মেশিন লার্নিং (ML) সংস্থাগুলিকে রাজস্ব বাড়াতে, ব্যবসার বৃদ্ধি চালাতে এবং একাধিক উল্লম্ব জুড়ে মূল ব্যবসায়িক ফাংশনগুলিকে অপ্টিমাইজ করে খরচ কমাতে সাহায্য করে, যেমন চাহিদা পূর্বাভাস, ক্রেডিট স্কোরিং, মূল্য নির্ধারণ, গ্রাহক মন্থনের পূর্বাভাস দেওয়া, পরবর্তী সেরা অফারগুলি সনাক্ত করা, দেরী শিপমেন্টের পূর্বাভাস দেওয়া এবং উত্পাদনের মান উন্নত করা। ঐতিহ্যগত ML বিকাশ চক্র কয়েক মাস সময় নেয় এবং দুষ্প্রাপ্য ডেটা বিজ্ঞান এবং ML ইঞ্জিনিয়ারিং দক্ষতা প্রয়োজন। এমএল মডেলগুলির জন্য বিশ্লেষকদের ধারণাগুলি প্রায়শই ডেটা সায়েন্স টিম ব্যান্ডউইথের জন্য অপেক্ষা করে দীর্ঘ ব্যাকলগগুলিতে বসে থাকে, যখন ডেটা বিজ্ঞানীরা আরও জটিল এমএল প্রকল্পগুলিতে ফোকাস করেন যার জন্য তাদের সম্পূর্ণ দক্ষতার প্রয়োজন হয়।
এই অচলাবস্থা ভাঙতে সাহায্য করার জন্য, আমরা করেছি অ্যামাজন সেজমেকার ক্যানভাস চালু করেছে, একটি নো-কোড ML সমাধান যা কোম্পানিগুলিকে ঘন্টা বা দিন পর্যন্ত ML সলিউশনের ডেলিভারি ত্বরান্বিত করতে সাহায্য করতে পারে। সেজমেকার ক্যানভাস বিশ্লেষকদের সহজে ডেটা লেক, ডেটা গুদাম এবং অপারেশনাল ডেটা স্টোরগুলিতে উপলব্ধ ডেটা ব্যবহার করতে সক্ষম করে; এমএল মডেল নির্মাণ; এবং এগুলিকে ইন্টারেক্টিভভাবে ভবিষ্যদ্বাণী করতে এবং বাল্ক ডেটাসেটে ব্যাচ স্কোরিংয়ের জন্য ব্যবহার করুন—সবকিছুই কোডের একটি লাইন না লিখে।
এই পোস্টে, আমরা দেখাই কিভাবে সেজমেকার ক্যানভাস ডেটা বিজ্ঞানী এবং ব্যবসায়িক বিশ্লেষকদের মধ্যে সহযোগিতা সক্ষম করে, বাজারের জন্য দ্রুত সময় অর্জন করে এবং এমএল সমাধানগুলির বিকাশকে ত্বরান্বিত করে। বিশ্লেষকরা একটি এমএল বিশেষজ্ঞ না হয়েই সেজমেকার ক্যানভাসে তাদের নিজস্ব নো-কোড এমএল ওয়ার্কস্পেস পান। বিশ্লেষকরা তখন কয়েকটি ক্লিকের মাধ্যমে ক্যানভাস থেকে তাদের মডেলগুলি ভাগ করে নিতে পারেন, যার সাথে ডেটা বিজ্ঞানীরা কাজ করতে সক্ষম হবেন অ্যামাজন সেজমেকার স্টুডিও, একটি এন্ড-টু-এন্ড ML ইন্টিগ্রেটেড ডেভেলপমেন্ট এনভায়রনমেন্ট (IDE)। একসাথে কাজ করার মাধ্যমে, ব্যবসায়িক বিশ্লেষকরা তাদের ডোমেন জ্ঞান এবং পরীক্ষার ফলাফল আনতে পারেন, যখন ডেটা বিজ্ঞানীরা কার্যকরভাবে পাইপলাইন তৈরি করতে এবং প্রক্রিয়াটিকে প্রবাহিত করতে পারেন।
কর্মপ্রবাহটি কেমন হবে তা নিয়ে গভীরভাবে ডুব দেওয়া যাক।
ব্যবসা বিশ্লেষকরা একটি মডেল তৈরি করুন, তারপর এটি ভাগ করুন
সেজমেকার ক্যানভাস কীভাবে ব্যবসায়িক বিশ্লেষক এবং ডেটা বিজ্ঞানীদের (বা এমএল ইঞ্জিনিয়ারদের) মধ্যে সহযোগিতাকে সহজ করে তা বোঝার জন্য, আমরা প্রথমে একজন ব্যবসায়িক বিশ্লেষক হিসাবে প্রক্রিয়াটির সাথে যোগাযোগ করি। আপনি শুরু করার আগে, পড়ুন অ্যামাজন সেজমেকার ক্যানভাস ঘোষণা করা হচ্ছে – ব্যবসায়িক বিশ্লেষকদের জন্য একটি ভিজ্যুয়াল, নো কোড মেশিন লার্নিং ক্ষমতা SageMaker ক্যানভাসের সাথে মডেল তৈরি এবং পরীক্ষা করার নির্দেশাবলীর জন্য।
