বিকাশকারীর উত্পাদনশীলতা বাড়ানো: ডেলয়েট কীভাবে নো-কোড/লো-কোড মেশিন লার্নিংয়ের জন্য অ্যামাজন সেজমেকার ক্যানভাস ব্যবহার করে | আমাজন ওয়েব সার্ভিসেস

মেশিন লার্নিং (ML) মডেলগুলি দ্রুত তৈরি এবং স্থাপন করার ক্ষমতা আজকের ডেটা-চালিত বিশ্বে ক্রমশ গুরুত্বপূর্ণ হয়ে উঠছে। যাইহোক, এমএল মডেল তৈরি করতে উল্লেখযোগ্য সময়, প্রচেষ্টা এবং বিশেষ দক্ষতার প্রয়োজন। ডেটা সংগ্রহ এবং পরিষ্কার করা থেকে শুরু করে ফিচার ইঞ্জিনিয়ারিং, মডেল বিল্ডিং, টিউনিং এবং স্থাপনা, এমএল প্রকল্পগুলি প্রায়শই বিকাশকারীদের সম্পূর্ণ হতে কয়েক মাস সময় নেয়। এবং অভিজ্ঞ ডেটা বিজ্ঞানীদের দ্বারা আসা কঠিন হতে পারে।

এখানেই লো-কোড এবং নো-কোড এমএল পরিষেবাগুলির AWS স্যুট একটি অপরিহার্য হাতিয়ার হয়ে ওঠে। মাত্র কয়েক ক্লিক ব্যবহার করে আমাজন সেজমেকার ক্যানভাস, আপনি কোনো কোড লেখার প্রয়োজন ছাড়াই ML এর ক্ষমতার সুবিধা নিতে পারেন।

গভীর ML অভিজ্ঞতা সহ একটি কৌশলগত সিস্টেম ইন্টিগ্রেটর হিসাবে, Deloitte AWS থেকে নো-কোড এবং লো-কোড ML সরঞ্জামগুলিকে Deloitte-এর ক্লায়েন্ট এবং অভ্যন্তরীণ সম্পদগুলির জন্য ML মডেলগুলি দক্ষতার সাথে তৈরি এবং স্থাপন করতে ব্যবহার করে৷ এই সরঞ্জামগুলি হ্যান্ড-কোড মডেল এবং পাইপলাইনগুলির প্রয়োজন ছাড়াই ডেলয়েটকে এমএল সমাধানগুলি বিকাশ করতে দেয়। এটি প্রজেক্ট ডেলিভারি টাইমলাইনকে ত্বরান্বিত করতে সাহায্য করতে পারে এবং ডেলয়েটকে আরও ক্লায়েন্টের কাজ নিতে সক্ষম করে।

Deloitte কেন এই সরঞ্জামগুলি ব্যবহার করে তার কিছু নির্দিষ্ট কারণ নিম্নরূপ:

• নন-প্রোগ্রামারদের জন্য অ্যাক্সেসযোগ্যতা - নো-কোড সরঞ্জামগুলি নন-প্রোগ্রামারদের জন্য এমএল মডেল বিল্ডিং উন্মুক্ত করে। শুধুমাত্র ডোমেন দক্ষতা এবং খুব কম কোডিং দক্ষতা সহ দলের সদস্যরা ML মডেলগুলি বিকাশ করতে পারে।
• নতুন প্রযুক্তির দ্রুত গ্রহণ - ব্যবহারের জন্য প্রস্তুত মডেল এবং AutoML এর উপলব্ধতা এবং ক্রমাগত উন্নতি নিশ্চিত করতে সাহায্য করে যে ব্যবহারকারীরা ক্রমাগত অগ্রণী-শ্রেণীর প্রযুক্তি ব্যবহার করছেন।
• সাশ্রয়ী উন্নয়ন - নো-কোড টুলগুলি ML মডেল ডেভেলপমেন্টের জন্য প্রয়োজনীয় খরচ এবং সময় কমাতে সাহায্য করে, এটি ক্লায়েন্টদের কাছে আরও অ্যাক্সেসযোগ্য করে তোলে, যা তাদের বিনিয়োগে উচ্চতর রিটার্ন অর্জনে সহায়তা করতে পারে।

অতিরিক্তভাবে, এই সরঞ্জামগুলি দ্রুত কর্মপ্রবাহের জন্য একটি ব্যাপক সমাধান প্রদান করে, নিম্নলিখিতগুলিকে সক্ষম করে:

