দৃষ্টি প্রতিবন্ধীদের অ্যামাজন টেক্সট্র্যাক্ট এবং অ্যামাজন পলি ব্যবহার করে ডকুমেন্ট শুনতে সক্ষম করুন

2021 AWS re:লাস ভেগাসে উদ্ভাবন সম্মেলনে, আমরা ডেমো করেছি আমার জন্য পড়ুন AWS বিল্ডার্স ফেয়ার-এ একটি ওয়েবসাইট যা দৃষ্টি প্রতিবন্ধীদের নথি শুনতে সাহায্য করে।

ভাল মানের জন্য, ভিডিও দেখুন এখানে.

অভিযোজিত প্রযুক্তি এবং অ্যাক্সেসিবিলিটি বৈশিষ্ট্যগুলি প্রায়শই ব্যয়বহুল হয়, যদি সেগুলি একেবারেই পাওয়া যায়। অডিও বই দৃষ্টি প্রতিবন্ধীদের পড়তে সাহায্য করে। অডিও বর্ণনা সিনেমা অ্যাক্সেসযোগ্য করে তোলে. কিন্তু যখন বিষয়বস্তু ইতিমধ্যেই ডিজিটাইজড না হয় তখন আপনি কী করবেন?

এই পোস্টটি AWS AI পরিষেবাগুলিতে ফোকাস করে৷ অ্যামাজন টেক্সট্র্যাক এবং আমাজন পলি, যা দৃষ্টিশক্তিহীন ব্যক্তিদের ক্ষমতায়ন করে। রিড ফর মি জ্যাক মার্চেটি দ্বারা সহ-বিকাশিত হয়েছিল, যিনি দৃষ্টি প্রতিবন্ধী।

সমাধান ওভারভিউ

একটি ইভেন্ট-চালিত, সার্ভারহীন আর্কিটেকচার এবং একাধিক AI পরিষেবার সংমিশ্রণের মাধ্যমে, আমরা একটি নথির ছবি বা পাঠ্য সহ যে কোনও চিত্র থেকে একাধিক ভাষায় প্রাকৃতিক-শব্দযুক্ত অডিও ফাইল তৈরি করতে পারি। উদাহরণস্বরূপ, আইআরএস থেকে একটি চিঠি, পরিবারের কাছ থেকে একটি ছুটির কার্ড, বা এমনকি একটি চলচ্চিত্রের শুরুর শিরোনাম।

অনুসরণ রেফারেন্স আর্কিটেকচার, প্রকাশিত AWS আর্কিটেকচার সেন্টার একজন ব্যবহারকারীর তাদের ফোনের সাথে একটি ছবি তোলা এবং সেই নথির মধ্যে পাওয়া সামগ্রীর একটি MP3 চালানোর কার্যপ্রবাহ দেখায়।

কর্মপ্রবাহে নিম্নলিখিত পদক্ষেপগুলি অন্তর্ভুক্ত রয়েছে:

1. স্ট্যাটিক কন্টেন্ট (HTML, CSS, JavaScript) হোস্ট করা হয় এডাব্লুএস পরিবর্ধক.
2. একটি মাধ্যমে ব্যাকএন্ড পরিষেবাগুলিতে বেনামী ব্যবহারকারীদের জন্য অস্থায়ী অ্যাক্সেস দেওয়া হয় অ্যামাজন কগনিটো পরিচয় পুল
3. ইমেজ ফাইল সংরক্ষণ করা হয় আমাজন সিম্পল স্টোরেজ সার্ভিস (Amazon S3)।
4. একজন ব্যবহারকারী এর মাধ্যমে একটি POST অনুরোধ করে অ্যামাজন এপিআই গেটওয়ে অডিও পরিষেবাতে, যা একটি এক্সপ্রেসের প্রক্সি এডাব্লুএস স্টেপ ফাংশন কর্মধারা.
5. স্টেপ ফাংশন ওয়ার্কফ্লোতে নিম্নলিখিত ধাপগুলি অন্তর্ভুক্ত রয়েছে:
   1. অ্যামাজন টেক্সট্র্যাক ছবি থেকে পাঠ্য বের করে।
   2. অ্যামাজন সমঝোতা পাঠ্যের ভাষা সনাক্ত করে।
   3. লক্ষ্য ভাষা সনাক্ত করা ভাষা থেকে ভিন্ন হলে, আমাজন অনুবাদ টার্গেট ভাষায় অনুবাদ করে।
   4. আমাজন পলি পাঠ্য ব্যবহার করে আউটপুট হিসাবে একটি অডিও ফাইল তৈরি করে।
6. AWS স্টেপ ফাংশন ওয়ার্কফ্লো আউটপুট হিসাবে একটি অডিও ফাইল তৈরি করে এবং MP3 ফরম্যাটে Amazon S3 এ সংরক্ষণ করে।
7. Amazon S3 এ সংরক্ষিত অডিও ফাইলের অবস্থান সহ একটি পূর্ব-স্বাক্ষরিত URL API গেটওয়ের মাধ্যমে ব্যবহারকারীর ব্রাউজারে ফেরত পাঠানো হয়। ব্যবহারকারীর মোবাইল ডিভাইস পূর্ব-স্বাক্ষরিত URL ব্যবহার করে অডিও ফাইল চালায়।

নিম্নলিখিত বিভাগে, আমরা কেন এই সমাধানের জন্য নির্দিষ্ট পরিষেবা, আর্কিটেকচার প্যাটার্ন এবং পরিষেবা বৈশিষ্ট্যগুলি বেছে নিয়েছি তার কারণগুলি নিয়ে আলোচনা করব৷

এডাব্লুএস এআই পরিষেবাগুলি

পাওয়ার ফর মি রিড ফর মি:

• অ্যামাজন টেক্সট্র্যাক্ট আপলোড করা ছবিতে পাঠ্যটিকে সনাক্ত করে।
• অ্যামাজন কম্প্রেহেন্ড ভাষা নির্ধারণ করে।
• ব্যবহারকারী যদি ছবির ভাষার চেয়ে ভিন্ন কথ্য ভাষা বেছে নেন, আমরা Amazon Translate ব্যবহার করে এটি অনুবাদ করি।
• আমাজন পলি MP3 ফাইল তৈরি করে। আমরা অ্যামাজন পলি নিউরাল ইঞ্জিনের সুবিধা গ্রহণ করি, যা আরও প্রাকৃতিক, প্রাণবন্ত অডিও রেকর্ডিং তৈরি করে।

এই AI পরিষেবাগুলি ব্যবহার করার প্রধান সুবিধাগুলির মধ্যে একটি হল অল্প বা কোনও মূল মেশিন লার্নিং অভিজ্ঞতার প্রয়োজন ছাড়াই গ্রহণের সহজতা। পরিষেবাগুলি এমন APIগুলি প্রকাশ করে যা ক্লায়েন্টরা পাইথন এবং জাভা-এর মতো একাধিক প্রোগ্রামিং ভাষায় উপলব্ধ SDK ব্যবহার করে ব্যবহার করতে পারে৷

রিড ফর মি দিয়ে, আমরা অন্তর্নিহিত লিখেছি এডাব্লুএস ল্যাম্বদা পাইথনে ফাংশন।

Python (Boto3) এর জন্য AWS SDK

সার্জারির Python (Boto3) এর জন্য AWS SDK AWS পরিষেবার সাথে যোগাযোগ সহজ করে তোলে। উদাহরণস্বরূপ, পাইথন কোডের নিম্নলিখিত লাইনগুলি আপনার দেওয়া চিত্র বা নথিতে পাওয়া পাঠ্য ফিরিয়ে দেয়:

import boto3
client = boto3.client('textract')
response = client.detect_document_text(
Document={ 'S3Object': { 'Bucket': 'bucket-name', 'Name': 's3-key'
}
})
#do something with the response

সমস্ত পাইথন কোড পৃথক ল্যাম্বডা ফাংশনের মধ্যে চালিত হয়। ব্যবস্থা করার জন্য কোন সার্ভার নেই এবং রক্ষণাবেক্ষণের জন্য কোন পরিকাঠামো নেই।