এই পোস্টের জন্য, আমরা এর একটি পরিবর্তিত সংস্করণ ব্যবহার করি ক্রেডিট কার্ড জালিয়াতি সনাক্তকরণ ডেটাসেট Kaggle থেকে, একটি বাইনারি শ্রেণীবিভাগ সমস্যার জন্য একটি সুপরিচিত ডেটাসেট। ডেটাসেটটি মূলত অত্যন্ত ভারসাম্যহীন—এতে নেতিবাচক শ্রেণী (অসামান্য লেনদেন) হিসাবে শ্রেণীবদ্ধ করা খুব কম এন্ট্রি রয়েছে। লক্ষ্য বৈশিষ্ট্য বিতরণ নির্বিশেষে, আমরা এখনও এই ডেটাসেটটি ব্যবহার করতে পারি, কারণ সেজমেকার ক্যানভাস এই ভারসাম্যহীনতা পরিচালনা করে কারণ এটি একটি মডেলকে স্বয়ংক্রিয়ভাবে প্রশিক্ষণ দেয় এবং সুর করে। এই ডেটাসেটটি প্রায় 9 মিলিয়ন কোষ নিয়ে গঠিত। এছাড়াও আপনি একটি ডাউনলোড করতে পারেন এই ডেটাসেটের সংক্ষিপ্ত সংস্করণ. প্রায় 500,000 কোষে ডেটাসেটের আকার অনেক ছোট, কারণ এটি এলোমেলোভাবে কম নমুনা নেওয়া হয়েছে এবং তারপরে SMOTE কৌশলের মাধ্যমে অতিরিক্ত নমুনা করা হয়েছে যাতে এই প্রক্রিয়া চলাকালীন যতটা সম্ভব কম তথ্য হারিয়ে যায়। এই হ্রাসকৃত ডেটাসেটের সাথে একটি সম্পূর্ণ পরীক্ষা চালানোর জন্য SageMaker Canvas Free Tier-এর অধীনে আপনার $0 খরচ হবে৷
মডেলটি তৈরি হওয়ার পর, বিশ্লেষকরা এটিকে সরাসরি ক্যানভাসে ভবিষ্যদ্বাণী করতে ব্যবহার করতে পারেন স্বতন্ত্র অনুরোধের জন্য বা বাল্ক একটি সম্পূর্ণ ইনপুট ডেটাসেটের জন্য।
ক্যানভাস স্ট্যান্ডার্ড বিল্ডের সাহায্যে তৈরি মডেলগুলি সেজমেকার স্টুডিও ব্যবহার করে এমন ডেটা বিজ্ঞানী এবং এমএল ইঞ্জিনিয়ারদের সাথে একটি বোতামের ক্লিকে সহজেই ভাগ করা যেতে পারে। এটি একজন ডেটা বিজ্ঞানীকে আপনার তৈরি করা মডেলের কার্যকারিতা যাচাই করতে এবং প্রতিক্রিয়া প্রদান করতে দেয়। এমএল ইঞ্জিনিয়াররা আপনার মডেল নিতে পারে এবং আপনার কোম্পানি এবং আপনার গ্রাহকদের জন্য উপলব্ধ বিদ্যমান ওয়ার্কফ্লো এবং পণ্যগুলির সাথে এটিকে একীভূত করতে পারে। নোট করুন যে, লেখার সময়, ক্যানভাস কুইক বিল্ডের সাথে নির্মিত একটি মডেল, বা একটি টাইম সিরিজ পূর্বাভাস মডেল শেয়ার করা সম্ভব নয়৷
ক্যানভাস UI এর মাধ্যমে একটি মডেল ভাগ করা সোজা:
- আপনার তৈরি করা মডেলগুলি দেখানো পৃষ্ঠায়, একটি মডেল বেছে নিন।
- বেছে নিন শেয়ার.
- আপনি যে মডেলটি ভাগ করতে চান তার এক বা একাধিক সংস্করণ চয়ন করুন৷
- ঐচ্ছিকভাবে, মডেল বা আপনি যে সহায়তা খুঁজছেন সে সম্পর্কে আরও প্রসঙ্গ দিয়ে একটি নোট অন্তর্ভুক্ত করুন।
- বেছে নিন সেজমেকার স্টুডিও লিঙ্ক তৈরি করুন.
- উত্পন্ন লিঙ্ক অনুলিপি.