• দ্রুত তথ্য প্রস্তুতি - সেজমেকার ক্যানভাসে 300 টিরও বেশি অন্তর্নির্মিত রূপান্তর এবং প্রাকৃতিক ভাষা ব্যবহার করার ক্ষমতা রয়েছে যা ডেটা প্রস্তুতিকে ত্বরান্বিত করতে পারে এবং মডেল তৈরির জন্য ডেটা প্রস্তুত করতে পারে৷
• দ্রুত মডেল বিল্ডিং - সেজমেকার ক্যানভাস রেডি-টু-ব্যবহারের মডেল বা অফার করে আমাজন অটোএমএল প্রযুক্তি যা আপনাকে মাত্র কয়েকটি ক্লিকে এন্টারপ্রাইজ ডেটাতে কাস্টম মডেল তৈরি করতে সক্ষম করে। এটি গ্রাউন্ড আপ থেকে কোডিং মডেলের তুলনায় প্রক্রিয়াটিকে দ্রুততর করতে সহায়তা করে।
• আরও সহজ স্থাপনা - সেজমেকার ক্যানভাস একটিকে উৎপাদন-প্রস্তুত মডেল স্থাপন করার ক্ষমতা প্রদান করে আমাজন স্যাগমেকার রেজিস্টার করার সময় কয়েকটি ক্লিকে শেষ পয়েন্ট আমাজন সেজমেকার মডেল রেজিস্ট্রি.

বিশ্বেশ্বর ভাসা, Deloitte জন্য ক্লাউড CTO, বলেছেন:

"AWS-এর নো-কোড ML পরিষেবা যেমন SageMaker Canvas এবং SageMaker Data Wrangler-এর মাধ্যমে, আমরা Deloitte Consulting-এ নতুন দক্ষতা আনলক করেছি, আমাদের ক্লায়েন্ট-মুখী এবং অভ্যন্তরীণ প্রকল্পগুলিতে 30-40% বিকাশ এবং স্থাপনার উত্পাদনশীলতার গতি বাড়িয়েছি।"

এই পোস্টে, আমরা SageMaker ক্যানভাস ব্যবহার করে কোন কোড ছাড়াই একটি এন্ড-টু-এন্ড ML মডেল তৈরি করার ক্ষমতা প্রদর্শন করি যাতে একজন গ্রাহক ঋণে ডিফল্ট হবে কিনা তা ভবিষ্যদ্বাণী করার জন্য কীভাবে একটি শ্রেণীবিভাগ মডেল তৈরি করতে হয়। ঋণ খেলাপি আরও সঠিকভাবে ভবিষ্যদ্বাণী করে, মডেলটি একটি আর্থিক পরিষেবা সংস্থাকে ঝুঁকি পরিচালনা করতে, ঋণের মূল্য যথাযথভাবে পরিচালনা করতে, ক্রিয়াকলাপের উন্নতি করতে, অতিরিক্ত পরিষেবা প্রদান করতে এবং একটি প্রতিযোগিতামূলক সুবিধা পেতে সহায়তা করতে পারে। আমরা দেখাই কিভাবে SageMaker ক্যানভাস আপনাকে ঋণের ডিফল্ট পূর্বাভাসের জন্য কাঁচা ডেটা থেকে একটি স্থাপন করা বাইনারি শ্রেণীবিভাগ মডেলে দ্রুত যেতে সাহায্য করতে পারে।

সেজমেকার ক্যানভাস দ্বারা চালিত ব্যাপক ডেটা প্রস্তুতির ক্ষমতা অফার করে অ্যামাজন সেজমেকার ডেটা র্যাংলার সেজমেকার ক্যানভাস কর্মক্ষেত্রে। এটি আপনাকে একটি একক প্ল্যাটফর্মে ডেটা প্রস্তুতি থেকে মডেল বিল্ডিং এবং স্থাপনা পর্যন্ত একটি স্ট্যান্ডার্ড ML ওয়ার্কফ্লো-এর সমস্ত ধাপ অতিক্রম করতে সক্ষম করে।

