একটি MLOps সমাধান স্থাপন করুন যা AWS Lambda-তে আপনার মডেলের শেষ পয়েন্টগুলি হোস্ট করে

2019 সালে, অ্যামাজন সহ-প্রতিষ্ঠা করেছিল জলবায়ু প্রতিশ্রুতি. প্রতিশ্রুতির লক্ষ্য হল 2040 সালের মধ্যে নেট শূন্য কার্বন অর্জন করা। এটি প্যারিস চুক্তির রূপরেখার চেয়ে 10 বছর আগে। যে কোম্পানিগুলি সাইন আপ করে তারা নিয়মিত রিপোর্টিং, কার্বন নির্মূল এবং বিশ্বাসযোগ্য অফসেটের জন্য প্রতিশ্রুতিবদ্ধ। এই লেখার সময়, 377 কোম্পানি জলবায়ু প্রতিশ্রুতিতে স্বাক্ষর করেছে এবং সংখ্যাটি এখনও বাড়ছে।

যেহেতু AWS আপনাকে ক্লাউড সলিউশন এবং মেশিন লার্নিং (ML) এর মাধ্যমে আপনার নেট শূন্য লক্ষ্য অর্জনে সহায়তা করার জন্য প্রতিশ্রুতিবদ্ধ, তাই ইতিমধ্যে অনেক প্রকল্প তৈরি করা হয়েছে এবং স্থাপন করা হয়েছে যা কার্বন নিঃসরণ হ্রাস করে। উত্পাদন হল এমন একটি শিল্প যা এই ধরনের প্রকল্প থেকে ব্যাপকভাবে উপকৃত হতে পারে। কম্প্রেসার বা চিলারের মতো উৎপাদন কারখানায় মেশিনের অপ্টিমাইজড এনার্জি ম্যানেজমেন্টের মাধ্যমে কোম্পানিগুলো ML দিয়ে তাদের কার্বন ফুটপ্রিন্ট কমাতে পারে।

কার্যকরভাবে একটি এমএল পরীক্ষার পর্যায় থেকে উত্পাদনে রূপান্তর করা চ্যালেঞ্জিং। স্বয়ংক্রিয় মডেল প্রশিক্ষণ এবং পুনঃপ্রশিক্ষণ, একটি মডেল রেজিস্ট্রি থাকা, এবং ট্র্যাকিং পরীক্ষা এবং স্থাপনা কিছু মূল চ্যালেঞ্জ। উত্পাদনকারী সংস্থাগুলির জন্য, জটিলতার আরেকটি স্তর রয়েছে, যেমন এই স্থাপন করা মডেলগুলি প্রান্তে কীভাবে চলতে পারে।

এই পোস্টে, আমরা একটি মেশিন লার্নিং অপারেশনস (MLOps) টেমপ্লেট প্রদান করে এই চ্যালেঞ্জ মোকাবেলা করি যা একটি টেকসই শক্তি ব্যবস্থাপনা সমাধান হোস্ট করে। সমাধানটি কেস ব্যবহার করার জন্য অজ্ঞেয়বাদী, যার মানে আপনি মডেল এবং ডেটা পরিবর্তন করে এটিকে আপনার ব্যবহারের ক্ষেত্রে মানিয়ে নিতে পারেন। আমরা আপনাকে দেখাই কিভাবে মডেলগুলিকে সংহত করতে হয় অ্যামাজন সেজমেকার পাইপলাইন, ML পাইপলাইন তৈরির জন্য একটি নেটিভ ওয়ার্কফ্লো অর্কেস্ট্রেশন টুল, যা একটি প্রশিক্ষণের কাজ চালায় এবং ঐচ্ছিকভাবে একটি মন্টে কার্লো সিমুলেশন সহ একটি প্রক্রিয়াকরণ কাজ চালায়। পরীক্ষা ট্র্যাক করা হয় অ্যামাজন সেজমেকার পরীক্ষা-নিরীক্ষা. মডেল ট্র্যাক এবং নিবন্ধিত হয় অ্যামাজন সেজমেকার মডেল রেজিস্ট্রি. অবশেষে, আমরা একটিতে আপনার চূড়ান্ত মডেল স্থাপনের জন্য কোড প্রদান করি এডাব্লুএস ল্যাম্বদা ফাংশন.

