রিফিনিটিভ ডেটা লাইব্রেরি, এডব্লিউএস পরিষেবা এবং অ্যামাজন সেজমেকার সহ রিয়েল-টাইম নিউজ স্ট্রিম সমৃদ্ধ করা

এই পোস্টটি সহ-লেখক মারিওস স্কেভোফাইলাকাস, জেসন রামচান্দানি এবং হাইকাজ আরামিয়ান রেফিনিটিভ, অ্যান এলএসইজি বিজনেস থেকে।

আর্থিক পরিষেবা প্রদানকারীদের প্রায়শই প্রাসঙ্গিক সংবাদ সনাক্ত করতে, বিশ্লেষণ করতে, অন্তর্দৃষ্টি বের করতে এবং সংবাদ আইটেমের অতিরিক্ত তথ্য বা প্রেক্ষাপটের উপর ভিত্তি করে নির্দিষ্ট সরঞ্জাম (যেমন পণ্য, শেয়ার, তহবিল) ট্রেড করার মতো বাস্তব সময়ে পদক্ষেপ নিতে হয়। এই ধরনের একটি অতিরিক্ত তথ্য (যা আমরা এই পোস্টে একটি উদাহরণ হিসাবে ব্যবহার করি) হল সংবাদের অনুভূতি।

Refinitiv ডেটা (RD) লাইব্রেরিগুলি Refinitiv ডেটা ক্যাটালগে অভিন্ন অ্যাক্সেসের জন্য ইন্টারফেসের একটি বিস্তৃত সেট প্রদান করে। লাইব্রেরি বিমূর্ততার একাধিক স্তর সরবরাহ করে যা সমস্ত বিকাশকারীদের জন্য উপযোগী বিভিন্ন শৈলী এবং প্রোগ্রামিং কৌশল প্রদান করে, কম লেটেন্সি, রিফিনিটিভ ডেটার ব্যাচ ইনজেশনে রিয়েল-টাইম অ্যাক্সেস থেকে।

এই পোস্টে, আমরা একটি প্রোটোটাইপ AWS আর্কিটেকচার উপস্থাপন করছি যা আমাদের নিউজ ফিডগুলিকে RD লাইব্রেরি ব্যবহার করে ইনজেস্ট করে এবং মেশিন লার্নিং (ML) মডেল ভবিষ্যতবাণী ব্যবহার করে সেগুলিকে উন্নত করে আমাজন সেজমেকার, AWS থেকে সম্পূর্ণরূপে পরিচালিত ML পরিষেবা।

একটি মডুলার আর্কিটেকচার ডিজাইন করার প্রয়াসে যা বিভিন্ন ব্যবহারের ক্ষেত্রে ব্যবহার করা যেতে পারে, যেমন সেন্টিমেন্ট বিশ্লেষণ, নামকৃত সত্তার স্বীকৃতি এবং আরও অনেক কিছু, বর্ধিতকরণের জন্য ব্যবহৃত ML মডেল নির্বিশেষে, আমরা রিয়েল-টাইম স্পেসে ফোকাস করার সিদ্ধান্ত নিয়েছি। এই সিদ্ধান্তের কারণ হল যে রিয়েল-টাইম ব্যবহারের ক্ষেত্রে সাধারণত আরও জটিল হয় এবং একই আর্কিটেকচারও ব্যাচ অনুমানের জন্য ন্যূনতম সমন্বয় সহ ব্যবহার করা যেতে পারে। আমাদের ব্যবহারের ক্ষেত্রে, আমরা এমন একটি আর্কিটেকচার প্রয়োগ করি যা আমাদের রিয়েল-টাইম নিউজ ফিড গ্রহণ করে, ML ব্যবহার করে প্রতিটি সংবাদ শিরোনামের অনুভূতি গণনা করে এবং প্রকাশক/সাবস্ক্রাইবার আর্কিটেকচারের মাধ্যমে AI উন্নত ফিড পুনরায় পরিবেশন করে।