এবং এটাই! আপনি এখন স্ল্যাক, ইমেল বা আপনার পছন্দের অন্য কোনো পদ্ধতির মাধ্যমে আপনার সহকর্মীদের সাথে লিঙ্কটি ভাগ করতে পারেন। আপনার মডেল অ্যাক্সেস করার জন্য ডেটা সায়েন্টিস্টকে একই সেজমেকার স্টুডিও ডোমেনে থাকতে হবে, তাই আপনার প্রতিষ্ঠানের প্রশাসকের ক্ষেত্রে এটি নিশ্চিত করুন।
ডেটা বিজ্ঞানীরা সেজমেকার স্টুডিও থেকে মডেলের তথ্য অ্যাক্সেস করেন
এখন, আসুন একজন ডেটা সায়েন্টিস্ট বা এমএল ইঞ্জিনিয়ারের ভূমিকা পালন করি এবং সেজমেকার স্টুডিও ব্যবহার করে তাদের দৃষ্টিকোণ থেকে জিনিসগুলি দেখি।
বিশ্লেষক দ্বারা শেয়ার করা লিঙ্কটি আমাদের সেজমেকার স্টুডিওতে নিয়ে যায়, এন্ড-টু-এন্ড এমএল ওয়ার্কফ্লো-এর জন্য প্রথম ক্লাউড-ভিত্তিক IDE।
ট্যাবটি স্বয়ংক্রিয়ভাবে খোলে এবং সেজমেকার ক্যানভাসে বিশ্লেষক দ্বারা তৈরি মডেলের একটি ওভারভিউ দেখায়। আপনি দ্রুত মডেলের নাম, ML সমস্যার ধরন, মডেল সংস্করণ এবং কোন ব্যবহারকারী মডেলটি তৈরি করেছেন (ক্যানভাস ব্যবহারকারী আইডি ক্ষেত্রের অধীনে) দেখতে পারেন। আপনার কাছে ইনপুট ডেটাসেট এবং সেজমেকার তৈরি করতে সক্ষম সেরা মডেল সম্পর্কে বিশদ অ্যাক্সেসও রয়েছে। আমরা পরে পোস্টে যে ডুবব.
উপরে ইনপুট ডেটাসেট ট্যাবে, আপনি উৎস থেকে ইনপুট ডেটাসেটে ডেটা প্রবাহ দেখতে পারেন। এই ক্ষেত্রে, শুধুমাত্র একটি ডেটা উত্স ব্যবহার করা হয় এবং কোনও যোগদানের ক্রিয়াকলাপ প্রয়োগ করা হয়নি, তাই একটি একক উত্স দেখানো হয়েছে৷ আপনি নির্বাচন করে ডেটাসেট সম্পর্কে পরিসংখ্যান এবং বিশদ বিশ্লেষণ করতে পারেন তথ্য অনুসন্ধান নোটবুক খুলুন. এই নোটবুকটি আপনাকে মডেলটি প্রশিক্ষণের আগে উপলব্ধ ডেটা অন্বেষণ করতে দেয় এবং এতে লক্ষ্য ভেরিয়েবলের একটি বিশ্লেষণ, ইনপুট ডেটার একটি নমুনা, কলাম এবং সারিগুলির পরিসংখ্যান এবং বিবরণের পাশাপাশি ডেটা বিজ্ঞানীর জন্য অন্যান্য দরকারী তথ্য রয়েছে। ডেটাসেট সম্পর্কে আরও জানুন। এই প্রতিবেদন সম্পর্কে আরও জানতে, পড়ুন ডেটা এক্সপ্লোরেশন রিপোর্ট.
ইনপুট ডেটাসেট বিশ্লেষণ করার পরে, আসুন মডেল ওভারভিউয়ের দ্বিতীয় ট্যাবে চলে যাই, অটোএমএল চাকরি. আপনি SageMaker ক্যানভাসে স্ট্যান্ডার্ড বিল্ড বিকল্পটি নির্বাচন করার সময় এই ট্যাবে AutoML কাজের একটি বিবরণ রয়েছে।
সেজমেকার ক্যানভাসের নীচের অটোএমএল প্রযুক্তি এমএল মডেল তৈরির ভারী উত্তোলন দূর করে। এটি স্বয়ংক্রিয়ভাবে একটি স্বয়ংক্রিয় পদ্ধতি ব্যবহার করে আপনার ডেটার উপর ভিত্তি করে সেরা ML মডেল তৈরি করে, প্রশিক্ষণ দেয় এবং টিউন করে, যেখানে আপনাকে সম্পূর্ণ নিয়ন্ত্রণ এবং দৃশ্যমানতা বজায় রাখার অনুমতি দেয়। উত্পন্ন প্রার্থী মডেলের পাশাপাশি অটোএমএল প্রক্রিয়া চলাকালীন ব্যবহৃত হাইপার-প্যারামিটারগুলিতে এই দৃশ্যমানতা রয়েছে প্রার্থী প্রজন্মের নোটবুক, যা এই ট্যাবে উপলব্ধ।
সার্জারির অটোএমএল চাকরি ট্যাবে অটোএমএল প্রক্রিয়ার অংশ হিসাবে নির্মিত প্রতিটি মডেলের একটি তালিকা রয়েছে, F1 উদ্দেশ্য মেট্রিক দ্বারা সাজানো। চালু করা প্রশিক্ষণের চাকরিগুলির মধ্যে সেরা মডেলটি হাইলাইট করতে, একটি সবুজ বৃত্ত সহ একটি ট্যাগ ব্যবহার করা হয়৷ সেরা মডেল কলাম আপনি প্রশিক্ষণ এবং মূল্যায়ন পর্বের সময় ব্যবহৃত অন্যান্য মেট্রিকগুলিকে সহজেই কল্পনা করতে পারেন, যেমন নির্ভুলতা স্কোর এবং এরিয়া আন্ডার দ্য কার্ভ (AUC)। অটোএমএল কাজের সময় আপনি যে মডেলগুলিকে প্রশিক্ষণ দিতে পারেন এবং প্রশিক্ষিত মডেলের পারফরম্যান্স মূল্যায়নের জন্য ব্যবহৃত মেট্রিক্স সম্পর্কে আরও জানতে, দেখুন মডেল সমর্থন, মেট্রিক্স, এবং বৈধতা.