ডেটা প্রস্তুতি সাধারণত ML কর্মপ্রবাহের সবচেয়ে সময়-নিবিড় পর্যায়। ডেটা প্রস্তুতিতে ব্যয় করা সময় কমাতে, সেজমেকার ক্যানভাস আপনাকে 300 টিরও বেশি অন্তর্নির্মিত রূপান্তর ব্যবহার করে আপনার ডেটা প্রস্তুত করতে দেয়। বিকল্পভাবে, আপনি স্বাভাবিক ভাষার প্রম্পট লিখতে পারেন, যেমন "কলাম c এর জন্য সারিগুলি বাদ দিন যেগুলি আউটলিয়ার" এবং এই ডেটা প্রস্তুতির ধাপের জন্য প্রয়োজনীয় কোড স্নিপেট সহ উপস্থাপন করুন৷ তারপরে আপনি কয়েকটি ক্লিকে এটিকে আপনার ডেটা প্রস্তুতির কর্মপ্রবাহে যুক্ত করতে পারেন। আমরা এই পোস্টে এটি কিভাবে ব্যবহার করতে হয় তা দেখাই।

সমাধান ওভারভিউ

নিম্নোক্ত চিত্রটি সেজমেকার লো-কোড এবং নো-কোড সরঞ্জাম ব্যবহার করে ঋণের ডিফল্ট শ্রেণীবিভাগ মডেলের জন্য আর্কিটেকচার বর্ণনা করে।

লোন ডিফল্ট ডেটা সম্পর্কে বিশদ বিবরণ রয়েছে এমন একটি ডেটাসেট দিয়ে শুরু হচ্ছে৷ আমাজন সিম্পল স্টোরেজ সার্ভিস (Amazon S3), আমরা ডেটা সম্পর্কে অন্তর্দৃষ্টি পেতে SageMaker ক্যানভাস ব্যবহার করি। তারপরে আমরা রূপান্তরগুলি প্রয়োগ করার জন্য বৈশিষ্ট্য প্রকৌশল সম্পাদন করি যেমন শ্রেণীগত বৈশিষ্ট্যগুলিকে এনকোড করা, প্রয়োজনীয় বৈশিষ্ট্যগুলি বাদ দেওয়া এবং আরও অনেক কিছু। এরপরে, আমরা অ্যামাজন এস৩-এ ক্লিন করা ডেটা আবার সঞ্চয় করি। আমরা ঋণ খেলাপি ভবিষ্যদ্বাণী করার জন্য একটি শ্রেণীবিভাগ মডেল তৈরি করতে পরিষ্কার করা ডেটাসেট ব্যবহার করি। তারপর আমরা অনুমান জন্য একটি উত্পাদন প্রস্তুত মডেল আছে.

পূর্বশর্ত

নিশ্চিত করুন যে নিম্নলিখিত পূর্বশর্ত সম্পূর্ণ এবং আপনি সক্ষম করেছেন যে ক্যানভাস রেডি-টু-ব্যবহারের মডেল SageMaker ডোমেন সেট আপ করার সময় বিকল্প। আপনি যদি ইতিমধ্যে আপনার ডোমেন সেট আপ করে থাকেন, আপনার ডোমেন সেটিংস সম্পাদনা করুন এবং যান ক্যানভাস সেটিংস সক্ষম করতে ক্যানভাস রেডি-টু-ব্যবহারের মডেলগুলি সক্ষম করুন৷ বিকল্প উপরন্তু, সেট আপ এবং সেজমেকার ক্যানভাস অ্যাপ্লিকেশন তৈরি করুন, তারপর অনুরোধ করুন এবং সক্ষম করুন নৃতাত্ত্বিক ক্লড মডেল অ্যাক্সেস on আমাজন বেডরক.

ডেটা সেটটি

আমরা থেকে একটি পাবলিক ডেটাসেট ব্যবহার করি কাগল এতে আর্থিক ঋণের তথ্য রয়েছে। ডেটাসেটের প্রতিটি সারি একটি একক ঋণের প্রতিনিধিত্ব করে এবং কলামগুলি প্রতিটি লেনদেনের বিবরণ প্রদান করে। এই ডেটাসেটটি ডাউনলোড করুন এবং এটিকে আপনার পছন্দের একটি S3 বালতিতে সংরক্ষণ করুন। নিম্নলিখিত সারণী ডেটাসেটের ক্ষেত্রগুলিকে তালিকাভুক্ত করে৷