অধিকন্তু, MLOps অনুশীলনগুলি গ্রহণ করে ML মডেলগুলি উত্পাদন করার জন্য একটি ব্যাপক এবং পুনঃব্যবহারযোগ্য উপায় উপস্থাপন করার জন্য, আমরা প্রোটোটাইপের সম্পূর্ণ MLOps জীবনচক্রের সময় কোড (IaC) হিসাবে অবকাঠামোর ধারণাটি প্রবর্তন করি। টেরাফর্ম এবং একটি একক এন্ট্রি পয়েন্ট কনফিগারযোগ্য স্ক্রিপ্ট ব্যবহার করে, আমরা মাত্র কয়েক মিনিটের মধ্যে AWS-এ সম্পূর্ণ অবকাঠামো, প্রোডাকশন মোডে ইনস্ট্যান্টিয়েট করতে সক্ষম হয়েছি।

এই সমাধানে, আমরা পৃথক মডেলগুলির বিকাশ, প্রশিক্ষণ এবং স্থাপনার MLOps দিকটি সম্বোধন করি না। আপনি যদি এই বিষয়ে আরও জানতে আগ্রহী হন, তাহলে পড়ুন Amazon SageMaker এর সাথে উদ্যোগের জন্য MLOps ফাউন্ডেশন রোডম্যাপ, যা সর্বোত্তম অনুশীলন অনুসরণ করে মডেল তৈরি, প্রশিক্ষণ এবং স্থাপনার জন্য একটি কাঠামোর বিস্তারিত ব্যাখ্যা করে।

সমাধান ওভারভিউ

এই প্রোটোটাইপে, আমরা IaC অনুসারে একটি সম্পূর্ণ স্বয়ংক্রিয় বিধান পদ্ধতি অনুসরণ করি সেরা অভ্যাস. IaC হল ইন্টারেক্টিভ কনফিগারেশন টুল ব্যবহার করার পরিবর্তে স্বয়ংক্রিয় স্ক্রিপ্ট ব্যবহার করে প্রোগ্রামেটিকভাবে সংস্থানগুলি সরবরাহ করার প্রক্রিয়া। সম্পদ হার্ডওয়্যার এবং প্রয়োজনীয় সফ্টওয়্যার উভয়ই হতে পারে। আমাদের ক্ষেত্রে, আমরা একটি একক কনফিগারযোগ্য এন্ট্রি পয়েন্টের বাস্তবায়ন সম্পন্ন করার জন্য টেরাফর্ম ব্যবহার করি যা নিরাপত্তা এবং অ্যাক্সেস নীতিগুলির পাশাপাশি স্বয়ংক্রিয় পর্যবেক্ষণ সহ আমাদের প্রয়োজনীয় সমস্ত পরিকাঠামোকে স্বয়ংক্রিয়ভাবে ঘুরিয়ে দিতে পারে। এই একক এন্ট্রি পয়েন্টের সাহায্যে যা টেরাফর্ম স্ক্রিপ্টের একটি সংগ্রহকে ট্রিগার করে, প্রতি পরিষেবা বা সংস্থান সত্তার জন্য একটি, আমরা আর্কিটেকচারের সমস্ত উপাদান বা অংশগুলির জীবনচক্রকে সম্পূর্ণরূপে স্বয়ংক্রিয় করতে পারি, যা আমাদের DevOps এবং উভয় ক্ষেত্রেই দানাদার নিয়ন্ত্রণ প্রয়োগ করতে দেয়। MLOps পক্ষ. Terraform সঠিকভাবে ইনস্টল করা এবং AWS এর সাথে একত্রিত হওয়ার পরে, আমরা AWS পরিষেবা ড্যাশবোর্ডে করা বেশিরভাগ ক্রিয়াকলাপগুলিকে প্রতিলিপি করতে পারি।