মডেল সম্পর্কে আরও জানতে, আপনি এখন সেরা মডেলটিতে ডান-ক্লিক করতে পারেন এবং চয়ন করতে পারেন৷ মডেল বিবরণ খুলুন. বিকল্পভাবে, আপনি চয়ন করতে পারেন সেরা মডেল শীর্ষে লিঙ্ক মডেল ওভারভিউ আপনি প্রথম পরিদর্শন করা বিভাগ.
মডেলের বিশদ বিবরণ পৃষ্ঠায় এই ইনপুট ডেটার সাথে সেরা পারফর্ম করা মডেল সম্পর্কিত দরকারী তথ্যের আধিক্য রয়েছে৷ আসুন প্রথমে পৃষ্ঠার শীর্ষে সারাংশের উপর ফোকাস করি। পূর্ববর্তী উদাহরণ স্ক্রিনশট দেখায় যে, শত শত মডেল প্রশিক্ষণের মধ্যে, একটি XGBoost মডেল ইনপুট ডেটাসেটে সেরা পারফর্ম করেছে। এই লেখার সময়, সেজমেকার ক্যানভাস তিন ধরনের এমএল অ্যালগরিদমকে প্রশিক্ষণ দিতে পারে: লিনিয়ার লার্নার, এক্সজিবিবুস্ট এবং একটি মাল্টিলেয়ার পারসেপ্টরন (এমএলপি), প্রতিটিতে বিভিন্ন ধরনের প্রিপ্রসেসিং পাইপলাইন এবং হাইপার-প্যারামিটার রয়েছে। প্রতিটি অ্যালগরিদম সম্পর্কে আরও জানতে, পড়ুন সমর্থিত অ্যালগরিদম পৃষ্ঠা.
SageMaker এর একটি পরিমাপযোগ্য এবং দক্ষ বাস্তবায়নের জন্য একটি ব্যাখ্যামূলক কার্যকারিতাও অন্তর্ভুক্ত করে KernelSHAP, সমবায় গেম তত্ত্বের ক্ষেত্র থেকে একটি শ্যাপলি মান ধারণার উপর ভিত্তি করে যা প্রতিটি বৈশিষ্ট্যকে একটি নির্দিষ্ট ভবিষ্যদ্বাণীর জন্য একটি গুরুত্ব মান নির্ধারণ করে। এটি মডেলটি কীভাবে তার ভবিষ্যদ্বাণীতে পৌঁছেছে সে সম্পর্কে স্বচ্ছতার জন্য অনুমতি দেয় এবং বৈশিষ্ট্যের গুরুত্ব সংজ্ঞায়িত করার জন্য এটি খুবই কার্যকর। বৈশিষ্ট্যের গুরুত্ব সহ একটি সম্পূর্ণ ব্যাখ্যাযোগ্যতা প্রতিবেদন PDF, নোটবুক বা কাঁচা ডেটা বিন্যাসে ডাউনলোডযোগ্য। সেই রিপোর্টে, অটোএমএল কাজের সময় ব্যবহৃত হাইপার-প্যারামিটারগুলির একটি সম্পূর্ণ তালিকার পাশাপাশি মেট্রিক্সের একটি বিস্তৃত সেট দেখানো হয়েছে। সেজমেকার কীভাবে অটোএমএল সমাধান এবং স্ট্যান্ডার্ড এমএল অ্যালগরিদমের জন্য সমন্বিত ব্যাখ্যাযোগ্যতা সরঞ্জাম সরবরাহ করে সে সম্পর্কে আরও জানতে, দেখুন সমন্বিত ব্যাখ্যাযোগ্যতা সরঞ্জামগুলি ব্যবহার করুন এবং Amazon SageMaker Autopilot ব্যবহার করে মডেলের গুণমান উন্নত করুন৷.
অবশেষে, এই ভিউতে থাকা অন্যান্য ট্যাবগুলি পারফরম্যান্সের বিবরণ (বিভ্রান্তি ম্যাট্রিক্স, সূক্ষ্ম রিকল কার্ভ, ROC বক্ররেখা), ইনপুটগুলির জন্য ব্যবহৃত শিল্পকর্ম এবং AutoML কাজের সময় তৈরি করা এবং নেটওয়ার্কের বিশদ বিবরণ দেখায়।
এই মুহুর্তে, ডেটা সায়েন্টিস্টের দুটি পছন্দ রয়েছে: মডেলটি সরাসরি স্থাপন করুন, বা একটি প্রশিক্ষণ পাইপলাইন তৈরি করুন যা ম্যানুয়ালি বা স্বয়ংক্রিয়ভাবে নির্ধারিত বা ট্রিগার করা যেতে পারে। নিম্নলিখিত বিভাগগুলি উভয় বিকল্পের কিছু অন্তর্দৃষ্টি প্রদান করে।
মডেলটি সরাসরি স্থাপন করুন
যদি ডেটা সায়েন্টিস্ট অটোএমএল কাজের দ্বারা প্রাপ্ত ফলাফলে সন্তুষ্ট হন তবে তারা সরাসরি মডেলটি স্থাপন করতে পারে মডেল বিশদ পৃষ্ঠা এটি নির্বাচন করার মতোই সহজ মডেল স্থাপন মডেল নামের পাশে।
সেজমেকার আপনাকে স্থাপনার জন্য দুটি বিকল্প দেখায়: একটি রিয়েল-টাইম এন্ডপয়েন্ট, দ্বারা চালিত Amazon SageMaker শেষ পয়েন্ট, এবং ব্যাচ অনুমান, দ্বারা চালিত Amazon SageMaker ব্যাচ রূপান্তর.
