Amazon SageMaker প্রশিক্ষণ পরিচালিত উষ্ণ পুলগুলির জন্য সর্বোত্তম অনুশীলন

Amazon SageMaker ট্রেনিং ম্যানেজড ওয়ার্ম পুল আপনাকে ব্যবহারকারী-নির্ধারিত সময়ের জন্য অন্তর্নিহিত অবকাঠামো পুনঃব্যবহার করতে এবং ধরে রাখার জন্য নমনীয়তা দেয়। কম্পিউট দৃষ্টান্তগুলি পরিচালনা করার অভেদহীন ভারী উত্তোলন পাস করার সুবিধা বজায় রাখার সময় এটি করা হয় অ্যামাজন সেজমেকার মডেল প্রশিক্ষণ. এই পোস্টে, আমরা সেজমেকার ট্রেনিং ম্যানেজড ওয়ার্ম পুল, সেইসাথে বেঞ্চমার্ক এবং সর্বোত্তম অনুশীলনগুলি দ্বারা সম্বোধন করা মূল সুবিধা এবং ব্যথার বিষয়গুলির রূপরেখা দিয়েছি।

সেজমেকার ট্রেনিং পরিচালিত উষ্ণ পুলগুলির ওভারভিউ

সেজমেকার মডেল ট্রেনিং হল একটি সম্পূর্ণরূপে পরিচালিত ক্ষমতা যা প্রতিটি কাজের জন্য দৃষ্টান্তগুলিকে স্পিন করে, একটি মডেলকে প্রশিক্ষণ দেয়, চালনা করে এবং তারপর কাজের পরে উদাহরণগুলিকে স্পিন করে। আপনাকে শুধুমাত্র দ্বিতীয় পর্যন্ত কাজের সময়কালের জন্য বিল করা হবে। এই সম্পূর্ণরূপে পরিচালিত ক্ষমতা আপনাকে আপনার মেশিন লার্নিং (ML) অ্যালগরিদমের উপর ফোকাস করার স্বাধীনতা দেয় এবং আপনার মডেলগুলিকে প্রশিক্ষণ দেওয়ার সময় অবকাঠামো ব্যবস্থাপনার মতো অপ্রত্যাশিত ভারী উত্তোলন সম্পর্কে চিন্তা না করে।

এই প্রক্রিয়াটি একটি প্রশিক্ষণ কাজের জন্য একটি সীমিত স্টার্টআপ সময়ের প্রয়োজন। যদিও এই স্টার্টআপ সময়, নামেও পরিচিত কোল্ড-স্টার্ট স্টার্টআপ সময়, মোটামুটি কম, আমাদের সবচেয়ে বেশি চাহিদা সম্পন্ন কিছু গ্রাহক ব্যবহারের ক্ষেত্রে এমনকি কম স্টার্টআপ সময় প্রয়োজন, যেমন 20 সেকেন্ডের কম। দুটি বিশিষ্ট ব্যবহারের ক্ষেত্রে এই প্রয়োজনীয়তা রয়েছে:

• প্রথমটি ব্যবহার করে ডেটা বিজ্ঞানীদের সক্রিয় এমএল পরীক্ষা আমাজন সেজমেকার ট্রেনিং প্ল্যাটফর্ম, বিশেষ করে GPT3-এর মতো বড় মডেলদের প্রশিক্ষণ দেওয়ার সময়, যেগুলিকে উৎপাদন-প্রস্তুত অবস্থায় পেতে একাধিক পুনরাবৃত্তির প্রয়োজন হয়।
• দ্বিতীয়টি হল একটি নির্ধারিত ক্যাডেন্সে একই ধরণের দৃষ্টান্তে একটি বৃহৎ সংখ্যক (কয়েক শত বা হাজারের ক্রমানুসারে) ধারাবাহিক চাকরির প্রোগ্রাম্যাটিক লঞ্চ। উদাহরণস্বরূপ, প্যারামিটার অনুসন্ধান বা বৃদ্ধিমূলক প্রশিক্ষণ।

