Twitter, Amazon SageMaker, এবং Hugging Face সহ একটি সংবাদ-ভিত্তিক রিয়েল-টাইম সতর্কতা সিস্টেম তৈরি করুন

আজ, সোশ্যাল মিডিয়া খবরের একটি বিশাল উৎস। ব্যবহারকারীরা সংবাদ গ্রহণের জন্য ফেসবুক এবং টুইটারের মতো প্ল্যাটফর্মের উপর নির্ভর করে। বীমা কোম্পানি, প্রথম উত্তরদাতা, আইন প্রয়োগকারী সংস্থা এবং সরকারী সংস্থাগুলির মতো কিছু শিল্পের জন্য, প্রাসঙ্গিক ঘটনাগুলি সম্পর্কে দ্রুত সংবাদ প্রক্রিয়া করতে সক্ষম হওয়া তাদের পদক্ষেপ নিতে সাহায্য করতে পারে যখন এই ঘটনাগুলি এখনও প্রকাশিত হচ্ছে।

একটি জটিল NLP (প্রাকৃতিক ভাষা প্রক্রিয়াকরণ) মডেলের প্রশিক্ষণ জড়িত নয় এমন একটি সমাধান খুঁজতে পাঠ্য ডেটা থেকে মূল্য বের করার চেষ্টা করা সংস্থাগুলির পক্ষে এটি অস্বাভাবিক নয়। এই সংস্থাগুলির জন্য, একটি প্রাক-প্রশিক্ষিত NLP মডেল ব্যবহার করা আরও বাস্তব। তদ্ব্যতীত, যদি নির্বাচিত মডেলটি তাদের সাফল্যের মেট্রিকগুলিকে সন্তুষ্ট না করে, তাহলে সংস্থাগুলি সহজেই অন্য মডেল বাছাই করতে এবং পুনরায় মূল্যায়ন করতে সক্ষম হতে চায়।

বর্তমানে, নিম্নলিখিতগুলিকে ধন্যবাদ পাঠ্য ডেটা থেকে তথ্য আহরণ করা আগের চেয়ে সহজ:

• অত্যাধুনিক, সাধারণ উদ্দেশ্য NLP আর্কিটেকচারের উত্থান যেমন ট্রান্সফরমার
• ডেভেলপার এবং ডেটা সায়েন্টিস্টদের ক্লাউডে মেশিন লার্নিং (ML) মডেলগুলি দ্রুত তৈরি, প্রশিক্ষণ এবং স্থাপন করার ক্ষমতা যেমন পরিষেবাগুলির সাথে আমাজন সেজমেকার
• শত শত ভাষায় হাজার হাজার প্রাক-প্রশিক্ষিত এনএলপি মডেলের উপলব্ধতা এবং প্ল্যাটফর্মে সম্প্রদায়ের দ্বারা প্রদত্ত একাধিক কাঠামোর সমর্থন সহ আলিঙ্গন ফেস হাব

এই পোস্টে, আমরা আপনাকে দেখাব কিভাবে একটি রিয়েল-টাইম সতর্কতা সিস্টেম তৈরি করা যায় যা টুইটার থেকে খবর গ্রহণ করে এবং হাগিং ফেস হাব থেকে একটি প্রাক-প্রশিক্ষিত মডেল ব্যবহার করে টুইটগুলিকে শ্রেণীবদ্ধ করে। আপনি শূন্য-শট শ্রেণীবিভাগের জন্য এই সমাধানটি ব্যবহার করতে পারেন, যার অর্থ আপনি টুইটগুলিকে কার্যত যেকোন শ্রেণীতে শ্রেণীবদ্ধ করতে পারেন এবং রিয়েল-টাইম অনুমানের জন্য SageMaker-এর সাথে মডেল স্থাপন করতে পারেন।