নিম্নলিখিত চিত্রটি আমাদের সমাধান আর্কিটেকচারের চিত্র তুলে ধরেছে।

স্থাপত্যটি তিনটি স্তর নিয়ে গঠিত: গ্রহণ, সমৃদ্ধকরণ এবং প্রকাশনা। প্রথম পর্যায়ে, রিয়েল-টাইম ফিডগুলি একটিতে খাওয়া হয় অ্যামাজন ইলাস্টিক কম্পিউট ক্লাউড (Amazon EC2) উদাহরণ যা একটি Refinitiv ডেটা লাইব্রেরি-রেডি AMI-এর মাধ্যমে তৈরি করা হয়েছে। উদাহরণটি একটি ডেটা স্ট্রীমের সাথেও সংযোগ করে অ্যামাজন কিনসিস ডেটা স্ট্রিম, যা একটি ট্রিগার এডাব্লুএস ল্যাম্বদা ফাংশন.

দ্বিতীয় পর্যায়ে, কাইনেসিস ডেটা স্ট্রিম থেকে ট্রিগার হওয়া ল্যাম্বডা ফাংশনটি সেজমেকারের সাথে সংযোগ করে এবং খবরের শিরোনাম পাঠায় ফিনবার্ট শেষ পয়েন্ট, যা সংবাদ আইটেমের জন্য গণনাকৃত অনুভূতি প্রদান করে। এই গণনাকৃত অনুভূতি হল রিয়েল-টাইম ডেটার সমৃদ্ধি যা Lambda ফাংশন তারপর সংবাদ আইটেমকে মোড়ানো এবং সংরক্ষণ করে আমাজন ডায়নামোডিবি টেবিল।

আর্কিটেকচারের তৃতীয় পর্যায়ে, একটি ডায়নামোডিবি স্ট্রীম নতুন আইটেম সন্নিবেশে একটি ল্যাম্বডা ফাংশন ট্রিগার করে, যা একটি আমাজন MQ সার্ভার RabbitMQ চলমান, যা AI বর্ধিত স্ট্রীমকে পুনরায় পরিবেশন করে।

এই তিন-পর্যায়ের ইঞ্জিনিয়ারিং ডিজাইনের সিদ্ধান্ত, প্রথম Lambda স্তরটি সরাসরি Amazon MQ সার্ভারের সাথে যোগাযোগ করে বা EC2 দৃষ্টান্তে আরও কার্যকারিতা প্রয়োগ করার পরিবর্তে, ভবিষ্যতে আরও জটিল, কম সংযুক্ত AI ডিজাইন আর্কিটেকচারের অন্বেষণ সক্ষম করার জন্য নেওয়া হয়েছিল।

প্রোটোটাইপ তৈরি এবং স্থাপন করা

আমরা তিনটি বিস্তারিত ব্লুপ্রিন্টের একটি সিরিজে এই প্রোটোটাইপটি উপস্থাপন করি। প্রতিটি ব্লুপ্রিন্টে এবং ব্যবহৃত প্রতিটি পরিষেবার জন্য, আপনি এর প্রযুক্তিগত বাস্তবায়নের পাশাপাশি টেরাফর্ম স্ক্রিপ্টগুলির উপর ওভারভিউ এবং প্রাসঙ্গিক তথ্য পাবেন যা আপনাকে বাকি কাঠামোর সাথে পরিষেবাটিকে স্বয়ংক্রিয়ভাবে শুরু করতে, কনফিগার করতে এবং সংহত করতে দেয়৷ প্রতিটি ব্লুপ্রিন্টের শেষে, আপনি কীভাবে নিশ্চিত করবেন যে প্রতিটি পর্যায় পর্যন্ত সবকিছু আশানুরূপভাবে কাজ করছে তার নির্দেশাবলী পাবেন। ব্লুপ্রিন্টগুলি নিম্নরূপ:

এই প্রোটোটাইপটির বাস্তবায়ন শুরু করার জন্য, আমরা এটিকে উত্সর্গীকৃত একটি নতুন পাইথন পরিবেশ তৈরি করার এবং আপনার কাছে থাকা অন্যান্য পরিবেশ থেকে আলাদাভাবে প্রয়োজনীয় প্যাকেজ এবং সরঞ্জামগুলি ইনস্টল করার পরামর্শ দিই। এটি করার জন্য, নিম্নলিখিত কমান্ডগুলি ব্যবহার করে Anaconda-তে নতুন পরিবেশ তৈরি ও সক্রিয় করুন:

conda create —name rd_news_aws_terraform python=3.7
conda activate rd_news_aws_terraform

আমরা এখন ইনস্টল করার জন্য প্রস্তুত এডাব্লুএস কমান্ড লাইন ইন্টারফেস (AWS CLI) টুলসেট যা আমাদের AWS পরিষেবাগুলির মধ্যে এবং এর মধ্যে সমস্ত প্রয়োজনীয় প্রোগ্রাম্যাটিক ইন্টারঅ্যাকশন তৈরি করার অনুমতি দেবে:

pip install awscli

এখন যেহেতু AWS CLI ইনস্টল করা হয়েছে, আমাদের Terraform ইনস্টল করতে হবে। HashiCorp একটি বাইনারি ইনস্টলার সহ Terraform প্রদান করে, যা আপনি করতে পারেন ডাউনলোড এবং ইনস্টল।

আপনার উভয় সরঞ্জাম ইনস্টল করার পরে, নিশ্চিত করুন যে তারা নিম্নলিখিত কমান্ডগুলি ব্যবহার করে সঠিকভাবে কাজ করে:

terraform -help
AWS – version

আপনি এখন বাস্তবায়নের তিনটি ধাপের প্রতিটিতে বিস্তারিত ব্লুপ্রিন্ট অনুসরণ করতে প্রস্তুত।

এই ব্লুপ্রিন্টটি আর্কিটেকচারের প্রাথমিক পর্যায়গুলিকে প্রতিনিধিত্ব করে যা আমাদের রিয়েল-টাইম নিউজ ফিডগুলি গ্রহণ করার অনুমতি দেয়। এটি নিম্নলিখিত উপাদান নিয়ে গঠিত:

• Amazon EC2 RD News ইনজেশনের জন্য আপনার উদাহরণ প্রস্তুত করছে - এই বিভাগটি এমনভাবে একটি EC2 দৃষ্টান্ত সেট আপ করে যাতে এটি RD লাইব্রেরি API এবং রিয়েল-টাইম স্ট্রীমের সাথে সংযোগ সক্ষম করে। আমরা এটাও দেখাই যে কিভাবে তৈরি করা ইমেজ সংরক্ষণ করা যায় তার পুনর্ব্যবহারযোগ্যতা এবং মাপযোগ্যতা নিশ্চিত করতে।
• Amazon EC2 থেকে রিয়েল-টাইম নিউজ ইনজেশন - RD লাইব্রেরিগুলির সাথে সাথে ইনজেশন শুরু করার জন্য স্ক্রিপ্টগুলিকে সংযুক্ত করতে Amazon EC2 সক্ষম করার জন্য প্রয়োজনীয় কনফিগারেশনগুলির একটি বিশদ বাস্তবায়ন।
• AMI থেকে Amazon EC2 তৈরি এবং চালু করা - টেরাফর্ম ব্যবহার করে স্বয়ংক্রিয়ভাবে নতুন তৈরি ইনস্ট্যান্সে ইনজেশন ফাইলগুলিকে একই সাথে স্থানান্তর করে একটি নতুন উদাহরণ চালু করুন।
• একটি Kinesis ডেটা স্ট্রিম তৈরি করা হচ্ছে - এই বিভাগটি কাইনেসিস ডেটা স্ট্রীমগুলির একটি ওভারভিউ প্রদান করে এবং কীভাবে AWS-এ একটি স্ট্রিম সেট আপ করতে হয়।
• কাইনেসিসের সাথে ডেটা সংযোগ এবং পুশ করা - একবার ইনজেশন কোডটি কাজ করলে, আমাদের এটিকে সংযুক্ত করতে হবে এবং একটি কাইনেসিস স্ট্রিমে ডেটা পাঠাতে হবে।
• এ পর্যন্ত প্রোটোটাইপ পরীক্ষা করা হচ্ছে - আমরা ব্যাবহার করি অ্যামাজন ক্লাউডওয়াচ এবং কমান্ড লাইন সরঞ্জামগুলি যাচাই করার জন্য যে প্রোটোটাইপ এই বিন্দু পর্যন্ত কাজ করছে এবং আমরা পরবর্তী ব্লুপ্রিন্টে চালিয়ে যেতে পারি। ইনজেস্টেড ডেটার লগ নিম্নলিখিত স্ক্রিনশটের মতো হওয়া উচিত।