Lambda হল একটি গণনা পরিষেবা যা আপনাকে সার্ভার পরিচালনা বা ব্যবস্থা না করে কোড চালাতে দেয়। Lambda-এর স্বয়ংক্রিয় স্কেলিং, প্রতি-অনুরোধের বিলিং, এবং ব্যবহারের সহজতা এটিকে ডেটা সায়েন্স টিমের জন্য একটি সাধারণ স্থাপনার পছন্দ করে তোলে। এই পোস্টের মাধ্যমে, ডেটা বিজ্ঞানীরা তাদের মডেলটিকে একটি ব্যয়-কার্যকর এবং মাপযোগ্য ল্যাম্বডা ফাংশনে পরিণত করতে পারেন। উপরন্তু, Lambda এর সাথে একীকরণের অনুমতি দেয় এডাব্লুএস আইওটি গ্রিনগ্রাস, যা আপনাকে সফ্টওয়্যার তৈরি করতে সাহায্য করে যা আপনার ডিভাইসগুলিকে তাদের তৈরি করা ডেটার প্রান্তে কাজ করতে সক্ষম করে, যেমনটি একটি টেকসই শক্তি ব্যবস্থাপনা সমাধানের ক্ষেত্রে হবে৷

সমাধান ওভারভিউ

আমরা যে আর্কিটেকচারটি স্থাপন করি (নিম্নলিখিত চিত্রটি দেখুন) মেশিন লার্নিং এর জন্য সম্পূর্ণ CI/CD-চালিত পদ্ধতি। একটি একশিল্প সমাধান এড়াতে উপাদানগুলিকে জোড়া দেওয়া হয়।

ডায়াগ্রামের উপরের বাম দিক দিয়ে শুরু করা যাক। দ্য প্রসেসিং - ইমেজ বিল্ড উপাদান একটি CI/CD-চালিত এডাব্লুএস কোডকমিট সংগ্রহস্থল যা নির্মাণ এবং ধাক্কা a ডকশ্রমিক ধারক থেকে অ্যামাজন ইলাস্টিক কনটেইনার রেজিস্ট্রি (আমাজন ইসিআর)। এই প্রসেসিং কন্টেইনারটি আমাদের ML পাইপলাইনের প্রথম ধাপ হিসেবে কাজ করে, কিন্তু এটি পোস্টপ্রসেসিং ধাপের জন্যও পুনরায় ব্যবহার করা হয়। আমাদের ক্ষেত্রে, আমরা পোস্টপ্রসেসিং হিসাবে একটি মন্টে কার্লো সিমুলেশন প্রয়োগ করি। দ্য প্রশিক্ষণ – ছবি নির্মাণ নীচে বাম দিকে বর্ণিত সংগ্রহস্থলের একই প্রক্রিয়া রয়েছে প্রসেসিং এর উপরে ব্লক করুন। প্রধান পার্থক্য হল এটি মডেল প্রশিক্ষণের জন্য ধারক তৈরি করে।

প্রধান পাইপলাইন, মডেল বিল্ডিং (পাইপলাইন), হল আরেকটি CodeCommit সংগ্রহস্থল যা আপনার SageMaker পাইপলাইনগুলিকে স্বয়ংক্রিয়ভাবে চালায়। এই পাইপলাইনটি সেজমেকার মডেল রেজিস্ট্রিতে ডেটা প্রিপ্রসেসিং, মডেল প্রশিক্ষণ, সেজমেকার পরীক্ষায় মডেল মেট্রিক্স ট্র্যাকিং, ডেটা পোস্টপ্রসেসিং এবং মডেল ক্যাটালগিংকে স্বয়ংক্রিয় করে এবং সংযুক্ত করে।

চূড়ান্ত উপাদান নীচে ডানদিকে আছে: মডেল মোতায়েন. যদি আপনি উদাহরণ অনুসরণ করুন আমাজন সেজমেকার প্রকল্প, আপনি একটি টেমপ্লেট পাবেন যা একটি SageMaker এন্ডপয়েন্ট ব্যবহার করে আপনার মডেল হোস্ট করে। আমাদের স্থাপনার ভান্ডার পরিবর্তে একটি Lambda ফাংশনে মডেল হোস্ট করে। আমরা ল্যাম্বডা ফাংশন স্থাপনের জন্য একটি পদ্ধতি দেখাই যা রিয়েল-টাইম ভবিষ্যদ্বাণী চালাতে পারে।