SageMaker এছাড়াও অনুমান অন্যান্য মোড প্রদান করে. আরো জানতে, দেখুন অনুমানের জন্য মডেল স্থাপন করুন.
রিয়েল-টাইম ভবিষ্যদ্বাণী মোড সক্ষম করতে, আপনি কেবলমাত্র শেষ পয়েন্টটিকে একটি নাম, একটি উদাহরণের ধরণ এবং একটি উদাহরণ গণনা দিন৷ যেহেতু এই মডেলটির জন্য ভারী গণনা সংস্থানগুলির প্রয়োজন নেই, আপনি 1 এর প্রাথমিক গণনা সহ একটি CPU-ভিত্তিক দৃষ্টান্ত ব্যবহার করতে পারেন। আপনি উপলব্ধ বিভিন্ন ধরণের উদাহরণ এবং তাদের চশমা সম্পর্কে আরও জানতে পারেন আমাজন সেজমেকার প্রাইসিং পেজ (মধ্যে অন-ডিমান্ড প্রাইসিং বিভাগ, নির্বাচন করুন রিয়েল-টাইম ইনফারেন্স ট্যাব)। আপনি যদি না জানেন যে আপনার স্থাপনার জন্য কোন দৃষ্টান্তটি বেছে নেওয়া উচিত, তাহলে আপনি SageMaker-কে আপনার KPIs অনুযায়ী আপনার জন্য সেরাটি খুঁজে বের করতে বলতে পারেন সেজমেকার ইনফারেন্স সুপারিশকারী. আপনি এন্ডপয়েন্টে বা থেকে অনুরোধ এবং প্রতিক্রিয়া ডেটা ক্যাপচার করতে চান কিনা সে সম্পর্কে আপনি অতিরিক্ত ঐচ্ছিক পরামিতিও প্রদান করতে পারেন। আপনি যদি পরিকল্পনা করছেন তবে এটি কার্যকর হতে পারে আপনার মডেল নিরীক্ষণ. আপনার প্রতিক্রিয়ার অংশ হিসাবে আপনি কোন সামগ্রী প্রদান করতে চান তাও আপনি চয়ন করতে পারেন - তা কেবল ভবিষ্যদ্বাণী বা পূর্বাভাসের সম্ভাবনা, সমস্ত শ্রেণীর সম্ভাব্যতা এবং লক্ষ্য লেবেল।
একটি ব্যাচ স্কোরিং কাজ চালানোর জন্য একবারে সম্পূর্ণ ইনপুটগুলির জন্য ভবিষ্যদ্বাণী পাওয়ার জন্য, আপনি থেকে ব্যাচ ট্রান্সফর্ম কাজটি চালু করতে পারেন এডাব্লুএস ম্যানেজমেন্ট কনসোল অথবা SageMaker Python SDK-এর মাধ্যমে। ব্যাচ ট্রান্সফর্ম সম্পর্কে আরও জানতে, পড়ুন ব্যাচ ট্রান্সফর্ম ব্যবহার করুন এবং উদাহরণ নোটবুক।
একটি প্রশিক্ষণ পাইপলাইন সংজ্ঞায়িত করুন
এমএল মডেলগুলি খুব কমই, যদি কখনও, স্থির এবং অপরিবর্তনীয় হিসাবে বিবেচিত হতে পারে, কারণ তারা যে বেসলাইনটির উপর প্রশিক্ষিত হয়েছে তা থেকে সরে যায়। সময়ের সাথে সাথে বাস্তব-বিশ্বের ডেটা বিকশিত হয়, এবং এটি থেকে আরও নিদর্শন এবং অন্তর্দৃষ্টি উদ্ভূত হয়, যা ঐতিহাসিক ডেটাতে প্রশিক্ষিত মূল মডেল দ্বারা ক্যাপচার করা হতে পারে বা নাও হতে পারে। এই সমস্যাটি সমাধান করতে, আপনি একটি প্রশিক্ষণ পাইপলাইন সেট আপ করতে পারেন যা স্বয়ংক্রিয়ভাবে উপলব্ধ সর্বশেষ ডেটা সহ আপনার মডেলগুলিকে পুনরায় প্রশিক্ষণ দেয়।
এই পাইপলাইনটি সংজ্ঞায়িত করতে, ডেটা সায়েন্টিস্টের বিকল্পগুলির মধ্যে একটি হল আবার প্রশিক্ষণ পাইপলাইনের জন্য অটোএমএল ব্যবহার করা। আপনি Create_auto_ml_job() API থেকে প্রোগ্রামেটিকভাবে একটি AutoML কাজ চালু করতে পারেন AWS Boto3 SDK. আপনি একটি থেকে এই অপারেশন কল করতে পারেন এডাব্লুএস ল্যাম্বদা একটি মধ্যে ফাংশন এডাব্লুএস স্টেপ ফাংশন কর্মপ্রবাহ, অথবা একটি LambdaStep in থেকে অ্যামাজন সেজমেকার পাইপলাইন.