এই দ্বিতীয় ব্লুপ্রিন্টে, আমরা আর্কিটেকচারের প্রধান অংশের উপর ফোকাস করি: Lambda ফাংশন যা নিউজ আইটেম স্ট্রীমকে গ্রহণ করে এবং বিশ্লেষণ করে, এতে AI অনুমান সংযুক্ত করে এবং আরও ব্যবহারের জন্য সংরক্ষণ করে। এটি নিম্নলিখিত উপাদানগুলি অন্তর্ভুক্ত করে:

• ল্যামডা - একটি টেরাফর্ম ল্যাম্বডা কনফিগারেশন সংজ্ঞায়িত করুন যা এটিকে সেজমেকার এন্ডপয়েন্টের সাথে সংযোগ করতে দেয়।
• আমাজন S3 - Lambda বাস্তবায়ন করতে, আমাদের যথাযথ কোড আপলোড করতে হবে আমাজন সিম্পল স্টোরেজ সার্ভিস (Amazon S3) এবং ল্যাম্বডা ফাংশনকে এটির পরিবেশে এটি গ্রহণ করার অনুমতি দেয়। এই বিভাগটি বর্ণনা করে যে কীভাবে আমরা টেরাফর্ম ব্যবহার করতে পারি।
• ল্যাম্বডা ফাংশন বাস্তবায়ন: ধাপ 1, কাইনেসিস ইভেন্ট পরিচালনা করা - এই বিভাগে, আমরা Lambda ফাংশন তৈরি করা শুরু করি। এখানে, আমরা শুধুমাত্র Kinesis ডেটা স্ট্রিম প্রতিক্রিয়া হ্যান্ডলার অংশ তৈরি করি।
• SageMaker - এই প্রোটোটাইপে, আমরা একটি প্রাক-প্রশিক্ষিত আলিঙ্গন ফেস মডেল ব্যবহার করি যা আমরা একটি সেজমেকার এন্ডপয়েন্টে সংরক্ষণ করি। এখানে, আমরা উপস্থাপন করছি কিভাবে টেরাফর্ম স্ক্রিপ্ট ব্যবহার করে এটি অর্জন করা যায় এবং সেজমেকার এন্ডপয়েন্ট এবং ল্যাম্বডা ফাংশন একসাথে কাজ করার অনুমতি দেওয়ার জন্য কীভাবে উপযুক্ত ইন্টিগ্রেশন ঘটে।
  • এই মুহুর্তে, আপনি পরিবর্তে অন্য যেকোন মডেল ব্যবহার করতে পারেন যা আপনি বিকাশ করেছেন এবং সেজমেকার এন্ডপয়েন্টের পিছনে স্থাপন করেছেন। এই ধরনের একটি মডেল আপনার প্রয়োজনের উপর ভিত্তি করে, মূল সংবাদ ডেটাতে একটি ভিন্ন বর্ধন প্রদান করতে পারে। ঐচ্ছিকভাবে, যদি এটি বিদ্যমান থাকে তবে একাধিক বর্ধনের জন্য এটি একাধিক মডেলে এক্সট্রাপোলেট করা যেতে পারে। বাকি আর্কিটেকচারের জন্য ধন্যবাদ, এই ধরনের যেকোন মডেল রিয়েল টাইমে আপনার ডেটা উৎসকে সমৃদ্ধ করবে।
• ল্যাম্বডা ফাংশন তৈরি করা: ধাপ 2, সেজমেকার এন্ডপয়েন্ট আহ্বান করা - এই বিভাগে, আমরা সেজমেকার এন্ডপয়েন্টকে আহ্বান করে একটি অনুভূতি উন্নত সংবাদ শিরোনাম পেতে সেজমেকার ব্লক যোগ করে আমাদের আসল ল্যাম্বডা ফাংশন তৈরি করি।
• DynamoDB - অবশেষে, যখন AI অনুমান Lambda ফাংশনের স্মৃতিতে থাকে, তখন এটি আইটেমটিকে পুনরায় বান্ডেল করে এবং স্টোরেজের জন্য একটি DynamoDB টেবিলে পাঠায়। এখানে, আমরা এটি সম্পন্ন করার জন্য প্রয়োজনীয় উপযুক্ত পাইথন কোড এবং সেইসাথে প্রয়োজনীয় টেরাফর্ম স্ক্রিপ্ট যা এই মিথস্ক্রিয়াগুলিকে সক্ষম করে সেগুলি নিয়ে আলোচনা করি।
• Lambda ফাংশন তৈরি করা: ধাপ 3, DynamoDB-তে উন্নত ডেটা পুশ করা – এখানে, আমরা শেষ অংশ যোগ করে আমাদের Lambda ফাংশন তৈরি করতে থাকি যা ডায়নামো টেবিলে একটি এন্ট্রি তৈরি করে।
• এ পর্যন্ত প্রোটোটাইপ পরীক্ষা করা হচ্ছে - আমাদের উন্নতিগুলি টেবিলে উপস্থিত হচ্ছে কিনা তা যাচাই করতে আমরা DynamoDB কনসোলে DynamoDB টেবিলে নেভিগেট করতে পারি।