এই ধরনের ব্যবহারের ক্ষেত্রে, ওভারহেডের জন্য ব্যয় করা প্রতিটি সেকেন্ড, যেমন একটি প্রশিক্ষণ কাজের শুরুর সময়, এই সমস্ত কাজের উপর একটি ক্রমবর্ধমান প্রভাব ফেলে।

সেজমেকার ট্রেনিং ম্যানেজড ওয়ার্ম পুলগুলির সাথে, ডেটা সায়েন্টিস্ট এবং এমএল ইঞ্জিনিয়ারদের সেজমেকার ট্রেনিং ইনস্ট্যান্স বা মাল্টি-ইনস্ট্যান্স ক্লাস্টারগুলিকে একটি পূর্বনির্দিষ্ট এবং পুনর্নির্মাণযোগ্য সময়ের জন্য উষ্ণ রাখার জন্য বেছে নেওয়ার ক্ষমতা রয়েছে (keep_alive_period_in_seconds) প্রতিটি প্রশিক্ষণের কাজ শেষ হওয়ার পরে। সুতরাং যদিও আপনি একটি দৃষ্টান্ত বা ক্লাস্টারে চালানো প্রথম প্রশিক্ষণ কাজের জন্য একটি কোল্ড-স্টার্ট পেনাল্টি ভোগ করেন, পরবর্তী সমস্ত প্রশিক্ষণ কাজের জন্য, দৃষ্টান্তগুলি ইতিমধ্যেই চালু এবং চলছে৷ ফলস্বরূপ, এই পরবর্তী প্রশিক্ষণের কাজগুলি যা একটি উদাহরণের আগে শুরু হয় keep_alive_period_in_seconds মেয়াদ শেষ হলে কোল্ড-স্টার্ট স্টার্টআপ সময় ওভারহেড বহন করে না। এটি প্রশিক্ষণের কাজ শুরুর সময়কে প্রায় 20 সেকেন্ডের কম (P90) কমাতে পারে।

ডেটা সায়েন্টিস্ট এবং এমএল ইঞ্জিনিয়াররা সেজমেকার ট্রেনিং ম্যানেজড ওয়ার্ম পুল ব্যবহার করতে পারেন পরীক্ষা-নিরীক্ষার জন্য প্রশিক্ষণের মধ্যে একক বা একাধিক দৃষ্টান্ত উষ্ণ রাখতে বা একই একক বা বহু-দৃষ্টান্ত ক্লাস্টারে পরপর একাধিক কাজ চালাতে। আপনি শুধুমাত্র প্রশিক্ষণ কাজের সময়কাল এবং পুনর্বিন্যাসযোগ্য জন্য অর্থ প্রদান keep_alive_period_in_seconds অন্য সব জায়গায় যেমন আপনি প্রতিটি একক উদাহরণের জন্য নির্দিষ্ট করেছেন।

সংক্ষেপে, সেজমেকার ট্রেনিং ম্যানেজড ওয়ার্ম পুলগুলির সাথে, আপনি সেজমেকার ম্যানেজড ইন্সট্যান্স ইউটিলাইজেশনের সংমিশ্রণ পাবেন যাতে অপ্ট ইন করার ক্ষমতা এবং স্বল্প সময়ের ব্যবধানের জন্য স্ব-ব্যবস্থাপনা করার ক্ষমতা রয়েছে। এই ব্যবধানগুলি একটি কাজের আগে কনফিগারযোগ্য, কিন্তু যদি সময় থাকে keep_alive_period_in_seconds ব্যবধান, আপনাকে এটি কমাতে বা বাড়াতে হবে, আপনি তা করতে পারেন। পর্যন্ত বৃদ্ধি পায় keep_alive_period_in_seconds 60 মিনিট পর্যন্ত ব্যবধানে করা যেতে পারে, একটি উদাহরণ বা ক্লাস্টারের জন্য সর্বাধিক সময়সীমা 7 দিন।