স্থাপত্য নিদর্শন

এই বিভাগে, আমরা সমাধানে ব্যবহৃত বিভিন্ন স্থাপত্য নিদর্শন নিয়ে আলোচনা করি।

Serverless

আমরা দুটি প্রধান কারণের জন্য একটি সার্ভারহীন আর্কিটেকচার প্রয়োগ করেছি: নির্মাণের গতি এবং খরচ। রক্ষণাবেক্ষণের জন্য অন্তর্নিহিত হার্ডওয়্যার বা স্থাপনের জন্য পরিকাঠামো না থাকায়, আমরা সম্পূর্ণরূপে ব্যবসায়িক লজিক কোডের উপর ফোকাস করেছি এবং অন্য কিছু নয়। এটি আমাদের একটি কার্যকরী প্রোটোটাইপ পেতে এবং কয়েক দিনের মধ্যে চালু করার অনুমতি দেয়। ব্যবহারকারীরা সক্রিয়ভাবে ছবি আপলোড না করলে এবং রেকর্ডিং না শুনলে, কিছুই চলছে না, এবং সেইজন্য স্টোরেজের বাইরে কিছুই খরচ হয় না। একটি S3 লাইফসাইকেল ম্যানেজমেন্ট নিয়ম 3 দিন পরে আপলোড করা ছবি এবং MP1 ফাইল মুছে দেয়, তাই স্টোরেজ খরচ কম।

সিঙ্ক্রোনাস ওয়ার্কফ্লো

আপনি যখন সার্ভারহীন ওয়ার্কফ্লো তৈরি করছেন, তখন এটি বোঝা গুরুত্বপূর্ণ যে কখন একটি সিঙ্ক্রোনাস কল একটি অ্যাসিঙ্ক্রোনাস প্রক্রিয়ার চেয়ে আর্কিটেকচার এবং ব্যবহারকারীর অভিজ্ঞতা থেকে আরও বেশি অর্থপূর্ণ হয়৷ রিড ফর মি এর সাথে, আমরা প্রাথমিকভাবে অ্যাসিঙ্ক্রোনাস পাথে গিয়েছিলাম এবং সামনের প্রান্তের সাথে দ্বি-দিক দিয়ে যোগাযোগ করতে WebSockets ব্যবহার করার পরিকল্পনা করেছি। আমাদের ওয়ার্কফ্লোতে স্টেপ ফাংশন ওয়ার্কফ্লো-এর সাথে যুক্ত কানেকশন আইডি খুঁজে বের করার জন্য একটি ধাপ অন্তর্ভুক্ত থাকবে এবং শেষ হওয়ার পরে, সামনের প্রান্তে সতর্ক করুন। এই প্রক্রিয়া সম্পর্কে আরও তথ্যের জন্য, পড়ুন পোল থেকে পুশ পর্যন্ত: Amazon API গেটওয়ে REST API এবং WebSockets ব্যবহার করে ট্রান্সফর্ম API.

আমরা শেষ পর্যন্ত এটি না করা বেছে নিয়েছি এবং এক্সপ্রেস স্টেপ ফাংশন ব্যবহার করেছি যা সিঙ্ক্রোনাস। ব্যবহারকারীরা বোঝেন যে একটি চিত্র প্রক্রিয়াকরণ তাত্ক্ষণিক হবে না, তবে এটিও জানেন যে এটি 30 সেকেন্ড বা এক মিনিট সময় নেবে না। আমরা এমন একটি জায়গায় ছিলাম যেখানে শেষ-ব্যবহারকারীর জন্য কয়েক সেকেন্ড সন্তোষজনক ছিল এবং ওয়েবসকেটের সুবিধার প্রয়োজন ছিল না। এটি সামগ্রিকভাবে কর্মপ্রবাহকে সরল করেছে।