বিকল্পভাবে, আপনি যদি আপনার গ্রাহকের কথোপকথনের অন্তর্দৃষ্টি খুঁজছেন এবং সোশ্যাল মিডিয়া ইন্টারঅ্যাকশনগুলি বিশ্লেষণ করে ব্র্যান্ড সচেতনতা আরও গভীর করেন, আমরা আপনাকে এটি পরীক্ষা করার জন্য উত্সাহিত করি এআই-চালিত সোশ্যাল মিডিয়া ড্যাশবোর্ড. সমাধান ব্যবহার করে অ্যামাজন সমঝোতা, একটি সম্পূর্ণরূপে পরিচালিত NLP পরিষেবা যা মেশিন শেখার অভিজ্ঞতার প্রয়োজন ছাড়াই পাঠ্যের মধ্যে মূল্যবান অন্তর্দৃষ্টি এবং সংযোগগুলি উন্মোচন করে৷

জিরো-শট লার্নিং

NLP এবং ন্যাচারাল ল্যাঙ্গুয়েজ বোঝার (NLU) ক্ষেত্রগুলি পাঠ্য শ্রেণীবিভাগ, প্রশ্নের উত্তর, সংক্ষিপ্তকরণ, টেক্সট জেনারেশন এবং আরও অনেক কিছু জড়িত ব্যবহারের ক্ষেত্রে দ্রুত বিকশিত হয়েছে। এই বিবর্তন সম্ভব হয়েছে, আংশিকভাবে, ট্রান্সফরমারের মতো অত্যাধুনিক, সাধারণ-উদ্দেশ্যের আর্কিটেকচারের উত্থানের জন্য, কিন্তু এই ধরনের মডেলগুলির প্রশিক্ষণের জন্য উপলব্ধ আরও এবং উন্নত-মানের টেক্সট কর্পোরার উপলব্ধতার জন্য ধন্যবাদ।

ট্রান্সফরমার আর্কিটেকচার হল একটি জটিল নিউরাল নেটওয়ার্ক যার জন্য স্ক্র্যাচ থেকে প্রশিক্ষিত হওয়ার জন্য ডোমেনের দক্ষতা এবং বিপুল পরিমাণ ডেটার প্রয়োজন। একটি সাধারণ অভ্যাস হল একটি প্রাক-প্রশিক্ষিত অত্যাধুনিক ট্রান্সফরমার যেমন BERT, RoBERTa, T5, GPT-2, বা DistilBERT এবং একটি নির্দিষ্ট ব্যবহারের ক্ষেত্রে মডেলটিকে ফাইন-টিউন (ট্রান্সফার লার্নিং) করা।

তা সত্ত্বেও, এমনকি একটি প্রাক-প্রশিক্ষিত NLP মডেলে স্থানান্তর শিক্ষা সম্পাদন করা প্রায়শই একটি চ্যালেঞ্জিং কাজ হতে পারে, এতে প্রচুর পরিমাণে লেবেলযুক্ত পাঠ্য ডেটা এবং ডেটা কিউরেট করার জন্য বিশেষজ্ঞদের একটি দলের প্রয়োজন হয়। এই জটিলতা বেশিরভাগ প্রতিষ্ঠানকে এই মডেলগুলিকে কার্যকরভাবে ব্যবহার করতে বাধা দেয়, কিন্তু জিরো-শট লার্নিং ML অনুশীলনকারীদের এবং সংস্থাগুলিকে এই অভাব কাটিয়ে উঠতে সাহায্য করে।

জিরো-শট লার্নিং হল একটি নির্দিষ্ট এমএল টাস্ক যেখানে একজন ক্লাসিফায়ার প্রশিক্ষণের সময় লেবেলের একটি সেটে শিখে এবং তারপরে অনুমানের সময় লেবেলের একটি ভিন্ন সেটের উপর মূল্যায়ন করা হয় যা ক্লাসিফায়ার আগে কখনও দেখেনি। এনএলপি-তে, আপনি কোনও সূক্ষ্ম-টিউনিং ছাড়াই পাঠ্যকে শ্রেণিবদ্ধ করতে একটি প্রাকৃতিক ভাষা অনুমান (এনএলআই) টাস্কে প্রশিক্ষিত একটি জিরো-শট সিকোয়েন্স ক্লাসিফায়ার ব্যবহার করতে পারেন। এই পোস্টে, আমরা জনপ্রিয় NLI ব্যবহার করি বার্ট মডেল bart-large-mnli টুইট শ্রেণীবদ্ধ করতে. এটি একটি বড় প্রাক-প্রশিক্ষিত মডেল (1.6 GB), যা Hugging Face মডেল হাবে উপলব্ধ।