বিকল্পভাবে, ডেটা সায়েন্টিস্ট একটি সম্পূর্ণ প্রশিক্ষণ পাইপলাইন সংজ্ঞায়িত করতে অটোএমএল জব থেকে প্রাপ্ত জ্ঞান, শিল্পকর্ম এবং হাইপার-প্যারামিটার ব্যবহার করতে পারেন। আপনার নিম্নলিখিত সংস্থানগুলির প্রয়োজন:
- অ্যালগরিদম যা ব্যবহারের ক্ষেত্রে সবচেয়ে ভালো কাজ করেছে - আপনি ইতিমধ্যে ক্যানভাস-উত্পন্ন মডেলের সারাংশ থেকে এই তথ্যটি পেয়েছেন। এই ব্যবহারের ক্ষেত্রে, এটি XGBoost বিল্ট-ইন অ্যালগরিদম। সেজমেকারের সাথে XGBoost অ্যালগরিদম প্রশিক্ষণের জন্য SageMaker Python SDK কীভাবে ব্যবহার করবেন তার নির্দেশাবলীর জন্য, দেখুন SageMaker Python SDK এর সাথে XGBoost ব্যবহার করুন.
- AutoML কাজের দ্বারা প্রাপ্ত হাইপারপ্যারামিটার - এই পাওয়া যায় ব্যাখ্যাযোগ্যতা অধ্যায়. SageMaker Python SDK-এর সাথে প্রশিক্ষণের কাজ সংজ্ঞায়িত করার সময় আপনি এগুলিকে ইনপুট হিসাবে ব্যবহার করতে পারেন।
- আর্টিফ্যাক্টস বিভাগে প্রদত্ত বৈশিষ্ট্য ইঞ্জিনিয়ারিং কোড – আপনি এই কোডটি প্রশিক্ষণের আগে ডেটা প্রিপ্রসেস করার জন্য ব্যবহার করতে পারেন (উদাহরণস্বরূপ, অ্যামাজন সেজমেকার প্রসেসিংয়ের মাধ্যমে), বা অনুমান করার আগে (উদাহরণস্বরূপ, একটি সেজমেকার অনুমান পাইপলাইনের অংশ হিসাবে)।
আপনি একটি সেজমেকার পাইপলাইনের অংশ হিসাবে এই সংস্থানগুলি একত্রিত করতে পারেন। আমরা এই পোস্টে বাস্তবায়নের বিবরণ বাদ দিই—এই বিষয়ে আরও কন্টেন্ট আসার জন্য আমাদের সাথে থাকুন।
উপসংহার
সেজমেকার ক্যানভাস আপনাকে কোনো কোড লেখার প্রয়োজন ছাড়াই ভবিষ্যদ্বাণী তৈরি করতে ML ব্যবহার করতে দেয়। একজন ব্যবসায়িক বিশ্লেষক স্বায়ত্তশাসিতভাবে স্থানীয় ডেটাসেট, সেইসাথে ইতিমধ্যে সংরক্ষিত ডেটার সাথে এটি ব্যবহার শুরু করতে পারেন আমাজন সিম্পল স্টোরেজ সার্ভিস (অ্যামাজন এস 3), আমাজন রেডশিফ্ট, বা স্নোফ্লেক। মাত্র কয়েকটি ক্লিকের মাধ্যমে, তারা তাদের ডেটাসেট প্রস্তুত করতে এবং যোগদান করতে পারে, আনুমানিক নির্ভুলতা বিশ্লেষণ করতে পারে, কোন কলামগুলি কার্যকরী তা যাচাই করতে পারে, সেরা পারফরম্যান্স মডেলকে প্রশিক্ষণ দিতে পারে এবং নতুন ব্যক্তি বা ব্যাচের ভবিষ্যদ্বাণী তৈরি করতে পারে, এই সবই একজন বিশেষজ্ঞ ডেটা বিজ্ঞানীর প্রয়োজন ছাড়াই৷ তারপরে, প্রয়োজন অনুসারে, তারা মডেলটিকে ডেটা বিজ্ঞানী বা MLOps ইঞ্জিনিয়ারদের একটি দলের সাথে ভাগ করতে পারে, যারা মডেলগুলি সেজমেকার স্টুডিওতে আমদানি করে এবং একটি উত্পাদন সমাধান সরবরাহ করতে বিশ্লেষকের পাশাপাশি কাজ করে।
ব্যবসায়িক বিশ্লেষকরা এমএল-এ ডিগ্রি না নিয়ে এবং কোডের একক লাইন না লিখে স্বাধীনভাবে তাদের ডেটা থেকে অন্তর্দৃষ্টি পেতে পারেন। ডেটা বিজ্ঞানীদের এখন আরও চ্যালেঞ্জিং প্রকল্পে কাজ করার জন্য অতিরিক্ত সময় থাকতে পারে যা AI এবং ML সম্পর্কে তাদের বিস্তৃত জ্ঞানকে আরও ভালভাবে ব্যবহার করতে পারে।
আমরা বিশ্বাস করি এই নতুন সহযোগিতা আপনার ব্যবসার জন্য আরও অনেক শক্তিশালী ML সমাধান তৈরির দরজা খুলে দেবে। আপনার কাছে এখন মূল্যবান ব্যবসায়িক অন্তর্দৃষ্টি তৈরি করার জন্য বিশ্লেষক রয়েছে, যেখানে ডেটা বিজ্ঞানী এবং এমএল ইঞ্জিনিয়ারদের প্রয়োজন অনুযায়ী পরিমার্জন, সুর এবং প্রসারিত করতে সহায়তা করে৷
অতিরিক্ত সম্পদ
- সেজমেকার কীভাবে ব্যবসায়িক বিশ্লেষকদের আরও সাহায্য করতে পারে সে সম্পর্কে আরও জানতে, পড়ুন ব্যবসা বিশ্লেষকদের জন্য Amazon SageMaker.