উষ্ণ পুল দিয়ে শুরু করতে, প্রথমে একটি উষ্ণ পুল কোটা সীমা বৃদ্ধি অনুরোধতারপরে, নির্দিষ্ট করুন keep_alive_period_in_seconds স্থিতিমাপ একটি প্রশিক্ষণ কাজ শুরু করার সময়।

benchmarks

আমরা একটি 1.34 GB TensorFlow ইমেজ, 2 GB ডেটা, এবং বিভিন্ন প্রশিক্ষণ ডেটা ইনপুট মোড (Amazon FSx, ফাস্ট ফাইল মোড, ফাইল মোড) ব্যবহার করে কাজের স্টার্টআপ লেটেন্সি পরিমাপ করার জন্য বেঞ্চমার্কিং পরীক্ষা করেছি। পরীক্ষাগুলি US-পূর্ব-4 অঞ্চলের m4, c5, m5, এবং c2 পরিবারের বিভিন্ন ধরনের উদাহরণ জুড়ে চালানো হয়েছিল। স্টার্টআপ লেটেন্সি পরিমাপ করা হয়েছিল চাকরি সৃষ্টির সময় থেকে প্রকৃত প্রশিক্ষণের কাজ শুরু হওয়ার সময় হিসাবে। প্রথম যে কাজগুলি ক্লাস্টার শুরু করেছিল এবং উষ্ণ পুল তৈরি করেছিল তার স্টার্টআপ লেটেন্সি ছিল 2-3 মিনিট। পরিকাঠামোর ব্যবস্থা করতে, ছবি ডাউনলোড করতে এবং ডেটা ডাউনলোড করতে সময় নেওয়ার কারণে এই উচ্চতর বিলম্ব হয়। উষ্ণ পুল ক্লাস্টার ব্যবহার করা ফলস্বরূপ কাজগুলিতে ফাস্ট ফাইল মোড (FFM) বা Amazon FSx-এর জন্য প্রায় 20 সেকেন্ড এবং ফাইল মোড (FM) এর জন্য 70 সেকেন্ডের স্টার্টআপ লেটেন্সি ছিল। এই ডেল্টা FM এর ফলে কাজ শুরুর আগে Amazon S3 থেকে সম্পূর্ণ ডেটাসেট ডাউনলোড করতে হবে।

আপনার প্রশিক্ষণ ডেটা ইনপুট মোডের পছন্দ স্টার্টআপের সময়কে প্রভাবিত করে, এমনকি উষ্ণ পুলের সাথেও। কোন ইনপুট মোড নির্বাচন করতে হবে তার নির্দেশিকা পরে এই পোস্টে সেরা অনুশীলন বিভাগে রয়েছে।

নিম্নলিখিত সারণী বিভিন্ন প্রশিক্ষণ ডেটা ইনপুট মোডের জন্য কাজের স্টার্টআপ লেটেন্সি P90 সংক্ষিপ্ত করে।

ডেটা ইনপুট মোড	স্টার্টআপ লেটেন্সি P90 (সেকেন্ড)
	প্রথম চাকরী	উষ্ণ পুলের চাকরি (পরবর্তী দ্বিতীয় কাজ)
এফএসএক্স	136	19
দ্রুত ফাইল মোড	143	21
ফাইল মোড	176	70

উষ্ণ পুল ব্যবহার করার জন্য সর্বোত্তম অনুশীলন

নিম্নলিখিত বিভাগে, আমরা উষ্ণ পুল ব্যবহার করার সময় কিছু সেরা অনুশীলন শেয়ার করি।

কখন আপনার উষ্ণ পুল ব্যবহার করা উচিত?