এই তৃতীয় ব্লুপ্রিন্ট এই প্রোটোটাইপ চূড়ান্ত করে। এটি আমাজন MQ-এর একটি RabbitMQ সার্ভারে নতুন তৈরি, AI উন্নত ডেটা আইটেম পুনঃবন্টন করার উপর দৃষ্টি নিবদ্ধ করে, যা গ্রাহকদের রিয়েল টাইমে বর্ধিত সংবাদ আইটেমগুলিকে সংযুক্ত করতে এবং পুনরুদ্ধার করতে দেয়। এটি নিম্নলিখিত উপাদানগুলি অন্তর্ভুক্ত করে:

• ডায়নামোডিবি স্ট্রীম - যখন বর্ধিত সংবাদ আইটেমটি DynamoDB-তে থাকে, তখন আমরা একটি ইভেন্ট সেট আপ করি যা ট্রিগার হয়ে যায় যা উপযুক্ত Lambda ফাংশন থেকে ক্যাপচার করা যেতে পারে।
• লেম্বদা প্রযোজক লেখা - এই Lambda ফাংশনটি ইভেন্টটি ক্যাপচার করে এবং RabbitMQ স্ট্রিমের প্রযোজক হিসাবে কাজ করে। এই নতুন ফাংশনটি ল্যাম্বডা স্তরের ধারণাটি প্রবর্তন করে কারণ এটি প্রযোজকের কার্যকারিতা বাস্তবায়নের জন্য পাইথন লাইব্রেরি ব্যবহার করে।
• আমাজন MQ এবং RabbitMQ গ্রাহকরা – প্রোটোটাইপের চূড়ান্ত ধাপ হল RabbitMQ পরিষেবা সেট আপ করা এবং একটি উদাহরণ ভোক্তার বাস্তবায়ন করা যা বার্তা স্ট্রীমের সাথে সংযুক্ত হবে এবং AI উন্নত সংবাদ আইটেমগুলি গ্রহণ করবে।
• প্রোটোটাইপের চূড়ান্ত পরীক্ষা - প্রোটোটাইপ সম্পূর্ণরূপে কাজ করছে কিনা তা যাচাই করার জন্য আমরা একটি এন্ড-টু-এন্ড প্রক্রিয়া ব্যবহার করি, ইনজেশন থেকে পুনরায় পরিবেশন করা এবং নতুন AI-বর্ধিত স্ট্রীম ব্যবহার করা।