পূর্বশর্ত

সফলভাবে আমাদের সমাধান স্থাপন করতে, আপনার নিম্নলিখিত প্রয়োজন:

GitHub সংগ্রহস্থল ডাউনলোড করুন

প্রথম ধাপ হিসেবে, ক্লোন করুন GitHub সংগ্রহস্থল আপনার স্থানীয় মেশিনে। এটিতে নিম্নলিখিত ফোল্ডার গঠন রয়েছে:

• বিস্তৃতি - স্থাপনার জন্য প্রাসঙ্গিক কোড রয়েছে
• mllib — প্রিপ্রসেসিং, প্রশিক্ষণ, পরিবেশন এবং অনুকরণের জন্য ML কোড রয়েছে
• পরীক্ষা - ইউনিট এবং ইন্টিগ্রেশন পরীক্ষা রয়েছে

স্থাপনার জন্য মূল ফাইল হল শেল স্ক্রিপ্ট deployment/deploy.sh. আপনি আপনার অ্যাকাউন্টে সম্পদ স্থাপন করতে এই ফাইলটি ব্যবহার করুন৷ শেল স্ক্রিপ্ট চালানোর আগে, নিম্নলিখিত পদক্ষেপগুলি সম্পূর্ণ করুন:

1. খোলা deployment/app.py এবং নিচে bucket_name পরিবর্তন করুন SageMakerPipelineSourceCodeStack. দ্য bucket_name বিশ্বব্যাপী অনন্য হতে হবে (উদাহরণস্বরূপ, আপনার পুরো নাম যোগ করুন)।
2. In deployment/pipeline/assets/modelbuild/pipelines/energy_management/pipeline.py, পরিবর্তন default_bucket অধীনে get_pipeline ধাপ 1 এ উল্লিখিত একই নামে।

AWS CDK এর সাথে সমাধান স্থাপন করুন

প্রথমত, আপনার AWS CLI কনফিগার করুন আপনি যে অ্যাকাউন্ট এবং অঞ্চলে স্থাপন করতে চান তার সাথে। তারপরে স্থাপনার ডিরেক্টরিতে পরিবর্তন করতে নিম্নলিখিত কমান্ডগুলি চালান, একটি ভার্চুয়াল পরিবেশ তৈরি করুন, এটি সক্রিয় করুন, এতে নির্দিষ্ট করা প্রয়োজনীয় পিপ প্যাকেজগুলি ইনস্টল করুন setup.py, এবং চালান deploy.sh:

cd deployment
python3 -m venv .venv
source .venv/bin/activate
pip install -r requirements.txt
pre-commit install
chmod u+x deploy.sh
./deploy.sh

deploy.sh নিম্নলিখিত ক্রিয়া সম্পাদন করে:

1. পাইথনে একটি ভার্চুয়াল পরিবেশ তৈরি করে।
2. ভার্চুয়াল পরিবেশ সক্রিয়করণ স্ক্রিপ্ট উত্স.
3. AWS CDK ইনস্টল করে এবং প্রয়োজনীয়তা উল্লেখ করা হয়েছে setup.py.
4. বুটস্ট্র্যাপ পরিবেশ.
5. আপনার ডেভেলপ করা প্রয়োজনীয় ফাইলগুলিকে জিপ এবং কপি করে, যেমন আপনার mllib ফাইলগুলি, সংশ্লিষ্ট ফোল্ডারগুলিতে যেখানে এই সম্পদগুলির প্রয়োজন হয়৷
6. রান cdk deploy —require-approval never.
7. একটি তৈরি করে এডাব্লুএস ক্লাউডফর্মেশন AWS CDK এর মাধ্যমে স্ট্যাক করুন।