কলামের নাম	তথ্য টাইপ	বিবরণ
Person_age	পূর্ণসংখ্যা	যে ব্যক্তি ঋণ নিয়েছেন তার বয়স
Person_income	পূর্ণসংখ্যা	ঋণগ্রহীতার আয়
Person_home_ownership	স্ট্রিং	বাড়ির মালিকানার অবস্থা (নিজের বা ভাড়া)
Person_emp_length	দশমিক	তারা কত বছর চাকরি করছে
Loan_intent	স্ট্রিং	ঋণের কারণ (ব্যক্তিগত, চিকিৎসা, শিক্ষাগত, ইত্যাদি)
Loan_grade	স্ট্রিং	লোন গ্রেড (A-E)
Loan_int_rate	দশমিক	সুদের হার
Loan_amnt	পূর্ণসংখ্যা	ঋণের মোট পরিমাণ
Loan_status	পূর্ণসংখ্যা	লক্ষ্য (তারা ডিফল্ট করুক বা না করুক)
Loan_percent_income	দশমিক	আয়ের শতাংশের তুলনায় ঋণের পরিমাণ
Cb_person_default_on_file	পূর্ণসংখ্যা	পূর্ববর্তী ডিফল্ট (যদি থাকে)
Cb_person_credit_history_length	স্ট্রিং	তাদের ক্রেডিট ইতিহাসের দৈর্ঘ্য

SageMaker ক্যানভাস দিয়ে ডেটা প্রস্তুতি সহজ করুন

ডেটা প্রস্তুতি ML প্রকল্পে প্রচেষ্টার 80% পর্যন্ত নিতে পারে. সঠিক তথ্য প্রস্তুতি ভাল মডেল কর্মক্ষমতা এবং আরো সঠিক ভবিষ্যদ্বাণী বাড়ে। সেজমেকার ক্যানভাস কোনো এসকিউএল বা পাইথন কোড না লিখেই ইন্টারেক্টিভ ডেটা এক্সপ্লোরেশন, রূপান্তর এবং প্রস্তুতির অনুমতি দেয়।

আপনার ডেটা প্রস্তুত করতে নিম্নলিখিত পদক্ষেপগুলি সম্পূর্ণ করুন:

1. সেজমেকার ক্যানভাস কনসোলে, নির্বাচন করুন ডেটা প্রস্তুতি নেভিগেশন ফলকে।
2. উপরে সৃষ্টি মেনু, নির্বাচন করুন দলিল.
3. জন্য ডাটাসেটের নাম, আপনার ডেটাসেটের জন্য একটি নাম লিখুন।
4. বেছে নিন সৃষ্টি.
   
5. ডেটা উত্স হিসাবে Amazon S3 চয়ন করুন এবং এটিকে ডেটাসেটের সাথে সংযুক্ত করুন৷
6. ডেটাসেট লোড হওয়ার পরে, সেই ডেটাসেট ব্যবহার করে একটি ডেটা ফ্লো তৈরি করুন।
   
7. বিশ্লেষণ ট্যাবে স্যুইচ করুন এবং একটি তৈরি করুন ডেটা গুণমান এবং অন্তর্দৃষ্টি রিপোর্ট.

ইনপুট ডেটাসেটের গুণমান বিশ্লেষণ করার জন্য এটি একটি প্রস্তাবিত পদক্ষেপ। এই প্রতিবেদনের আউটপুট তাত্ক্ষণিক ML-চালিত অন্তর্দৃষ্টি যেমন ডেটা স্কু, ডেটাতে সদৃশ, অনুপস্থিত মান এবং আরও অনেক কিছু তৈরি করে। নিম্নলিখিত স্ক্রিনশটটি ঋণ ডেটাসেটের জন্য তৈরি করা প্রতিবেদনের একটি নমুনা দেখায়।

আপনার পক্ষ থেকে এই অন্তর্দৃষ্টি তৈরি করে, সেজমেকার ক্যানভাস আপনাকে ডেটাতে এমন কিছু সমস্যা সরবরাহ করে যেগুলির ডেটা প্রস্তুতি পর্বে প্রতিকারের প্রয়োজন। সেজমেকার ক্যানভাস দ্বারা চিহ্নিত শীর্ষ দুটি সমস্যা বাছাই করতে, আপনাকে শ্রেণীবদ্ধ বৈশিষ্ট্যগুলিকে এনকোড করতে হবে এবং সদৃশ সারিগুলি সরিয়ে ফেলতে হবে যাতে আপনার মডেলের গুণমান উচ্চ হয়৷ আপনি SageMaker ক্যানভাসের সাথে একটি ভিজ্যুয়াল ওয়ার্কফ্লোতে এই এবং আরও অনেক কিছু করতে পারেন।