Hugging Face হল একটি AI কোম্পানি যেটি 100টিরও বেশি বিভিন্ন ভাষায় হাজার হাজার প্রাক-প্রশিক্ষিত NLP মডেল (ট্রান্সফরমার) সহ একটি ওপেন-সোর্স প্ল্যাটফর্ম (হাগিং ফেস হাব) পরিচালনা করে এবং বিভিন্ন ফ্রেমওয়ার্ক যেমন TensorFlow এবং PyTorch এর সমর্থনে। ট্রান্সফরমার লাইব্রেরি ডেভেলপার এবং ডেটা বিজ্ঞানীদের জটিল NLP এবং NLU কাজ যেমন শ্রেণীবিভাগ, তথ্য নিষ্কাশন, প্রশ্নের উত্তর, সংক্ষিপ্তকরণ, অনুবাদ এবং পাঠ্য তৈরি করতে সাহায্য করে।

AWS এবং আলিঙ্গন মুখ এনএলপি মডেল গ্রহণকে সহজ ও ত্বরান্বিত করতে সহযোগিতা করছে। PyTorch বা TensorFlow-এ প্রশিক্ষণ ও অনুমানের জন্য ডিপ লার্নিং কন্টেনার (DLCs) এর একটি সেট এবং SageMaker Python SDK-এর জন্য আলিঙ্গনকারী মুখের অনুমানকারী এবং ভবিষ্যদ্বাণীকারী এখন উপলব্ধ। এই ক্ষমতাগুলি সমস্ত স্তরের দক্ষতা সহ বিকাশকারীদের সহজেই NLP এর সাথে শুরু করতে সহায়তা করে।

সমাধান ওভারভিউ

আমরা একটি কার্যকরী সমাধান প্রদান করি যা নির্বাচিত টুইটার অ্যাকাউন্ট থেকে রিয়েল টাইমে টুইটগুলি নিয়ে আসে। আমাদের সমাধান প্রদর্শনের জন্য, আমরা তিনটি অ্যাকাউন্ট ব্যবহার করি, Amazon Web Services (পছন্দ করুন), AWS নিরাপত্তা (@AWSSsecurityInfo), এবং আমাজন বিজ্ঞান (@আমাজন সায়েন্স), এবং তাদের বিষয়বস্তুকে নিম্নলিখিত বিভাগগুলির মধ্যে একটিতে শ্রেণীবদ্ধ করুন: নিরাপত্তা, ডাটাবেস, গণনা, সঞ্চয়স্থান এবং মেশিন লার্নিং। যদি মডেলটি 40%-এর বেশি আত্মবিশ্বাসের স্কোর সহ একটি বিভাগ প্রদান করে, একটি বিজ্ঞপ্তি পাঠানো হয়।

নিম্নলিখিত উদাহরণে, মডেলটি মেশিন লার্নিং বিভাগে Amazon Web Services থেকে একটি টুইটকে শ্রেণীবদ্ধ করেছে, 97% আত্মবিশ্বাসের স্কোর সহ, একটি সতর্কতা তৈরি করেছে৷

সমাধানটি একটি আলিঙ্গন ফেস প্রাক-প্রশিক্ষিত ট্রান্সফরমার মডেলের উপর নির্ভর করে (হাগিং ফেস হাব থেকে) টুইটগুলিকে শ্রেণীবদ্ধ করার জন্য লেবেলগুলির একটি সেটের উপর ভিত্তি করে যা অনুমান সময়ে দেওয়া হয়-মডেলটির প্রশিক্ষণের প্রয়োজন নেই৷ নিম্নলিখিত স্ক্রিনশটগুলি আরও উদাহরণ দেখায় এবং সেগুলি কীভাবে শ্রেণীবদ্ধ করা হয়েছিল।

আমরা আপনাকে নিজের জন্য সমাধান চেষ্টা করার জন্য উত্সাহিত. থেকে সোর্স কোড ডাউনলোড করুন GitHub সংগ্রহস্থল এবং README ফাইলে স্থাপনার নির্দেশাবলী অনুসরণ করুন।