স্থাপনার প্রাথমিক পর্যায়ে 5 মিনিটের কম সময় নেওয়া উচিত। AWS CLI-এর মাধ্যমে আপনি যে অঞ্চলে নির্দিষ্ট করেছেন সেই অঞ্চলে CodeCommit-এ এখন আপনার চারটি সংগ্রহস্থল থাকা উচিত, যেমনটি আর্কিটেকচার ডায়াগ্রামে বর্ণিত হয়েছে। দ্য AWS কোড পাইপলাইন পাইপলাইন একই সাথে চালানো হয়। দ্য modelbuild এবং modeldeploy পাইপলাইন প্রক্রিয়াকরণ এবং প্রশিক্ষণ ইমেজ নির্মাণ একটি সফল রান উপর নির্ভর করে. দ্য modeldeploy পাইপলাইন একটি সফল মডেল নির্মাণের উপর নির্ভর করে। মডেল স্থাপনা 1.5 ঘন্টার কম সময়ে সম্পূর্ণ হওয়া উচিত।

স্টুডিওতে মডেল সংগ্রহস্থল ক্লোন করুন

স্টুডিও UI-তে AWS CDK স্থাপনার মাধ্যমে তৈরি SageMaker পাইপলাইনগুলি কাস্টমাইজ করতে, আপনাকে প্রথমে স্টুডিওতে সংগ্রহস্থলগুলি ক্লোন করতে হবে। স্টুডিওতে সিস্টেম টার্মিনাল চালু করুন এবং প্রকল্পের নাম এবং আইডি প্রদান করার পরে নিম্নলিখিত কমান্ডগুলি চালান:

git clone https://git-codecommit.REGION.amazonaws.com/v1/repos/sagemaker-PROJECT_NAME-PROJECT_ID-modelbuild
git clone https://git-codecommit.REGION.amazonaws.com/v1/repos/sagemaker-PROJECT_NAME-PROJECT_ID-modeldeploy
git clone https://git-codecommit.REGION.amazonaws.com/v1/repos/sagemaker-PROJECT_NAME-PROJECT_ID-processing-imagebuild
git clone https://git-codecommit.REGION.amazonaws.com/v1/repos/sagemaker-PROJECT_NAME-PROJECT_ID-training-imagebuild

সংগ্রহস্থলগুলি ক্লোন করার পরে, আপনি সংগ্রহস্থলগুলিতে একটি প্রতিশ্রুতি ঠেলে দিতে পারেন। এই কমিটগুলি সম্পর্কিত পাইপলাইনগুলির জন্য একটি কোড পাইপলাইন চালানোর ট্রিগার করে।

আপনি আপনার স্থানীয় মেশিনে সমাধানটি মানিয়ে নিতে পারেন এবং আপনার পছন্দের IDE-তে কাজ করতে পারেন।

SageMaker Pipelines এবং SageMaker Experiments UI নেভিগেট করুন

একটি সেজমেকার পাইপলাইন হল আন্তঃসংযুক্ত পদক্ষেপগুলির একটি সিরিজ যা ব্যবহার করে সংজ্ঞায়িত করা হয় অ্যামাজন সেজমেকার পাইথন এসডিকে. এই পাইপলাইন সংজ্ঞাটি একটি নির্দেশিত অ্যাসাইক্লিক গ্রাফ (DAG) ব্যবহার করে একটি পাইপলাইনকে এনকোড করে যা JSON সংজ্ঞা হিসাবে রপ্তানি করা যেতে পারে। এই ধরনের পাইপলাইনের গঠন সম্পর্কে আরও জানতে, পড়ুন সেজমেকার পাইপলাইন ওভারভিউ.

নেভিগেট করুন সেজমেকার সম্পদ ফলক এবং দেখতে পাইপলাইন সম্পদ নির্বাচন করুন. অধীন নাম, তোমার দেখা উচিত PROJECT_NAME-PROJECT_ID. রান UI-তে, একটি সফল রান হওয়া উচিত যা 1 ঘন্টার একটু বেশি সময় লাগবে বলে আশা করা হচ্ছে। পাইপলাইন নিম্নলিখিত স্ক্রিনশট হিসাবে দেখানো উচিত.