এক্সপ্রেস স্টেপ ফাংশন ওয়ার্কফ্লো

আপনার কোডকে ছোট, বিচ্ছিন্ন ফাংশনগুলিতে বিভক্ত করার ক্ষমতা সূক্ষ্ম-দানাযুক্ত নিয়ন্ত্রণ, সহজ রক্ষণাবেক্ষণ এবং আরও সঠিকভাবে স্কেল করার ক্ষমতা দেয়। উদাহরণস্বরূপ, যদি আমরা নির্ধারণ করি যে ল্যাম্বডা ফাংশন যা অ্যামাজন পলিকে অডিও ফাইল তৈরি করতে ট্রিগার করেছিল তা ভাষা নির্ধারণকারী ফাংশনের চেয়ে ধীর গতিতে চলছিল, আমরা অন্যদের জন্য তা না করেই আরও মেমরি যোগ করে সেই ফাংশনটিকে উল্লম্বভাবে স্কেল করতে পারি। একইভাবে, আপনি আপনার ল্যাম্বডা ফাংশন কী করতে পারে বা অ্যাক্সেস করতে পারে তার বিস্ফোরণ ব্যাসার্ধ সীমিত করেন যখন আপনি এর সুযোগ এবং পৌঁছানোর সীমাবদ্ধ করেন।

স্টেপ ফাংশনগুলির সাথে আপনার ওয়ার্কফ্লো অর্কেস্ট্রেট করার সুবিধাগুলির মধ্যে একটি হল কোনও কোড না লিখেই সিদ্ধান্ত প্রবাহের যুক্তি প্রবর্তন করার ক্ষমতা।

আমাদের স্টেপ ফাংশন ওয়ার্কফ্লো জটিল নয়। অনুবাদের ধাপ পর্যন্ত এটি রৈখিক। যদি আমাদের একটি অনুবাদ ল্যাম্বডা ফাংশন কল করার প্রয়োজন না হয়, তবে এটি আমাদের কাছে কম খরচ এবং ব্যবহারকারীর জন্য একটি দ্রুত অভিজ্ঞতা। ইনপুট পেলোডে নির্দিষ্ট কী খুঁজে পেতে আমরা স্টেপ ফাংশন কনসোলে ভিজ্যুয়াল ডিজাইনার ব্যবহার করতে পারি এবং যদি এটি উপস্থিত থাকে, JSONPath ব্যবহার করে একটি ফাংশনকে অন্যটির উপর কল করতে পারি। উদাহরণস্বরূপ, আমাদের পেলোডে অনুবাদ নামক একটি কী অন্তর্ভুক্ত রয়েছে:

{ 
extracted_text: "hello world",
target_language: "es",
source_language: "en",
translate: true
}

স্টেপ ফাংশন ভিজ্যুয়াল ডিজাইনারের মধ্যে, আমরা অনুবাদ কী খুঁজে পাই, এবং ম্যাচ করার নিয়ম সেট আপ করি।

মাথাহীন স্থাপত্য

সম্প্রসারিত হোস্ট ফ্রন্ট-এন্ড কোড. সামনের প্রান্তটি প্রতিক্রিয়াতে লেখা হয় এবং উত্স কোডটি চেক ইন করা হয় এডাব্লুএস কোডকমিট. অ্যামপ্লিফাই স্ট্যাটিক ওয়েবসাইট স্থাপন এবং পরিচালনা করার চেষ্টাকারী ব্যবহারকারীদের জন্য কয়েকটি সমস্যার সমাধান করে। আপনি যদি এটি ম্যানুয়ালি করে থাকেন (স্ট্যাটিক ওয়েবসাইট হোস্টিংয়ের জন্য সেট আপ করা একটি S3 বালতি ব্যবহার করে এবং এর সাথে ফ্রন্টিং অ্যামাজন মেঘ ফ্রন্ট), আপনি প্রতিবার স্থাপনা করার সময় আপনাকে ক্যাশের মেয়াদ শেষ করতে হবে। আপনাকে আপনার নিজস্ব CI/CD পাইপলাইনও লিখতে হবে। Amplify আপনার জন্য এটি পরিচালনা করে।