নিম্নলিখিত পরিস্থিতিতে উষ্ণ পুল সুপারিশ করা হয়:

• আপনি ইন্টারেক্টিভভাবে পরীক্ষা করছেন এবং ছোট কাজের একটি সিরিজের উপর আপনার স্ক্রিপ্ট টিউন করছেন।
• আপনি আপনার নিজস্ব কাস্টম-তৈরি, বড়-স্কেল হাইপারপ্যারামিটার অপ্টিমাইজেশান চালাচ্ছেন (উদাহরণস্বরূপ, সাইন টিউন).
• আপনার কাছে একটি ব্যাচ প্রক্রিয়া রয়েছে যা দৈনিক বা সাপ্তাহিক ক্যাডেন্সে একই ধরণের দৃষ্টান্তে একটি বৃহৎ সংখ্যক (কয়েক শত বা হাজারের ক্রমানুসারে) একটানা কাজ চালায়। উদাহরণস্বরূপ, শহর প্রতি একটি ML মডেল প্রশিক্ষণ.

উষ্ণ পুল সুপারিশ করা হয় না যখন এটি অসম্ভাব্য যে কেউ উষ্ণ পুলটি মেয়াদ শেষ হওয়ার আগে পুনরায় ব্যবহার করবে। উদাহরণস্বরূপ, একটি একক দীর্ঘ কাজ যা একটি স্বয়ংক্রিয় ML পাইপলাইনের মাধ্যমে চলে।

উষ্ণ পুল প্রশিক্ষণ জব স্টার্টআপ লেটেন্সি কমিয়ে দিন

একটি উষ্ণ পুল পুনঃব্যবহারকারী প্রশিক্ষণের কাজগুলি উষ্ণ পুল তৈরি করা প্রথম কাজের তুলনায় দ্রুত শুরু হয়। এটি একটি ক্যাশড ট্রেনিং কন্টেইনার ডকার ইমেজ সহ কাজগুলির মধ্যে ML দৃষ্টান্তগুলি চালানোর কারণে কন্টেইনারটি টানানো এড়িয়ে যাওয়ার কারণে অ্যামাজন ইলাস্টিক কনটেইনার রেজিস্ট্রি (আমাজন ইসিআর)। যাইহোক, একটি উষ্ণ পুল পুনঃব্যবহার করার সময়ও, সমস্ত কাজের জন্য নির্দিষ্ট প্রাথমিক পদক্ষেপগুলি ঘটে। এই পদক্ষেপগুলি অপ্টিমাইজ করা আপনার কাজ শুরু করার সময়কে কমিয়ে দিতে পারে (প্রথম এবং পরবর্তী উভয় কাজ)। নিম্নোক্ত বিবেচনা কর:

• প্রশিক্ষণ ডেটা ইনপুট মোড শুরুর সময়কে প্রভাবিত করতে পারে - পরিচালিত প্রশিক্ষণ ডেটা ইনপুট চ্যানেলগুলি প্রতিটি প্রশিক্ষণের কাজের জন্য পুনরায় তৈরি করা হয়, যা কাজের স্টার্টআপ বিলম্বে অবদান রাখে। তাই একটি ছোট ডেটাসেটের উপর প্রাথমিক পরীক্ষা-নিরীক্ষা করা দ্রুত স্টার্টআপ সময় (এবং দ্রুত প্রশিক্ষণের সময়) জন্য অনুমতি দেবে। পরীক্ষা-নিরীক্ষার পরবর্তী পর্যায়ের জন্য, যখন একটি বড় ডেটাসেটের প্রয়োজন হয়, একটি ইনপুট মোড টাইপ ব্যবহার করার কথা বিবেচনা করুন যাতে ন্যূনতম বা নির্দিষ্ট আরম্ভ করার সময় থাকে। উদাহরণস্বরূপ, FILE ইনপুট মোড সম্পূর্ণ ডেটাসেট থেকে কপি করে আমাজন সিম্পল স্টোরেজ সার্ভিস (Amazon S3) থেকে প্রশিক্ষণের উদাহরণ, যা বড় ডেটাসেটের জন্য সময়সাপেক্ষ (এমনকি উষ্ণ পুল সহ)। ফাস্ট ফাইল মোড কম স্টার্টআপ লেটেন্সির জন্য আরও উপযুক্ত কারণ কাজের চাপ শুরু হওয়ার আগে Amazon S3 থেকে শুধুমাত্র S3 অবজেক্ট মেটাডেটা পড়তে হবে। দ্য দীপ্তি জন্য Amazon FSx, বা আমাজন ইলাস্টিক ফাইল সিস্টেম (Amazon EFS) ফাইল সিস্টেম ইনপুট মোড, ফাইল সিস্টেমে ফাইলের সংখ্যা নির্বিশেষে একটি নির্দিষ্ট আরম্ভ করার সময় আছে, যা একটি বড় ডেটাসেটের সাথে কাজ করার সময় উপকারী।
  কীভাবে একটি ইনপুট চ্যানেল চয়ন করবেন সে সম্পর্কে আরও তথ্যের জন্য, দেখুন আপনার Amazon SageMaker প্রশিক্ষণ কাজের জন্য সেরা ডেটা উত্স চয়ন করুন.
• প্যাকেজগুলির রানটাইম ইনস্টলেশন হ্রাস করুন – কন্টেইনার স্টার্টআপের সময় যেকোন সফ্টওয়্যার ইনস্টলেশন হয়, উদাহরণস্বরূপ, পাইথনের পিপ বা অপারেটিং সিস্টেম apt-get, প্রশিক্ষণের কাজের লেটেন্সি বাড়াবে। এই স্টার্টআপ লেটেন্সি কমানোর জন্য রানটাইম ইন্সটলেশন বনাম কন্টেইনার বিল্ড টাইমে ইন্সটলেশনের নমনীয়তা এবং সরলতার মধ্যে একটা ট্রেড-অফ করা প্রয়োজন। আপনি যদি সেজমেকারের সাথে আপনার নিজের ডকার কন্টেইনার ব্যবহার করেন তবে পড়ুন সেজমেকারের সাথে কাজ করার জন্য আপনার নিজস্ব ডকার কন্টেইনারকে মানিয়ে নেওয়া. আপনি যদি ভরসা করেন prebuilt SageMaker কন্টেইনার ইমেজ, আপনার প্রয়োজন হবে একটি prebuilt ধারক প্রসারিত এবং স্পষ্টভাবে এই পাত্রে পরিচালনা করুন. এটি বিবেচনা করুন যদি আপনার রানটাইম ইনস্টলগুলি উল্লেখযোগ্যভাবে স্টার্টআপ লেটেন্সি বাড়ায়।
• আপনার ডকার ইমেজ ঘন ঘন আপডেট করা এড়িয়ে চলুন - আপনি যদি সেজমেকারের সাথে আপনার নিজের ডকার কন্টেইনার ব্যবহার করেন, তবে প্রতিটি কাজ চলাকালীন এটি আপডেট করা এড়াতে চেষ্টা করুন। যদি চাকরি জমা দেওয়ার মধ্যে ডকার ইমেজ পরিবর্তন হয়, উষ্ণ পুলটি পুনরায় ব্যবহার করা হবে, তবে স্টার্টআপ প্রক্রিয়াটিকে ক্যাশে করা কন্টেইনার ইমেজ পুনরায় ব্যবহার করার পরিবর্তে অ্যামাজন ECR থেকে কন্টেইনার ইমেজটি পুনরায় টানতে হবে। যদি ডকার ইমেজ আপডেট করা আবশ্যক, ডকার লেয়ার ক্যাশিংয়ের সুবিধা নিতে সর্বশেষ ডকার স্তরে আপডেটগুলি সীমাবদ্ধ করুন। আদর্শভাবে, আপনাকে ডকারফাইল বিষয়বস্তু সরিয়ে ফেলতে হবে যা হাইপারপ্যারামিটার, ডেটাসেট সংজ্ঞা এবং এমএল কোডের মতো পুনরাবৃত্তির মাধ্যমে পরিবর্তন হতে পারে। প্রতিটি পরিবর্তনের সাথে ডকার চিত্রগুলি পুনর্নির্মাণ না করেই এমএল কোডে পুনরাবৃত্তি করতে, আপনি সেজমেকার ট্রেনিং টুলকিটে সমর্থন করা ফ্রেমওয়ার্ক কন্টেইনার দৃষ্টান্ত গ্রহণ করতে পারেন। আপনি যদি আপনার নিজের কোড সহ একটি ফ্রেমওয়ার্ক ধারক বিকাশ করতে চান তবে এটি পড়ুন অ্যামাজন সেজমেকার টিউটোরিয়াল.