AWS CDK স্ট্যাক স্থাপন করার পরে রানটি স্বয়ংক্রিয়ভাবে ট্রিগার হয়েছিল। আপনি ম্যানুয়ালি নির্বাচন করে একটি রান আহ্বান করতে পারেন সৃষ্টি মৃত্যুদন্ড সেখান থেকে আপনি আপনার নিজস্ব পাইপলাইন পরামিতিগুলি বেছে নিতে পারেন যেমন উদাহরণের ধরন এবং প্রক্রিয়াকরণ এবং প্রশিক্ষণের ধাপগুলির জন্য উদাহরণের সংখ্যা। উপরন্তু, আপনি রান একটি নাম এবং বিবরণ দিতে পারেন. পাইপলাইনটি পাইপলাইন প্যারামিটারগুলির মাধ্যমে অত্যন্ত কনফিগারযোগ্য যা আপনি আপনার পাইপলাইনের সংজ্ঞা জুড়ে উল্লেখ এবং সংজ্ঞায়িত করতে পারেন।

ইচ্ছামত আপনার পরামিতি সহ অন্য পাইপলাইন চালানো শুরু করতে দ্বিধা বোধ করুন। পরে, নেভিগেট করুন সেজমেকার সম্পদ আবার ফলক এবং নির্বাচন করুন পরীক্ষা এবং ট্রায়াল. সেখানে আপনি আবার যেমন একটি নামের একটি লাইন দেখতে হবে PROJECT_NAME-PROJECT_ID. পরীক্ষায় নেভিগেট করুন এবং র্যান্ডম আইডি সহ একমাত্র রান বেছে নিন। সেখান থেকে, প্রশিক্ষণের কাজের সাথে সম্পর্কিত মেট্রিকগুলি অন্বেষণ করতে সেজমেকার প্রশিক্ষণের কাজটি বেছে নিন।

সেজমেকার পরীক্ষা-নিরীক্ষার লক্ষ্য হল পরীক্ষাগুলি তৈরি করা, ট্রায়ালগুলির মাধ্যমে তাদের পূরণ করা এবং ট্রায়াল এবং পরীক্ষাগুলি জুড়ে বিশ্লেষণ চালানো যতটা সম্ভব সহজ করা। সেজমেকার পাইপলাইনগুলি সেজমেকার এক্সপেরিমেন্টের সাথে ঘনিষ্ঠভাবে সংহত করা হয়েছে এবং প্রতিটি রানের জন্য ডিফল্টভাবে একটি পরীক্ষা, ট্রায়াল এবং ট্রায়াল উপাদানগুলি তৈরি করে যদি সেগুলি বিদ্যমান না থাকে।

মডেল রেজিস্ট্রিতে Lambda স্থাপনার অনুমোদন করুন

পরবর্তী পদক্ষেপ হিসাবে, অধীনে মডেল রেজিস্ট্রিতে নেভিগেট করুন সেজমেকার সম্পদ. এখানে আপনি যেমন একটি নামের সঙ্গে একটি লাইন আবার খুঁজে পেতে পারেন PROJECT_NAME-PROJECT_ID. বিদ্যমান একমাত্র মডেলে নেভিগেট করুন এবং এটি অনুমোদন করুন। এটি স্বয়ংক্রিয়ভাবে মডেল আর্টিফ্যাক্টটিকে ল্যাম্বডার একটি পাত্রে স্থাপন করে।

আপনি মডেল রেজিস্ট্রিতে আপনার মডেল অনুমোদন করার পরে, একটি অ্যামাজন ইভেন্টব্রিজ ঘটনা নিয়ম ট্রিগার করা হয়. এই নিয়মটি শেষের সাথে কোডপাইপলাইন পাইপলাইন চালায় *-modeldeploy. এই বিভাগে, আমরা আলোচনা করব কিভাবে এই সমাধানটি অনুমোদিত মডেল ব্যবহার করে এবং এটি একটি Lambda ফাংশনে হোস্ট করে। CodePipeline বিদ্যমান CodeCommit সংগ্রহস্থলের সাথে শেষ হয় *-modeldeploy এবং কোডবিল্ডে চালানোর জন্য সেই কোডটি ব্যবহার করে। CodeBuild এর জন্য প্রধান এন্ট্রি হল buildspec.yml ফাইল আসুন প্রথমে এটি দেখি:

version: 0.2

env:
  shell: bash

phases:
  install:
    runtime_versions:
      python: 3.8
    commands:
      - python3 -m ensurepip --upgrade
      - python3 -m pip install --upgrade pip
      - python3 -m pip install --upgrade virtualenv
      - python3 -m venv .venv
      - source .venv/bin/activate
      - npm install -g aws-cdk@2.26.0
      - pip install -r requirements.txt
      - cdk bootstrap
  build:
    commands:
      - python build.py --model-package-group-name "$SOURCE_MODEL_PACKAGE_GROUP_NAME"
      - tar -xf model.tar.gz
      - cp model.joblib lambda/digital_twin
      - rm model.tar.gz
      - rm model.joblib
      - cdk deploy --require-approval never

ইনস্টলেশন পর্বের সময়, আমরা নিশ্চিত করি যে পাইথন লাইব্রেরিগুলি আপ টু ডেট আছে, একটি ভার্চুয়াল পরিবেশ তৈরি করুন, AWS CDK v2.26.0 ইনস্টল করুন এবং ইনস্টল করুন aws-cdk প্রয়োজনীয় ফাইল ব্যবহার করে অন্যদের সাথে পাইথন লাইব্রেরি। আমরাও AWS অ্যাকাউন্ট বুটস্ট্র্যাপ করুন. বিল্ড ফেজে, আমরা চালাই build.py, যা আমরা পরবর্তী আলোচনা করব। সেই ফাইলটি থেকে সর্বশেষ অনুমোদিত সেজমেকার মডেল আর্টিফ্যাক্ট ডাউনলোড করে আমাজন সিম্পল স্টোরেজ সার্ভিস (Amazon S3) আপনার স্থানীয় কোডবিল্ড উদাহরণে। এই .tar.gz ফাইলটি আনজিপ করা হয়েছে এবং এর বিষয়বস্তু ফোল্ডারে অনুলিপি করা হয়েছে যাতে আমাদের প্রধান ল্যাম্বডা কোডও রয়েছে। Lambda ফাংশন AWS CDK ব্যবহার করে মোতায়েন করা হয় এবং কোড আমাজন ইসিআর থেকে একটি ডকার কন্টেইনার থেকে চলে যায়। এটি AWS CDK দ্বারা স্বয়ংক্রিয়ভাবে সম্পন্ন হয়।

সার্জারির build.py ফাইলটি একটি পাইথন ফাইল যা বেশিরভাগই ব্যবহার করে Python (Boto3) এর জন্য AWS SDK উপলব্ধ মডেল প্যাকেজ তালিকা.

কাজ get_approved_package পূর্বে বর্ণিত আর্টিফ্যাক্টটির Amazon S3 URI ফেরত দেয় যা তারপর ডাউনলোড করা হয়।

সফলভাবে আপনার মডেল স্থাপন করার পরে, আপনি করতে পারেন পরীক্ষা এটি সরাসরি ল্যাম্বডা কনসোলে আপনি যে অঞ্চলে স্থাপন করতে বেছে নিয়েছেন। DigitalTwinStack-DigitalTwin*. ফাংশন খুলুন এবং নেভিগেট করুন পরীক্ষা ট্যাব আপনি একটি পরীক্ষা কল চালানোর জন্য নিম্নলিখিত ইভেন্ট ব্যবহার করতে পারেন:

{
  "flow": "[280, 300]",
  "pressure": "[69, 70]",
  "simulations": "10",
  "no_of_trials": "10",
  "train_error_weight": "1.0"
}

পরীক্ষার ইভেন্ট চালানোর পরে, আপনি নিম্নলিখিত স্ক্রিনশটে দেখানো অনুরূপ প্রতিক্রিয়া পাবেন।

আপনি যদি আরও সিমুলেশন বা ট্রায়াল চালাতে চান, আপনি ল্যাম্বডা টাইমআউট সীমা বাড়াতে পারেন এবং কোডের সাথে পরীক্ষা করতে পারেন! অথবা আপনি উত্পন্ন ডেটা বাছাই করতে এবং একই ভিজ্যুয়ালাইজ করতে চাইতে পারেন অ্যামাজন কুইকসাইট. নীচে একটি উদাহরণ. এবার তোমার পালা!