সমাধান আর্কিটেকচার

সমাধানটি টুইটারের এন্ডপয়েন্টের সাথে একটি খোলা সংযোগ রাখে এবং যখন একটি নতুন টুইট আসে, একটি সারিতে একটি বার্তা পাঠায়। একজন ভোক্তা সারি থেকে বার্তা পড়েন, শ্রেণীবিন্যাস এন্ডপয়েন্টে কল করেন এবং ফলাফলের উপর নির্ভর করে শেষ ব্যবহারকারীকে অবহিত করেন।

সমাধানের আর্কিটেকচার ডায়াগ্রাম নিচে দেওয়া হল।

সমাধান কর্মপ্রবাহ নিম্নলিখিত উপাদান নিয়ে গঠিত:

1. সমাধানটি রিয়েল টাইমে কনফিগার করা নিয়মের সাথে মেলে এমন টুইটগুলি পেতে টুইটারের স্ট্রিম API-এর উপর নির্ভর করে (সুদের অ্যাকাউন্ট থেকে টুইট) এটি করার জন্য, একটি পাত্রের ভিতরে চলমান একটি অ্যাপ্লিকেশন টুইটারের এন্ডপয়েন্টের সাথে একটি খোলা সংযোগ রাখে। নির্দেশ করে টুইটার এপিআই আরো বিস্তারিত জানার জন্য.
2. কন্টেইনার চলছে অ্যামাজন ইলাস্টিক কনটেইনার পরিষেবা (Amazon ECS), একটি সম্পূর্ণরূপে পরিচালিত কন্টেইনার অর্কেস্ট্রেশন পরিষেবা যা আপনার জন্য কন্টেইনারাইজড অ্যাপ্লিকেশন স্থাপন, পরিচালনা এবং স্কেল করা সহজ করে তোলে। একটি একক কাজ একটি সার্ভারহীন পরিকাঠামো দ্বারা পরিচালিত হয় AWS Fargate.
3. টুইটার বিয়ারার টোকেন নিরাপদে সংরক্ষিত আছে AWS সিস্টেম ম্যানেজার প্যারামিটার স্টোর, একটি ক্ষমতা এডাব্লুএস সিস্টেম ম্যানেজার যা কনফিগারেশন ডেটা এবং গোপনীয়তার জন্য সুরক্ষিত, শ্রেণিবদ্ধ স্টোরেজ প্রদান করে। কন্টেইনার ইমেজ হোস্ট করা হয় অ্যামাজন ইলাস্টিক কনটেইনার রেজিস্ট্রি (Amazon ECR), একটি সম্পূর্ণরূপে পরিচালিত কন্টেইনার রেজিস্ট্রি যা উচ্চ-পারফরম্যান্স হোস্টিং অফার করে।
4. যখনই একটি নতুন টুইট আসে, কন্টেইনার অ্যাপ্লিকেশনটি টুইটটিকে একটিতে রাখে অ্যামাজন সরল সারি পরিষেবা (Amazon SQS) সারি। Amazon SQS হল একটি সম্পূর্ণরূপে পরিচালিত বার্তা সারিবদ্ধ পরিষেবা যা আপনাকে মাইক্রোসার্ভিস, ডিস্ট্রিবিউটেড সিস্টেম এবং সার্ভারহীন অ্যাপ্লিকেশনগুলিকে ডিকপল এবং স্কেল করতে সক্ষম করে৷
5. সমাধানের যুক্তি একটি মধ্যে থাকে এডাব্লুএস ল্যাম্বদা ফাংশন Lambda একটি সার্ভারহীন, ইভেন্ট-চালিত গণনা পরিষেবা। ফাংশনটি সারি থেকে নতুন টুইট গ্রহণ করে এবং একটি এন্ডপয়েন্ট কল করে তাদের শ্রেণীবদ্ধ করে।
6. শেষ পয়েন্টটি একটি আলিঙ্গন মুখ মডেলের উপর নির্ভর করে এবং সেজমেকারে হোস্ট করা হয়। এন্ডপয়েন্ট অনুমান চালায় এবং টুইটের ক্লাস আউটপুট করে।
7. শ্রেণীবিভাগের উপর নির্ভর করে, ফাংশনটি একটি বিজ্ঞপ্তি তৈরি করে অ্যামাজন সাধারণ বিজ্ঞপ্তি পরিষেবা (Amazon SNS), একটি সম্পূর্ণরূপে পরিচালিত মেসেজিং পরিষেবা। আপনি SNS বিষয়ের সদস্যতা নিতে পারেন, এবং একাধিক গন্তব্য সেই বিজ্ঞপ্তিটি পেতে পারে (দেখুন অ্যামাজন এসএনএস ইভেন্টের গন্তব্য) উদাহরণস্বরূপ, আপনি ইমেল বার্তা হিসাবে ইনবক্সে বিজ্ঞপ্তি সরবরাহ করতে পারেন (দেখুন ইমেল বিজ্ঞপ্তি).