এটি একটি হেডলেস আর্কিটেকচারের জন্য অনুমতি দেয়, যেখানে ফ্রন্ট-এন্ড কোডটি ব্যাকএন্ড থেকে ডিকপল করা হয় এবং প্রতিটি লেয়ার অন্যটির থেকে স্বাধীন এবং স্কেল করা যায়।

আইডি বিশ্লেষণ করুন

পূর্ববর্তী বিভাগে, আমরা আপলোড করা ছবি প্রক্রিয়াকরণ এবং এটি থেকে একটি MP3 ফাইল তৈরি করার জন্য আর্কিটেকচার প্যাটার্ন নিয়ে আলোচনা করেছি। একটি দস্তাবেজ আপনার কাছে ফেরত পড়া একটি দুর্দান্ত প্রথম পদক্ষেপ, তবে আপনি যদি পুরো জিনিসটি আপনাকে না পড়ে কেবলমাত্র নির্দিষ্ট কিছু জানতে চান তবে কী করবেন? উদাহরণস্বরূপ, আপনাকে অনলাইনে একটি ফর্ম পূরণ করতে হবে এবং আপনার রাজ্য আইডি বা পাসপোর্ট নম্বর, অথবা সম্ভবত এর মেয়াদ শেষ হওয়ার তারিখ প্রদান করতে হবে। তারপরে আপনাকে আপনার আইডির একটি ছবি তুলতে হবে এবং এটি আপনাকে পড়ার সময়, সেই নির্দিষ্ট অংশের জন্য অপেক্ষা করুন। বিকল্পভাবে, আপনি বিশ্লেষণ আইডি ব্যবহার করতে পারেন।

অ্যানালাইজ আইডি হল অ্যামাজন টেক্সট্র্যাক্টের একটি বৈশিষ্ট্য যা আপনাকে নথি অনুসন্ধান করতে সক্ষম করে। আমার জন্য পড়ুন-এ একটি ড্রপ-ডাউন মেনু রয়েছে যেখানে আপনি নির্দিষ্টভাবে মেয়াদ শেষ হওয়ার তারিখ, ইস্যুর তারিখ বা নথি নম্বর জানতে চাইতে পারেন। আপনি একটি MP3 ফাইল তৈরি করতে একই ওয়ার্কফ্লো ব্যবহার করতে পারেন যা আপনার নির্দিষ্ট প্রশ্নের উত্তর প্রদান করে।

আপনি এনালাইজ আইডি বৈশিষ্ট্যটি ডেমো করতে পারেন readforme.io/analyze.

অতিরিক্ত পলি বৈশিষ্ট্য

• রিড ফর মি বিভিন্ন ভাষা এবং উপভাষা ব্যবহার করে একাধিক নিউরাল ভয়েস অফার করে। উল্লেখ্য যে আরো বেশ কিছু আছে কণ্ঠ আপনি নির্বাচন করতে পারেন, যা আমরা বাস্তবায়ন করিনি। যখন একটি নতুন ভয়েস উপলব্ধ হয়, তখন ফ্রন্ট-এন্ড কোডের একটি আপডেট এবং একটি ল্যাম্বডা ফাংশন এটির সুবিধা নেওয়ার জন্য লাগে৷
• পলি পরিষেবাটি অন্যান্য বিকল্পগুলিও অফার করে যা আমরা এখনও আমার জন্য পাঠে অন্তর্ভুক্ত করতে পারিনি। যারা সমন্বয় অন্তর্ভুক্ত কণ্ঠের গতি এবং বক্তৃতা চিহ্ন.

উপসংহার

এই পোস্টে, আমরা দৃষ্টি প্রতিবন্ধীদের সাহায্য করার জন্য AI এবং সার্ভারহীন সহ অসংখ্য AWS পরিষেবাগুলি কীভাবে ব্যবহার করতে হয় তা নিয়ে আলোচনা করেছি৷ আপনি আমার জন্য রিড প্রোজেক্ট সম্পর্কে আরও জানতে এবং ভিজিট করে এটি ব্যবহার করতে পারেন readforme.io. এছাড়াও আপনি অ্যামাজন টেক্সট্র্যাক্টের উদাহরণ খুঁজে পেতে পারেন গিটহুব রেপো. বিশ্লেষণ আইডি সম্পর্কে আরও জানতে, চেক আউট করুন অ্যামাজন টেক্সট্র্যাক্ট ব্যবহার করে পরিচয় নথি থেকে ডেটা বের করার জন্য সমর্থন ঘোষণা করা হচ্ছে.