পরিষ্কার কর

আরও চার্জ এড়াতে, নিম্নলিখিত পদক্ষেপগুলি সম্পূর্ণ করুন:

• AWS CloudFormation কনসোলে, মুছুন EnergyOptimization স্ট্যাক।
  এটি সম্পূর্ণ সমাধান মুছে দেয়।
• স্ট্যাক মুছুন DigitalTwinStack, যা আপনার Lambda ফাংশন স্থাপন করেছে।

উপসংহার

এই পোস্টে, আমরা আপনাকে একটি এনার্জি ম্যানেজমেন্ট সলিউশনের একটি CI/CD-চালিত MLOps পাইপলাইন দেখিয়েছি যেখানে আমরা প্রতিটি ধাপ ডিকপল করে রাখি। আপনি স্টুডিও UI-তে আপনার ML পাইপলাইন এবং পরীক্ষাগুলি ট্র্যাক করতে পারেন। আমরা একটি ভিন্ন স্থাপনার পদ্ধতিও প্রদর্শন করেছি: মডেল রেজিস্ট্রিতে একটি মডেলের অনুমোদনের পরে, অনুমোদিত মডেল হোস্ট করা একটি Lambda ফাংশন CodePipeline এর মাধ্যমে স্বয়ংক্রিয়ভাবে নির্মিত হয়।

আপনি যদি AWS-এ MLOps পাইপলাইন বা টেকসই শক্তি ব্যবস্থাপনা সমাধান অন্বেষণ করতে আগ্রহী হন, তাহলে দেখুন GitHub সংগ্রহস্থল এবং আপনার নিজস্ব AWS পরিবেশে স্ট্যাক স্থাপন করুন!

লেখক সম্পর্কে

লরেন্স ভ্যান ডের মাস AWS প্রফেশনাল সার্ভিসেস-এর একজন ডেটা সায়েন্টিস্ট। তিনি AWS-এ তাদের মেশিন লার্নিং সলিউশন তৈরির গ্রাহকদের সাথে ঘনিষ্ঠভাবে কাজ করেন এবং আমরা জানি যে কীভাবে মেশিন লার্নিং বিশ্বকে পরিবর্তন করছে সে সম্পর্কে উত্সাহী।

কাংকাং ওয়াং AWS পেশাদার পরিষেবাগুলির সাথে একজন AI/ML পরামর্শদাতা৷ স্বাস্থ্যসেবা এবং জীবন বিজ্ঞানে উল্লম্বভাবে এআই/এমএল সমাধান মোতায়েন করার বিস্তৃত অভিজ্ঞতা রয়েছে তার। তিনি এন্টারপ্রাইজ গ্রাহকদের তাদের ডেটা বিজ্ঞানীদের ক্লাউড যাত্রাকে ত্বরান্বিত করতে স্কেলযোগ্য AI/ML প্ল্যাটফর্ম তৈরি করতে সহায়তা করাও উপভোগ করেন।

সেলিনা তাব্বারা AWS প্রফেশনাল সার্ভিসেস-এর একজন ডেটা সায়েন্টিস্ট। তিনি AWS প্ল্যাটফর্মে উদ্ভাবনের মাধ্যমে তাদের ব্যবসায়িক ফলাফল অর্জনের জন্য তার গ্রাহকদের সাথে প্রতিদিন কাজ করেন। তার অবসর সময়ে, সেলেনা পিয়ানো বাজানো, হাইকিং এবং বাস্কেটবল দেখতে উপভোগ করেন।

মাইকেল ওয়ালনার AWS পেশাদার পরিষেবাগুলির সাথে AI/ML-এর উপর ফোকাস সহ একজন সিনিয়র পরামর্শদাতা৷ মাইকেল গ্রাহকদের তাদের ক্লাউড যাত্রায় AWSome হতে সক্ষম করার বিষয়ে উত্সাহী৷ তিনি উত্পাদন সম্পর্কে উত্তেজিত এবং ডেটার মাধ্যমে উত্পাদন স্থানকে রূপান্তরিত করতে সহায়তা করে।