সেজমেকারের সাথে আলিঙ্গন করা মুখের মডেল স্থাপন করুন

আপনি 10,000 টিরও বেশি সর্বজনীনভাবে উপলব্ধ মডেলগুলির মধ্যে যেকোনো একটি নির্বাচন করতে পারেন হাগিং ফেস মডেল হাব এবং ব্যবহার করে সেজমেকারের সাথে তাদের স্থাপন করুন হাগিং ফেস ইনফারেন্স ডিএলসি.

ব্যবহার করার সময় এডাব্লুএস ক্লাউডফর্মেশন, আপনি সর্বজনীনভাবে উপলব্ধ একটি নির্বাচন করুন আলিঙ্গন মুখ অনুমান পাত্রে এবং মডেল এবং টাস্ক কনফিগার করুন। এই সমাধান ব্যবহার করে facebook/bart-large-mnli মডেল এবং শূন্য-শট-শ্রেণিকরণ টাস্ক, তবে আপনি নীচের যে কোনও মডেল বেছে নিতে পারেন জিরো-শট শ্রেণীবিভাগ আলিঙ্গন মুখ মডেল হাব. আপনি নিম্নলিখিত কোডের মতো আপনার ক্লাউডফর্মেশন টেমপ্লেটে HF_MODEL_ID এবং HF_TASK এনভায়রনমেন্ট ভেরিয়েবল সেট করে সেগুলি কনফিগার করেন:

SageMakerModel:
  Type: AWS::SageMaker::Model
  Properties:
    ExecutionRoleArn: !GetAtt SageMakerModelRole.Arn
    PrimaryContainer:
      Image: 763104351884.dkr.ecr.us-east-1.amazonaws.com/huggingface-pytorch-inference:1.7-transformers4.6-cpu-py36-ubuntu18.04
      Environment:
        HF_MODEL_ID: facebook/bart-large-mnli
        HF_TASK: zero-shot-classification
        SAGEMAKER_CONTAINER_LOG_LEVEL: 20
        SAGEMAKER_REGION: us-east-1

বিকল্পভাবে, আপনি যদি AWS CloudFormation ব্যবহার না করেন, আপনি কোডের কয়েকটি লাইন দিয়ে একই ফলাফল অর্জন করতে পারেন। নির্দেশ করে অ্যামাজন সেজমেকারে মডেল স্থাপন করুন আরো বিস্তারিত জানার জন্য.

বিষয়বস্তু শ্রেণীবদ্ধ করতে, আপনি শুধু SageMaker শেষ পয়েন্ট কল করুন. নিম্নলিখিত একটি পাইথন কোড স্নিপেট:

endpoint_name = os.environ['ENDPOINT_NAME']
labels = os.environ['ENDPOINT_NAME']

data = {
    'inputs': tweet,
    'parameters': {
        'candidate_labels': labels,
        'multi_class': False
    }
}

response = sagemaker.invoke_endpoint(EndpointName=endpoint_name,
                                     ContentType='application/json',
                                     Body=json.dumps(data))

response_body = json.loads(response['Body'].read())

মনে রাখবেন মিথ্যা জন্য মান মাল্টি_ক্লাস পরামিতি নির্দেশ করে যে প্রতিটি শ্রেণীর জন্য সমস্ত সম্ভাব্যতার যোগফল 1 পর্যন্ত যোগ হবে।