এই প্রজেক্টের সোর্স কোড ওপেন সোর্স করা হবে এবং AWS-এর পাবলিক GitHub-এ শীঘ্রই যোগ করা হবে।

লেখক সম্পর্কে

জ্যাক মার্চেটি AWS-এর একজন সিনিয়র সলিউশন আর্কিটেক্ট। সফ্টওয়্যার ইঞ্জিনিয়ারিংয়ের পটভূমিতে, জ্যাক প্রাথমিকভাবে গ্রাহকদের সার্ভারহীন, ইভেন্ট-চালিত আর্কিটেকচারগুলি বাস্তবায়নে সহায়তা করার উপর দৃষ্টি নিবদ্ধ করে। তিনি তার প্রথম বিতরণ করা, ক্লাউড-ভিত্তিক অ্যাপ্লিকেশনটি 2013 সালে দ্বিতীয় AWS re:Invent কনফারেন্সে যোগ দেওয়ার পরে তৈরি করেছিলেন এবং তখন থেকেই যুক্ত ছিলেন। এডব্লিউএস-এর আগে জ্যাক তার কর্মজীবনের বেশিরভাগ সময় বিশ্বের সবচেয়ে বড় ব্র্যান্ডের জন্য বিজ্ঞাপন সংস্থা স্পেস বিল্ডিংয়ের অভিজ্ঞতায় ব্যয় করেছেন। জ্যাক আইনত অন্ধ এবং তার স্ত্রী এরিন এবং বিড়াল মিনুর সাথে শিকাগোতে থাকেন। এছাড়াও তিনি একজন চিত্রনাট্যকার, এবং পরিচালক যিনি ক্রিসমাস চলচ্চিত্র এবং হরর এর উপর প্রাথমিক ফোকাস করেন। তার এ জ্যাক এর ফিল্মগ্রাফি দেখুন বিশ্বকাপ পাতা.

অলক ঈশ্বরদাস শিকাগো, ইলিনয় ভিত্তিক AWS-এর একজন সলিউশন আর্কিটেক্ট। তিনি ব্যবসায়িক চ্যালেঞ্জগুলি সমাধান করতে AWS পরিষেবাগুলি ব্যবহার করে গ্রাহকদের ক্লাউড আর্কিটেকচার ডিজাইন করতে সহায়তা করার বিষয়ে উত্সাহী৷ তিনি কম্পিউটার সায়েন্স ইঞ্জিনিয়ারিংয়ে স্নাতকোত্তর ডিগ্রি অর্জন করেছেন। AWS-এ যোগদানের আগে, তিনি বিভিন্ন স্বাস্থ্যসেবা সংস্থার জন্য কাজ করেছেন এবং জটিল সিস্টেম, প্রযুক্তি উদ্ভাবন এবং গবেষণার স্থাপত্যের গভীর অভিজ্ঞতা রয়েছে। সে তার মেয়েদের সাথে আড্ডা দেয় এবং তার অবসর সময়ে বাইরে ঘুরে বেড়ায়।

স্বাগত কুলকার্নি তিনি AWS-এর একজন সিনিয়র সলিউশন আর্কিটেক্ট এবং একজন AI/ML উত্সাহী। তিনি ক্লাউড নেটিভ পরিষেবা এবং মেশিন লার্নিং সহ গ্রাহকদের জন্য বাস্তব-বিশ্বের সমস্যা সমাধানের বিষয়ে উত্সাহী৷ কাজের বাইরে, স্বাগত ভ্রমণ, পড়া এবং ধ্যান উপভোগ করে।

• 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/enable-the-visually-impaired-to-hear-documents-using-amazon-textract-and-amazon-polly/