এই পর্যায়ে, আপনি নিম্নলিখিত স্ক্রিনশটে দেখানো হিসাবে RabbitMQ ড্যাশবোর্ডে নেভিগেট করে সবকিছু কাজ করছে তা যাচাই করতে পারেন।

চূড়ান্ত ব্লুপ্রিন্টে, পুরো আর্কিটেকচারটি পরিকল্পনা অনুযায়ী আচরণ করছে কিনা তা নিশ্চিত করতে আপনি একটি বিশদ পরীক্ষা ভেক্টরও খুঁজে পাবেন।

উপসংহার

এই পোস্টে, আমরা রিফিনিটিভ ডেটা লাইব্রেরি দ্বারা প্রদত্ত স্ট্রিমিং নিউজ ডেটা সমৃদ্ধ করতে সেজমেকার (এমএল), ল্যাম্বদা (সার্ভারলেস) এবং কাইনেসিস ডেটা স্ট্রিম (স্ট্রিমিং) এর মতো AWS পরিষেবাগুলির সাথে ML অন ক্লাউড ব্যবহার করে একটি সমাধান শেয়ার করেছি। সমাধানটি রিয়েল টাইমে সংবাদ আইটেমগুলিতে একটি সেন্টিমেন্ট স্কোর যোগ করে এবং কোড ব্যবহার করে পরিকাঠামো স্কেল করে।

এই মডুলার আর্কিটেকচারের সুবিধা হল যে আপনি এটিকে আপনার নিজের মডেলের সাথে অন্য ধরণের ডেটা বৃদ্ধি করতে, সার্ভারহীন, মাপযোগ্য এবং ব্যয়-দক্ষ উপায়ে ব্যবহার করতে পারেন যা Refinitiv ডেটা লাইব্রেরির উপরে প্রয়োগ করা যেতে পারে। এটি ট্রেডিং/বিনিয়োগ/ঝুঁকি ব্যবস্থাপনা কর্মপ্রবাহের জন্য মূল্য যোগ করতে পারে।

আপনার যদি কোনও মন্তব্য বা প্রশ্ন থাকে তবে দয়া করে মন্তব্য বিভাগে রেখে দিন।

সংশ্লিষ্ট তথ্য

 লেখক সম্পর্কে

মারিওস স্কেভোফাইলাকাস একটি আর্থিক পরিষেবা, বিনিয়োগ ব্যাংকিং এবং পরামর্শ প্রযুক্তির পটভূমি থেকে আসে। তিনি একটি ইঞ্জিনিয়ারিং পিএইচডি ধারণ করেছেন। কৃত্রিম বুদ্ধিমত্তা এবং একটি M.Sc. মেশিন ভিশনে। তার কর্মজীবন জুড়ে, তিনি অসংখ্য বহুবিভাগীয় AI এবং DLT প্রকল্পে অংশগ্রহণ করেছেন। তিনি বর্তমানে রিফিনিটিভের একজন বিকাশকারী অ্যাডভোকেট, একটি এলএসইজি ব্যবসা, আর্থিক পরিষেবাগুলিতে এআই এবং কোয়ান্টাম অ্যাপ্লিকেশনগুলির উপর দৃষ্টি নিবদ্ধ করে৷