একাধিক ব্যবহারকারীর মধ্যে উষ্ণ পুল ভাগ করুন

ডেটা বিজ্ঞানীদের একটি বড় দলের সাথে কাজ করার সময়, আপনি উষ্ণ পুলগুলি ভাগ করতে পারেন যা রয়েছে৷ কাজের মানদণ্ড মিলে, যেমন একই এডাব্লুএস আইডেন্টিটি এবং অ্যাক্সেস ম্যানেজমেন্ট (IAM) ভূমিকা বা ধারক চিত্র।

এর একটি উদাহরণ টাইমলাইন তাকান. ব্যবহারকারী-1 একটি প্রশিক্ষণ কাজ শুরু করে যা সম্পূর্ণ হয় এবং এর ফলে একটি নতুন উষ্ণ পুল তৈরি হয়। যখন ব্যবহারকারী-২ একটি প্রশিক্ষণের কাজ শুরু করে, তখন কাজটি বিদ্যমান উষ্ণ পুলকে পুনরায় ব্যবহার করবে, যার ফলে দ্রুত কাজ শুরু হবে। ব্যবহারকারী-2 এর কাজ ব্যবহার করা উষ্ণ পুলের সাথে চলছে, যদি অন্য ব্যবহারকারী একটি প্রশিক্ষণ কাজ শুরু করে, তাহলে একটি দ্বিতীয় উষ্ণ পুল তৈরি করা হবে।

এই পুনঃব্যবহারের আচরণ একই ধরনের কাজ শুরু করে এমন ব্যবহারকারীদের মধ্যে উষ্ণ পুল ভাগ করে খরচ কমাতে সাহায্য করে। আপনি যদি ব্যবহারকারীদের মধ্যে উষ্ণ পুল ভাগাভাগি এড়াতে চান, তাহলে ব্যবহারকারীদের চাকরি থাকতে হবে না কাজের মানদণ্ড মিলে (উদাহরণস্বরূপ, তাদের অবশ্যই একটি ভিন্ন IAM ভূমিকা ব্যবহার করতে হবে)।

কাজ সমাপ্তির ব্যবহারকারীদের অবহিত করুন

পরীক্ষা-নিরীক্ষার জন্য উষ্ণ পুল ব্যবহার করার সময়, আমরা ব্যবহারকারীদের তাদের কাজ শেষ হলে তা জানানোর পরামর্শ দিই। এটি ব্যবহারকারীদের উষ্ণ পুলের মেয়াদ শেষ হওয়ার আগে পরীক্ষা পুনরায় শুরু করতে দেয় বা বন্ধ করা উষ্ণ পুল যদি আর প্রয়োজন না হয়। আপনি এটিও করতে পারেন স্বয়ংক্রিয়ভাবে ট্রিগার বিজ্ঞপ্তি দ্বারা অ্যামাজন ইভেন্টব্রিজ.