1. প্রথমত, এক-গরম এনকোড loan_intent, loan_grade, এবং person_home_ownership
2. আপনি ড্রপ করতে পারেন cb_person_cred_history_length কলাম কারণ সেই কলামে সর্বনিম্ন ভবিষ্যদ্বাণী করার ক্ষমতা রয়েছে, যেমন ডেটা গুণমান এবং অন্তর্দৃষ্টি রিপোর্টে দেখানো হয়েছে।
   
   SageMaker ক্যানভাস সম্প্রতি একটি যোগ করা হয়েছে ডেটা দিয়ে চ্যাট করুন বিকল্প এই বৈশিষ্ট্যটি ফাউন্ডেশন মডেলের শক্তি ব্যবহার করে প্রাকৃতিক ভাষার প্রশ্নগুলি ব্যাখ্যা করতে এবং বৈশিষ্ট্য ইঞ্জিনিয়ারিং রূপান্তরগুলি প্রয়োগ করতে পাইথন-ভিত্তিক কোড তৈরি করে। এই বৈশিষ্ট্যটি অ্যামাজন বেডরক দ্বারা চালিত, এবং আপনার ভিপিসিতে সম্পূর্ণরূপে চালানোর জন্য কনফিগার করা যেতে পারে যাতে ডেটা কখনই আপনার পরিবেশ ছেড়ে না যায়।
3. ডুপ্লিকেট সারিগুলি সরাতে এই বৈশিষ্ট্যটি ব্যবহার করতে, এর পাশে প্লাস চিহ্নটি নির্বাচন করুন৷ কলাম ড্রপ করুন রূপান্তর করুন, তারপর চয়ন করুন ডেটা দিয়ে চ্যাট করুন.
   
4. স্বাভাবিক ভাষায় আপনার প্রশ্ন লিখুন (উদাহরণস্বরূপ, "ডেটাসেট থেকে ডুপ্লিকেট সারিগুলি সরান")।
5. উত্পন্ন রূপান্তর পর্যালোচনা করুন এবং চয়ন করুন ধাপে যোগ করুন প্রবাহে রূপান্তর যোগ করতে।
   
6. অবশেষে, এই রূপান্তরগুলির আউটপুট Amazon S3 বা ঐচ্ছিকভাবে রপ্তানি করুন আমাজন সেজমেকার ফিচার স্টোর একাধিক প্রকল্প জুড়ে এই বৈশিষ্ট্যগুলি ব্যবহার করতে।

একটি বৃহৎ ডেটাসেটের জন্য ওয়ার্কফ্লো স্কেল করার জন্য আপনি ডেটাসেটের জন্য একটি Amazon S3 গন্তব্য তৈরি করতে আরেকটি ধাপ যোগ করতে পারেন। নিচের চিত্রটি ভিজ্যুয়াল ট্রান্সফরমেশন যোগ করার পর সেজমেকার ক্যানভাস ডেটা প্রবাহ দেখায়।

আপনি সেজমেকার ক্যানভাসে ভিজ্যুয়াল ওয়ার্কফ্লো ব্যবহার করে সম্পূর্ণ ডেটা প্রসেসিং এবং ফিচার ইঞ্জিনিয়ারিং ধাপটি সম্পন্ন করেছেন। এটি একটি ডেটা ইঞ্জিনিয়ারের সাফ করার জন্য এবং মডেল ডেভেলপমেন্টের জন্য সপ্তাহ থেকে কয়েক দিন ডেটা প্রস্তুত করার জন্য যে সময় ব্যয় করে তা কমাতে সাহায্য করে৷ পরবর্তী ধাপ হল ML মডেল তৈরি করা।

SageMaker ক্যানভাস দিয়ে একটি মডেল তৈরি করুন

Amazon SageMaker Canvas এই বাইনারি শ্রেণীবিভাগ মডেল তৈরি, বিশ্লেষণ, পরীক্ষা এবং স্থাপনের জন্য একটি নো-কোড এন্ড-টু-এন্ড ওয়ার্কফ্লো প্রদান করে। নিম্নলিখিত পদক্ষেপগুলি সম্পূর্ণ করুন:

1. সেজমেকার ক্যানভাসে একটি ডেটাসেট তৈরি করুন।
2. ডেটা রপ্তানি করতে ব্যবহৃত S3 অবস্থান অথবা SageMaker ক্যানভাস কাজের গন্তব্যস্থলে S3 অবস্থান উল্লেখ করুন।
   
   এখন আপনি মডেল তৈরি করতে প্রস্তুত.
3. বেছে নিন মডেল নেভিগেশন ফলকে এবং নির্বাচন করুন নতুন মডেল.
4. মডেলের নাম দিন এবং নির্বাচন করুন ভবিষ্যদ্বাণীমূলক বিশ্লেষণ মডেল টাইপ হিসাবে।
5. আগের ধাপে তৈরি করা ডেটাসেট বেছে নিন।
   
   পরবর্তী ধাপ হল মডেল টাইপ কনফিগার করা।
6. টার্গেট কলাম বেছে নিন এবং মডেলের ধরন স্বয়ংক্রিয়ভাবে সেট হয়ে যাবে 2 বিভাগের পূর্বাভাস.
7. আপনার বিল্ড টাইপ চয়ন করুন, স্ট্যান্ডার্ড বিল্ড or দ্রুত বিল্ড.
   
   SageMaker ক্যানভাস প্রত্যাশিত বিল্ড টাইম প্রদর্শন করে যত তাড়াতাড়ি আপনি মডেল তৈরি করা শুরু করেন। স্ট্যান্ডার্ড বিল্ড সাধারণত 2-4 ঘন্টার মধ্যে লাগে; আপনি ছোট ডেটাসেটের জন্য দ্রুত বিল্ড বিকল্পটি ব্যবহার করতে পারেন, যার সময় লাগে মাত্র 2-15 মিনিট। এই নির্দিষ্ট ডেটাসেটের জন্য, মডেল তৈরি সম্পূর্ণ করতে প্রায় 45 মিনিট সময় নেওয়া উচিত। সেজমেকার ক্যানভাস আপনাকে বিল্ড প্রক্রিয়ার অগ্রগতি সম্পর্কে অবহিত করে।
8. মডেলটি তৈরি হওয়ার পরে, আপনি মডেলের কার্যকারিতা দেখতে পারেন।
   
   সেজমেকার ক্যানভাস মডেলের ধরনের উপর নির্ভর করে নির্ভুলতা, নির্ভুলতা এবং F1 স্কোরের মতো বিভিন্ন মেট্রিক্স প্রদান করে। নিম্নলিখিত স্ক্রিনশটটি এই বাইনারি শ্রেণীবিভাগের মডেলের নির্ভুলতা এবং আরও কয়েকটি উন্নত মেট্রিক্স দেখায়।
9. পরবর্তী ধাপ হল পরীক্ষার ভবিষ্যদ্বাণী করা।
   SageMaker ক্যানভাস আপনাকে একাধিক ইনপুট বা একক ভবিষ্যদ্বাণীতে দ্রুত মডেলের গুণমান যাচাই করতে ব্যাচের ভবিষ্যদ্বাণী করতে দেয়। নিম্নলিখিত স্ক্রিনশট একটি নমুনা অনুমান দেখায়.
   
10. শেষ ধাপ হল প্রশিক্ষিত মডেল স্থাপন করা।
    সেজমেকার ক্যানভাস সেজমেকার এন্ডপয়েন্টগুলিতে মডেল স্থাপন করে এবং এখন আপনার কাছে অনুমানের জন্য একটি উত্পাদন মডেল প্রস্তুত রয়েছে। নিম্নলিখিত স্ক্রিনশটটি স্থাপন করা শেষ পয়েন্ট দেখায়।
    

মডেলটি স্থাপন করার পরে, আপনি এটিকে AWS SDK এর মাধ্যমে কল করতে পারেন বা৷ এডাব্লুএস কমান্ড লাইন ইন্টারফেস (AWS CLI) অথবা একজন সম্ভাব্য ঋণগ্রহীতার ঝুঁকি সম্পর্কে আত্মবিশ্বাসের সাথে ভবিষ্যদ্বাণী করতে আপনার পছন্দের যেকোনো অ্যাপ্লিকেশনে API কল করুন। আপনার মডেল পরীক্ষা সম্পর্কে আরো তথ্যের জন্য, পড়ুন রিয়েল-টাইম এন্ডপয়েন্ট আহ্বান করুন.