সমাধানের উন্নতি

আপনি টুইট এবং মডেল ফলাফল সংরক্ষণ করে এখানে প্রস্তাবিত সমাধান উন্নত করতে পারেন। আমাজন সিম্পল স্টোরেজ সার্ভিস (Amazon S3), একটি অবজেক্ট স্টোরেজ পরিষেবা, একটি বিকল্প। আপনি একটি S3 বালতিতে JSON অবজেক্ট হিসাবে টুইট, ফলাফল এবং অন্যান্য মেটাডেটা লিখতে পারেন। তারপর আপনি ব্যবহার করে সেই বিষয়বস্তুর বিরুদ্ধে অ্যাডহক প্রশ্ন করতে পারেন অ্যামাজন অ্যাথেনা, একটি ইন্টারেক্টিভ ক্যোয়ারী সার্ভিস যা স্ট্যান্ডার্ড SQL ব্যবহার করে Amazon S3-এ ডেটা বিশ্লেষণ করা সহজ করে তোলে।

আপনি ইতিহাস ব্যবহার করতে পারেন শুধুমাত্র অন্তর্দৃষ্টি আহরণ করতে কিন্তু একটি কাস্টম মডেল প্রশিক্ষণের জন্য. SageMaker এর সাথে আপনার নিজস্ব ডেটা সহ একটি মডেলকে প্রশিক্ষণ দিতে আপনি Hugging Face সমর্থন ব্যবহার করতে পারেন। আরো জানুন Amazon SageMaker-এ প্রশিক্ষণ চালান.

রিয়েল-ওয়ার্ল্ড ব্যবহারের কেস

গ্রাহকরা ইতিমধ্যে SageMaker-এ Hugging Face মডেল নিয়ে পরীক্ষা-নিরীক্ষা করছেন। সেগুরোস বলিভার, একটি কলম্বিয়ান আর্থিক এবং বীমা কোম্পানি 1939 সালে প্রতিষ্ঠিত, একটি উদাহরণ।

“আমরা গ্রাহক এবং বীমা দালালদের জন্য একটি হুমকি বিজ্ঞপ্তি সমাধান তৈরি করেছি। দাবি প্রশমিত করতে সাহায্য করার জন্য একটি প্রতিরোধ কৌশল হিসাবে আমাদের গ্রাহকদের জন্য কাছাকাছি-রিয়েল টাইমে বিজ্ঞপ্তি তৈরি করতে প্রাসঙ্গিক অ্যাকাউন্টগুলি থেকে টুইটগুলিকে শ্রেণীবদ্ধ করতে আমরা হাগিং ফেস প্রাক-প্রশিক্ষিত NLP মডেলগুলি ব্যবহার করি। একটি দাবি ঘটে কারণ গ্রাহকরা তাদের ঝুঁকির মাত্রা সম্পর্কে সচেতন নন। সমাধানটি আমাদের গ্রাহকদের মধ্যে সচেতনতা তৈরি করতে দেয়, ঝুঁকিকে কংক্রিট পরিস্থিতিতে পরিমাপযোগ্য কিছুতে পরিণত করে।"

- জুলিয়ান রিকো, সেগুরোস বলিভারের গবেষণা ও জ্ঞানের প্রধান।

সেগুরোস বলিভার AWS-এর সাথে কাজ করে তাদের সমাধান পুনরায় স্থাপত্য করতে; এটি এখন সেজমেকারের উপর নির্ভর করে এবং এই পোস্টে বর্ণিত একটির অনুরূপ।

উপসংহার

জিরো-শট শ্রেণীবিভাগ আদর্শ যখন আপনার কাছে একটি কাস্টম পাঠ্য শ্রেণিবদ্ধকারীকে প্রশিক্ষণ দেওয়ার জন্য সামান্য ডেটা থাকে বা যখন আপনি একটি কাস্টম এনএলপি মডেলকে প্রশিক্ষণ দেওয়ার সামর্থ্য না রাখেন৷ বিশেষ ব্যবহারের ক্ষেত্রে, যখন পাঠ্য নির্দিষ্ট শব্দ বা পদের উপর ভিত্তি করে হয়, তখন একটি কাস্টম প্রশিক্ষণ সেটের উপর ভিত্তি করে একটি তত্ত্বাবধানে শ্রেণীবিভাগ মডেলের সাথে যাওয়া ভাল।