দ্রুত পরীক্ষা-নিরীক্ষা এবং সমস্যা সমাধানের প্রশিক্ষণ কাজের জন্য আরও সরঞ্জাম

উষ্ণ পুল দিয়ে, আপনি 20 সেকেন্ডের কম সময়ে একটি কাজ শুরু করতে পারেন। কিছু পরিস্থিতিতে রিয়েল-টাইম, হ্যান্ডস-অন ইন্টারেক্টিভ পরীক্ষা এবং সমস্যা সমাধানের প্রয়োজন। ওপেন সোর্স সেজমেকার এসএসএইচ হেল্পার লাইব্রেরি আপনাকে একটি সেজমেকার প্রশিক্ষণ পাত্রে শেল করতে এবং দূরবর্তী উন্নয়ন এবং ডিবাগিং পরিচালনা করতে দেয়।

উপসংহার

সেজমেকার ট্রেনিং ম্যানেজড ওয়ার্ম পুলগুলির সাহায্যে, আপনি একটি নির্দিষ্ট সময়ের জন্য প্রতিটি কাজের পরে আপনার মডেল প্রশিক্ষণ হার্ডওয়্যার উদাহরণগুলিকে উষ্ণ রাখতে পারেন। এটি একটি মডেল প্রশিক্ষণ কাজের জন্য স্টার্টআপ লেটেন্সি 8x পর্যন্ত কমাতে পারে। সেজমেকার ট্রেনিং ম্যানেজড ওয়ার্ম পুল সমস্ত পাবলিক AWS অঞ্চলে পাওয়া যায় যেখানে সেজমেকার মডেল ট্রেনিং পাওয়া যায়।

শুরু করতে, দেখুন সেজমেকার পরিচালিত উষ্ণ পুল ব্যবহার করে ট্রেন.

---

লেখক সম্পর্কে

ডাঃ রোমি দত্ত  প্রশিক্ষণ, প্রক্রিয়াকরণ এবং বৈশিষ্ট্য স্টোরের জন্য দায়ী Amazon SageMaker টিমের পণ্য ব্যবস্থাপনার একজন সিনিয়র ম্যানেজার। তিনি 4 বছরেরও বেশি সময় ধরে AWS-এ রয়েছেন, SageMaker, S3 এবং IoT-তে একাধিক পণ্য পরিচালনার নেতৃত্বের ভূমিকা পালন করেছেন। AWS-এর আগে তিনি IBM, Texas Instruments এবং Nvidia-এ বিভিন্ন পণ্য ব্যবস্থাপনা, প্রকৌশল এবং অপারেশনাল নেতৃত্বের ভূমিকায় কাজ করেছেন। তিনি একটি MS এবং Ph.D আছে. অস্টিনের ইউনিভার্সিটি অফ টেক্সাস থেকে ইলেকট্রিক্যাল এবং কম্পিউটার ইঞ্জিনিয়ারিং এবং ইউনিভার্সিটি অফ শিকাগো বুথ স্কুল অফ বিজনেস থেকে এমবিএ।

অরুণ নাগরাজন প্রশিক্ষণ এবং MLOps এলাকায় ফোকাস করে Amazon SageMaker দলের সাথে একজন প্রধান প্রকৌশলী। তিনি লঞ্চের বছর থেকে সেজমেকার দলের সাথে রয়েছেন, রিয়েলটাইম ইনফারেন্স এবং মডেল মনিটর পণ্য সহ সেজমেকারের বিভিন্ন ক্ষেত্রে অবদান উপভোগ করেছেন। তিনি প্রশান্ত মহাসাগরীয় উত্তর-পশ্চিম অঞ্চলের বাইরে অন্বেষণ করতে এবং পাহাড়ে আরোহণ করতে পছন্দ করেন।

অ্যামি তুমি AWS SageMaker-এর একজন সফটওয়্যার ডেভেলপমেন্ট ম্যানেজার। তিনি সেজমেকার ট্রেনিং প্ল্যাটফর্মের নতুন ক্ষমতা তৈরি, রক্ষণাবেক্ষণ এবং বিকাশের জন্য সফ্টওয়্যার ইঞ্জিনিয়ারদের একটি দলকে একত্রিত করার দিকে মনোনিবেশ করেন যা গ্রাহকদের তাদের এমএল মডেলগুলিকে আরও দক্ষতার সাথে এবং সহজে প্রশিক্ষণ দিতে সহায়তা করে। এমএল এবং এআই প্রযুক্তির প্রতি তার আবেগ রয়েছে, বিশেষ করে তার স্নাতক অধ্যয়ন থেকে চিত্র এবং দৃষ্টিভঙ্গির সাথে সম্পর্কিত। তার অবসর সময়ে, তিনি তার পরিবারের সাথে সংগীত এবং শিল্প নিয়ে কাজ করতে পছন্দ করেন।