- সেজমেকার কীভাবে ডেটা বিজ্ঞানীদের তাদের এমএল মডেলগুলি বিকাশ, প্রশিক্ষণ এবং স্থাপন করার অনুমতি দেয় সে সম্পর্কে আরও জানতে, দেখুন ডেটা বিজ্ঞানীদের জন্য অ্যামাজন সেজমেকার.
- কিভাবে SageMaker MLOps ব্যবহার করে ML লাইফসাইকেল স্ট্রিমলাইন করতে MLOps ইঞ্জিনিয়ারদের সাহায্য করতে পারে সে সম্পর্কে আরও তথ্যের জন্য, পড়ুন MLOps ইঞ্জিনিয়ারদের জন্য Amazon SageMaker.
লেখক সম্পর্কে
ডেভিড গ্যালিটেলি EMEA অঞ্চলে AI/ML-এর জন্য একজন বিশেষজ্ঞ সমাধান স্থপতি৷ তিনি ব্রাসেলসে অবস্থিত এবং বেনেলাক্স জুড়ে গ্রাহকদের সাথে ঘনিষ্ঠভাবে কাজ করেন। তিনি খুব অল্প বয়স থেকেই একজন বিকাশকারী ছিলেন, 7 বছর বয়সে কোড করতে শুরু করেছিলেন। তিনি বিশ্ববিদ্যালয়ে AI/ML শিখতে শুরু করেছিলেন, এবং তখন থেকেই এর প্রেমে পড়েছেন।
মার্ক রায় AWS-এর একজন প্রিন্সিপাল মেশিন লার্নিং আর্কিটেক্ট, গ্রাহকদের AI/ML সমাধান ডিজাইন ও তৈরি করতে সাহায্য করে। মার্কের কাজ এমএল ব্যবহারের ক্ষেত্রের বিস্তৃত পরিসরকে কভার করে, যার মধ্যে প্রাথমিক আগ্রহ কম্পিউটার ভিশন, গভীর শিক্ষা, এবং এন্টারপ্রাইজ জুড়ে এমএল স্কেলিং। তিনি বীমা, আর্থিক পরিষেবা, মিডিয়া এবং বিনোদন, স্বাস্থ্যসেবা, ইউটিলিটি এবং উত্পাদন সহ অনেক শিল্পে সংস্থাগুলিকে সহায়তা করেছেন। মার্কের ছয়টি AWS সার্টিফিকেশন রয়েছে, যার মধ্যে ML স্পেশালিটি সার্টিফিকেশন রয়েছে। AWS-এ যোগদানের আগে, মার্ক 25 বছরেরও বেশি সময় ধরে একজন স্থপতি, বিকাশকারী এবং প্রযুক্তি নেতা ছিলেন, যার মধ্যে 19 বছরের আর্থিক পরিষেবা রয়েছে।
- Coinsmart. ইউরোপের সেরা বিটকয়েন এবং ক্রিপ্টো এক্সচেঞ্জ।
- প্লেটোব্লকচেন। Web3 মেটাভার্স ইন্টেলিজেন্স। জ্ঞান প্রসারিত. বিনামূল্যে এক্সেস.
- ক্রিপ্টোহক। Altcoin রাডার। বিনামূল্যে ট্রায়াল.