এই পোস্টে, আমরা আপনাকে দেখিয়েছি কিভাবে AWS-এ Hugging Face zero-shot মডেল ব্যবহার করে একটি নিউজ ক্লাসিফায়ার তৈরি করতে হয়। আমরা টুইটারকে আমাদের সংবাদের উৎস হিসেবে ব্যবহার করেছি, কিন্তু আপনি এমন একটি সংবাদ উৎস বেছে নিতে পারেন যা আপনার নির্দিষ্ট প্রয়োজনের জন্য আরও উপযুক্ত। উপরন্তু, আপনি সহজেই মডেল পরিবর্তন করতে পারেন, শুধুমাত্র CloudFormation টেমপ্লেটে আপনার নির্বাচিত মডেল উল্লেখ করুন।

সোর্স কোডের জন্য, পড়ুন GitHub সংগ্রহস্থল এটি সম্পূর্ণ সেটআপ নির্দেশাবলী অন্তর্ভুক্ত. আপনি নিজে নিজে ক্লোন, পরিবর্তন, স্থাপন এবং চালাতে পারেন। আপনি এটিকে প্রারম্ভিক বিন্দু হিসাবে ব্যবহার করতে পারেন এবং বিভাগগুলি এবং সতর্কতার যুক্তি কাস্টমাইজ করতে পারেন বা অনুরূপ ব্যবহারের ক্ষেত্রে অন্য সমাধান তৈরি করতে পারেন।

দয়া করে এটি ব্যবহার করে দেখুন এবং আপনার মতামত আমাদের জানান। বরাবরের মতো, আমরা আপনার প্রতিক্রিয়াটির অপেক্ষায় রয়েছি আপনি এটি আপনার স্বাভাবিক AWS সহায়তা পরিচিতিগুলিতে বা এটিতে প্রেরণ করতে পারেন সেজমেকারদের জন্য এডাব্লুএস ফোরাম.

লেখক সম্পর্কে

ডেভিড লারেডো LATAM-এর AWS Envision Engineering-এর একজন প্রোটোটাইপিং আর্কিটেক্ট, যেখানে তিনি একাধিক মেশিন লার্নিং প্রোটোটাইপ তৈরি করতে সাহায্য করেছেন। পূর্বে তিনি মেশিন লার্নিং ইঞ্জিনিয়ার হিসাবে কাজ করেছেন এবং 5 বছরেরও বেশি সময় ধরে মেশিন লার্নিং করছেন। তার আগ্রহের ক্ষেত্র হল NLP, টাইম সিরিজ এবং এন্ড-টু-এন্ড ML।

রাফায়েল ওয়ার্নেক ব্রাজিলে অবস্থিত AWS Envision Engineering-এর একজন সিনিয়র প্রোটোটাইপিং আর্কিটেক্ট। পূর্বে, তিনি Amazon.com.br এবং Amazon RDS পারফরম্যান্স ইনসাইটসে সফটওয়্যার ডেভেলপমেন্ট ইঞ্জিনিয়ার হিসেবে কাজ করেছেন।

বিক্রম এলাঙ্গো ভার্জিনিয়া, মার্কিন যুক্তরাষ্ট্রে অবস্থিত অ্যামাজন ওয়েব সার্ভিসেসের একজন এআই/এমএল বিশেষজ্ঞ সমাধান স্থপতি। বিক্রম আর্থিক এবং বীমা শিল্পের গ্রাহকদের ডিজাইন এবং চিন্তার নেতৃত্ব দিয়ে মেশিন লার্নিং অ্যাপ্লিকেশন তৈরি এবং স্থাপন করতে সাহায্য করে। তিনি বর্তমানে ন্যাচারাল ল্যাঙ্গুয়েজ প্রসেসিং, দায়িত্বশীল এআই, ইনফারেন্স অপ্টিমাইজেশান, এবং এন্টারপ্রাইজ জুড়ে এমএল স্কেলিং এর উপর দৃষ্টি নিবদ্ধ করছেন। তার অবসর সময়ে, তিনি তার পরিবারের সাথে ভ্রমণ, হাইকিং, রান্না এবং ক্যাম্পিং উপভোগ করেন।