সিফেই লি আমাজন এআই-এর একজন সফ্টওয়্যার প্রকৌশলী যেখানে তিনি অ্যামাজন মেশিন লার্নিং প্ল্যাটফর্ম তৈরিতে কাজ করছেন এবং অ্যামাজন সেজমেকারের লঞ্চ টিমের অংশ ছিলেন। তার অবসর সময়ে, সে গান বাজনা এবং পড়তে পছন্দ করে।

জেনা ঝাও AWS SageMaker-এর একজন সফটওয়্যার ডেভেলপমেন্ট ইঞ্জিনিয়ার। তিনি ML/AI প্রযুক্তির প্রতি অনুরাগী এবং সেজমেকার ট্রেনিং প্ল্যাটফর্ম তৈরিতে মনোযোগ দিচ্ছেন যা গ্রাহকদের দ্রুত এবং সহজে মেশিন লার্নিং মডেলগুলিকে প্রশিক্ষণ দিতে সক্ষম করে। কাজের বাইরে, তিনি তার পরিবারের সাথে ভ্রমণ এবং সময় কাটাতে উপভোগ করেন।

পারস মেহরা AWS-এর একজন সিনিয়র প্রোডাক্ট ম্যানেজার। তিনি অ্যামাজন সেজমেকার প্রশিক্ষণ এবং প্রক্রিয়াকরণ তৈরিতে সহায়তা করার দিকে মনোনিবেশ করেছেন। তার অবসর সময়ে, পারস তার পরিবারের সাথে সময় কাটাতে এবং বে এরিয়ার আশেপাশে রোড বাইক চালানো উপভোগ করে। আপনি তাকে খুঁজে পেতে পারেন লিঙ্কডইন.

গিলি নাছুম একজন সিনিয়র AI/ML স্পেশালিস্ট সলিউশন আর্কিটেক্ট যিনি EMEA Amazon Machine Learning দলের অংশ হিসেবে কাজ করেন। গিলি গভীর শিক্ষার মডেল প্রশিক্ষণের চ্যালেঞ্জগুলি এবং আমরা জানি যে কীভাবে মেশিন লার্নিং বিশ্বকে পরিবর্তন করছে সে সম্পর্কে উত্সাহী। অবসর সময়ে, গিলি টেবিল টেনিস খেলা উপভোগ করেন।

অলিভিয়ার ক্রুচ্যান্ট ফ্রান্সে অবস্থিত AWS-এর একজন মেশিন লার্নিং স্পেশালিস্ট সলিউশন আর্কিটেক্ট। অলিভিয়ার AWS গ্রাহকদের সাহায্য করে - ছোট স্টার্টআপ থেকে শুরু করে বড় এন্টারপ্রাইজে - প্রোডাকশন-গ্রেড মেশিন লার্নিং অ্যাপ্লিকেশনগুলি বিকাশ এবং স্থাপন করতে। তার অবসর সময়ে, তিনি গবেষণাপত্র পড়তে এবং বন্ধু এবং পরিবারের সাথে মরুভূমি অন্বেষণ উপভোগ করেন।

এমিলি ওয়েবার SageMaker চালু হওয়ার ঠিক পরে AWS-এ যোগদান করেছে, এবং তখন থেকেই বিশ্বকে এটি সম্পর্কে জানানোর চেষ্টা করছে! গ্রাহকদের জন্য নতুন ML অভিজ্ঞতা তৈরির বাইরে, এমিলি তিব্বতি বৌদ্ধধর্মের ধ্যান ও অধ্যয়ন উপভোগ করেন।