পরিষ্কার কর

অতিরিক্ত চার্জ এড়াতে, সেজমেকার ক্যানভাস থেকে লগ আউট করুন or SageMaker ডোমেন মুছুন যে তৈরি করা হয়েছিল। উপরন্তু, SageMaker মডেল শেষ পয়েন্ট মুছুন এবং Amazon S3 এ আপলোড করা ডেটাসেট মুছুন.

উপসংহার

নো-কোড এমএল বিকাশকে ত্বরান্বিত করে, স্থাপনাকে সহজ করে, প্রোগ্রামিং দক্ষতার প্রয়োজন হয় না, মান বৃদ্ধি করে এবং খরচ কমায়। এই সুবিধাগুলি নো-কোড এমএলকে তার এমএল পরিষেবা অফারগুলিকে উন্নত করার জন্য ডেলয়েটের কাছে আকর্ষণীয় করে তুলেছে এবং তারা তাদের এমএল মডেল বিল্ড টাইমলাইন 30-40% কমিয়েছে।

Deloitte হল একটি কৌশলগত গ্লোবাল সিস্টেম ইন্টিগ্রেটর যার সারা বিশ্বে 17,000 টিরও বেশি প্রত্যয়িত AWS অনুশীলনকারী রয়েছে। এটি AWS কম্পিটেন্সি প্রোগ্রামে অংশগ্রহণের মাধ্যমে বার বাড়াতে থাকে মেশিন লার্নিং সহ 25টি দক্ষতা. ডেলয়েটের সাথে সংযোগ করুন আপনার এন্টারপ্রাইজে AWS নো-কোড এবং কম-কোড সমাধান ব্যবহার করা শুরু করতে।

---

লেখক সম্পর্কে

চিদা সদায়াপ্পন ডেলয়েটের ক্লাউড এআই/মেশিন লার্নিং অনুশীলনে নেতৃত্ব দেয়। তিনি ব্যস্ততার জন্য দৃঢ় চিন্তার নেতৃত্বের অভিজ্ঞতা নিয়ে আসেন এবং AI/ML ব্যবহার করে শিল্প জুড়ে কার্যক্ষমতার উন্নতি এবং আধুনিকীকরণের লক্ষ্য অর্জনে নির্বাহী স্টেকহোল্ডারদের সমর্থন করার জন্য সমৃদ্ধ হন। চিডা একজন সিরিয়াল টেক উদ্যোক্তা এবং স্টার্টআপ এবং ডেভেলপার ইকোসিস্টেমের একজন আগ্রহী সম্প্রদায় নির্মাতা।

কুলদীপ সিং, AWS-এর একজন প্রধান গ্লোবাল এআই/এমএল নেতা 20 বছরেরও বেশি প্রযুক্তিতে, দক্ষতার সাথে তার বিক্রয় এবং উদ্যোক্তা দক্ষতাকে AI, ML, এবং সাইবার নিরাপত্তার গভীর বোঝার সাথে একত্রিত করেছেন। তিনি জেনারেটিভ এআই এবং জিএসআই-এর উপর ফোকাস রেখে বিভিন্ন শিল্প জুড়ে কৌশলগত বৈশ্বিক অংশীদারিত্ব তৈরিতে, রূপান্তরমূলক সমাধান এবং কৌশলগুলি চালনা করতে পারদর্শী।

কাসি মুথু হিউস্টন, TX-এর বাইরে AWS-এ ডেটা এবং AI/ML-এর উপর ফোকাস করা একজন সিনিয়র পার্টনার সলিউশন আর্কিটেক্ট। তিনি অংশীদার এবং গ্রাহকদের তাদের ক্লাউড ডেটা যাত্রা ত্বরান্বিত করতে সহায়তা করার বিষয়ে উত্সাহী৷ তিনি এই ক্ষেত্রে একজন বিশ্বস্ত উপদেষ্টা এবং ক্লাউডে মাপযোগ্য, স্থিতিস্থাপক এবং পারফরম্যান্ট কাজের চাপ নির্মাণ এবং নির্মাণের প্রচুর অভিজ্ঞতা রয়েছে৷ কাজের বাইরে তিনি তার পরিবারের সাথে সময় কাটাতে 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/boosting-developer-productivity-how-deloitte-uses-amazon-sagemaker-canvas-for-no-code-low-code-machine-learning/