- সূত্র: https://aws.amazon.com/blogs/machine-learning/build-share-deploy-how-business-analysts-and-data-scientists-achieve-faster-time-to-market-using-no- কোড-এমএল-এবং-আমাজন-সেজমেকার-ক্যানভাস/
- "
- 000
- 100
- 7
- 9
- সম্পর্কে
- দ্রুততর করা
- ত্বরক
- প্রবেশ
- অনুযায়ী
- দিয়ে
- অতিরিক্ত
- অ্যাডমিন
- AI
- অ্যালগরিদম
- আলগোরিদিম
- সব
- অনুমতি
- ইতিমধ্যে
- মর্দানী স্ত্রীলোক
- বিশ্লেষণ
- বিশ্লেষক
- API
- অভিগমন
- এলাকায়
- কাছাকাছি
- অটোমেটেড
- সহজলভ্য
- ডেস্কটপ AWS
- বেসলাইন
- পরিণত
- সর্বোত্তম
- সীমান্ত
- ব্রাসেলস
- নির্মাণ করা
- ভবন
- তৈরী করে
- বিল্ট-ইন
- ব্যবসায়
- কল
- মামলা
- সাক্ষ্যদান
- পছন্দ
- বৃত্ত
- শ্রেণীবিন্যাস
- কোড
- সহযোগিতা
- স্তম্ভ
- আসছে
- কোম্পানি
- কোম্পানি
- জটিল
- গনা
- ধারণা
- বিশৃঙ্খলা
- ধারণ
- বিষয়বস্তু
- নিয়ন্ত্রণ
- সমবায়
- মূল
- খরচ
- ধার
- বাঁক
- গ্রাহকদের
- উপাত্ত
- তথ্য বিজ্ঞান
- তথ্য বিজ্ঞানী
- বিলি
- চাহিদা
- স্থাপন
- বিস্তৃতি
- নকশা
- সনাক্তকরণ
- বিকাশ
- বিকাশকারী
- উন্নয়ন
- বিভিন্ন
- বিতরণ
- না
- ডোমেইন
- নিচে
- সহজে
- দক্ষ
- ইমেইল
- শেষপ্রান্ত
- প্রকৌশলী
- প্রকৌশল
- প্রকৌশলী
- উদ্যোগ
- বিনোদন
- পরিবেশ
- আনুমানিক
- উদাহরণ
- পরীক্ষা
- অন্বেষণ
- প্রসারিত করা
- দ্রুত
- বৈশিষ্ট্য
- প্রতিক্রিয়া
- আর্থিক
- অর্থনৈতিক সেবা সমূহ
- প্রথম
- প্রবাহ
- কেন্দ্রবিন্দু
- অনুসরণ
- বিন্যাস
- প্রতারণা
- বিনামূল্যে
- সম্পূর্ণ
- ক্রিয়া
- কার্যকারিতা
- খেলা
- উত্পাদন করা
- পেয়ে
- দান
- Green
- উন্নতি
- জমিদারি
- স্বাস্থ্যসেবা
- সাহায্য
- সাহায্য
- লক্ষণীয় করা
- অত্যন্ত
- ঐতিহাসিক
- ঝুলিতে
- কিভাবে
- কিভাবে
- HTTPS দ্বারা
- শত শত
- গুরুত্ব
- উন্নত করা
- অন্তর্ভুক্ত করা
- সুদ্ধ
- বৃদ্ধি
- স্বতন্ত্র
- শিল্প
- তথ্য
- অর্ন্তদৃষ্টি
- বীমা
- সম্পূর্ণ
- সংহত
- স্বার্থ
- IT
- কাজ
- জবস
- যোগদানের
- জ্ঞান
- লেবেলগুলি
- সর্বশেষ
- শুরু করা
- শিখতে
- শিক্ষা
- লাইন
- LINK
- তালিকা
- সামান্য
- স্থানীয়
- দীর্ঘ
- খুঁজছি
- ভালবাসা
- মেশিন
- মেশিন লার্নিং
- ব্যবস্থাপনা
- ম্যানুয়ালি
- উত্পাদন
- ছাপ
- বাজার
- জরায়ু
- মিডিয়া
- ছন্দোবিজ্ঞান
- মিলিয়ন
- ML
- মডেল
- মডেল
- মাসের
- পদক্ষেপ
- নেটওয়ার্ক
- নোটবই
- অফার
- প্রর্দশিত
- অপারেশনস
- পছন্দ
- অপশন সমূহ
- ক্রম
- সংগঠন
- সংগঠন
- অন্যান্য
- পিডিএফ
- কর্মক্ষমতা
- ক্রিয়াকাণ্ড
- ফেজ
- পরিকল্পনা
- খেলা
- দৃশ্যের পয়েন্ট
- সম্ভব
- ক্ষমতাশালী
- ভবিষ্যদ্বাণী
- ভবিষ্যতবাণী
- মূল্য
- প্রাথমিক
- অধ্যক্ষ
- সমস্যা
- প্রক্রিয়া
- উৎপাদন করা
- উত্পাদনের
- পণ্য
- প্রকল্প
- প্রদান
- উপলব্ধ
- কাছে
- গুণ
- দ্রুত
- পরিসর
- কাঁচা
- প্রকৃত সময়
- হ্রাস করা
- রিপোর্ট
- প্রয়োজন
- Resources
- প্রতিক্রিয়া
- ফলাফল
- রাজস্ব
- চালান
- দৌড়
- মাপযোগ্য
- আরোহী
- বিজ্ঞান
- বিজ্ঞানী
- বিজ্ঞানীরা
- SDK
- নির্বাচিত
- ক্রম
- সেবা
- সেট
- শেয়ার
- ভাগ
- সহজ
- ছয়
- আয়তন
- দক্ষতা
- ঢিলা
- So
- সলিউশন
- সমাধান
- শুরু
- শুরু
- পরিসংখ্যান
- স্টোরেজ
- দোকান
- চিত্রশালা
- সমর্থন
- লক্ষ্য
- টীম
- প্রযুক্তিঃ
- পরীক্ষামূলক
- উৎস
- সর্বত্র
- সময়
- একসঙ্গে
- সরঞ্জাম
- শীর্ষ
- ঐতিহ্যগত
- প্রশিক্ষণ
- ট্রেন
- লেনদেন
- রুপান্তর
- স্বচ্ছতা
- ui
- বোঝা
- বিশ্ববিদ্যালয়
- us
- ব্যবহার
- মূল্য
- চেক
- দৃষ্টিপাত
- দৃষ্টি
- কি
- কিনা
- হু
- মধ্যে
- ছাড়া
- হয়া যাই ?
- কাজ করছে
- কাজ
- কাজ
- লেখা
- বছর