন
- প্রশ্নের
- পরিসর
- হার
- বরং
- নাগাল
- পড়া
- বাস্তব
- প্রকৃত সময়
- গ্রহণ করা
- গৃহীত
- পায়
- সুপারিশ করা
- সুপারিশ
- সুপারিশ করা
- বিশেষ পরামর্শ দেওয়া হচ্ছে
- নথি
- রেকর্ড
- হ্রাস করা
- এলাকা
- রিলিজ
- থাকা
- দূরবর্তী
- অপসারিত
- রিপোর্ট
- প্রতিবেদন
- প্রতিবেদন
- অনুরোধ
- অনুরোধ
- প্রয়োজনীয়
- আবশ্যকতা
- সংস্থান
- Resources
- প্রতিক্রিয়া
- বিশ্রাম
- ফল
- ফলাফল
- আয়
- অধিকার
- শিলা
- রোল
- যাত্রাপথ
- নিয়ম
- নিয়ম
- চালান
- দৌড়
- ঋষি নির্মাতা
- সেজমেকার ইনফারেন্স
- একই
- সংরক্ষণ করুন
- জমা
- স্কেল
- দাঁড়িপাল্লা
- আরোহী
- পরিস্থিতিতে
- তালিকাভুক্ত
- আঁচড়ের দাগ
- স্ক্রিপ্ট
- সেকেন্ড
- বিভাগে
- দেখ
- নির্বাচিত
- নির্বাচন
- জ্যেষ্ঠ
- প্রেরিত
- আলাদা
- ক্রম
- Serverless
- সেবা
- সেবা
- ভজনা
- সেট
- বিন্যাস
- বিভিন্ন
- ছায়া
- শেয়ার
- সে
- উচিত
- প্রদর্শনী
- দেখিয়েছেন
- প্রদর্শিত
- শো
- একভাবে
- সহজ
- থেকে
- একক
- আয়তন
- মাপ
- ফালি
- ছোট
- ক্ষুদ্রতর
- So
- সলিউশন
- কিছু
- উৎস
- বিশেষজ্ঞ
- নির্দিষ্ট
- স্পেসিফিকেশনের
- ব্যয় করা
- বিভক্ত করা
- গাদা
- মান
- শুরু
- শুরু
- ধাপ
- স্টোরেজ
- সঞ্চিত
- প্রবলভাবে
- কাঠামোবদ্ধ
- সাফল্য
- সফল
- সফলভাবে
- এমন
- যথেষ্ট
- উপযুক্ত
- সমর্থন
- সক্রিয় সমর্থন
- সমর্থিত
- সমর্থন
- পদ্ধতি
- TAG
- গ্রহণ করা
- লাগে
- কাজ
- টীম
- কারিগরী
- পরীক্ষা
- পরীক্ষামূলক
- পরীক্ষা
- চেয়ে
- যে
- সার্জারির
- তাদের
- তাহাদিগকে
- তারপর
- সেখানে।
- যার ফলে
- অতএব
- এইগুলো
- কিছু
- এই
- সেগুলো
- দ্বারা
- থ্রুপুট
- সময়
- বার
- থেকে
- টুল
- সরঞ্জাম
- বিষয়
- মোট
- ট্রাফিক
- প্রশিক্ষণ
- রুপান্তর
- ট্রান্সফরমার
- প্রবণতা
- সত্য
- পালা
- আদর্শ
- ধরনের
- নিম্নাবস্থিত
- অসদৃশ
- অনিশ্চিত
- আপলোড করা
- ব্যবহার
- ব্যবহার
- ব্যবহার ক্ষেত্রে
- ব্যবহৃত
- ব্যবহারসমূহ
- ব্যবহার
- সাধারণত
- ব্যবহার
- যাচাই করুন
- মূল্য
- মানগুলি
- বৈকল্পিক
- বিভিন্ন
- চেক
- দৃষ্টিপাত
- দৃষ্টি
- কল্পনা
- আয়তন
- ভলিউম
- অপেক্ষা করুন
- প্রয়োজন
- উপায়..
- we
- ওয়েব
- ওয়েব সার্ভিস
- আমরা একটি
- কি
- কখন
- কিনা
- যে
- যখন
- ব্যাপক
- প্রশস্ত পরিসর
- ইচ্ছা
- সঙ্গে
- মধ্যে
- ছাড়া
- কাজ করছে
- কর্মী
- শ্রমিকদের
- কাজ
- লেখা
- লিখিত
- আপনি
- আপনার
- zephyrnet
- শূন্য