জেসন রামচন্দানি লিড ডেভেলপার অ্যাডভোকেট হিসেবে 8 বছর ধরে একটি LSEG ব্যবসায় Refinitiv-এ কাজ করেছে এবং তাদের ডেভেলপার কমিউনিটি তৈরি করতে সাহায্য করেছে। এর আগে তিনি ওকাসান সিকিউরিটিজ, সাকুরা ফাইন্যান্স এবং জেফরিস এলএলসি-তে ইক্যুইটি/ইকুইটি-লিঙ্কড স্পেসে একটি পরিমাণ ব্যাকগ্রাউন্ড সহ 15 বছরেরও বেশি সময় ধরে আর্থিক বাজারে কাজ করেছেন। তার আলমা ম্যাটার হল ইউসিএল।

হায়কাজ আরামিয়ান একটি অর্থ এবং প্রযুক্তি পটভূমি থেকে আসে. তিনি পিএইচডি করেছেন। ফিনান্সে, এবং একটি M.Sc. অর্থ, প্রযুক্তি এবং নীতিতে। 10 বছরের পেশাদার অভিজ্ঞতার মাধ্যমে হাইকাজ পেনশন, ভিসি তহবিল এবং প্রযুক্তি স্টার্টআপের সাথে জড়িত বেশ কয়েকটি বহু-বিভাগীয় প্রকল্পে কাজ করেছেন। তিনি বর্তমানে রিফিনিটিভের একজন ডেভেলপার অ্যাডভোকেট, একটি এলএসইজি বিজনেস, আর্থিক পরিষেবাগুলিতে এআই অ্যাপ্লিকেশনগুলির উপর দৃষ্টি নিবদ্ধ করে৷

জর্জিওস শিনাস EMEA অঞ্চলে AI/ML-এর জন্য একজন সিনিয়র বিশেষজ্ঞ সলিউশন আর্কিটেক্ট। তিনি লন্ডনে অবস্থিত এবং যুক্তরাজ্য এবং আয়ারল্যান্ডের গ্রাহকদের সাথে ঘনিষ্ঠভাবে কাজ করেন। Georgios গ্রাহকদের MLOps অনুশীলনে বিশেষ আগ্রহের সাথে AWS-এ উৎপাদনে মেশিন লার্নিং অ্যাপ্লিকেশন ডিজাইন ও স্থাপন করতে সাহায্য করে এবং গ্রাহকদের স্কেলে মেশিন লার্নিং করতে সক্ষম করে। তার অবসর সময়ে, তিনি ভ্রমণ, রান্না এবং বন্ধু এবং পরিবারের সাথে সময় কাটাতে উপভোগ করেন।

মুথুভেলান স্বামীনাথন নিউ ইয়র্ক ভিত্তিক একজন এন্টারপ্রাইজ সলিউশন আর্কিটেক্ট। তিনি এন্টারপ্রাইজ গ্রাহকদের সাথে স্থিতিস্থাপক, সাশ্রয়ী, উদ্ভাবনী সমাধান তৈরিতে স্থাপত্য নির্দেশিকা প্রদানের সাথে কাজ করেন যা তাদের ব্যবসার চাহিদা পূরণ করে এবং তাদের AWS পণ্য এবং পরিষেবাগুলি ব্যবহার করে স্কেলে কার্যকর করতে সহায়তা করে।

ময়ূর উদরনানী যুক্তরাজ্য এবং আয়ারল্যান্ডে বাণিজ্যিক উদ্যোগের সাথে AWS AI এবং ML ব্যবসায় নেতৃত্ব দেয়। তার ভূমিকায়, ময়ূর তার বেশিরভাগ সময় গ্রাহকদের এবং অংশীদারদের সাথে ব্যয় করেন প্রভাবশালী সমাধান তৈরি করতে সাহায্য করতে যা একজন গ্রাহকের সবচেয়ে গুরুত্বপূর্ণ চাহিদাগুলি সমাধান করে বা AWS ক্লাউড, AI এবং ML পরিষেবাগুলি ব্যবহার করে একটি বিস্তৃত শিল্পের জন্য। ময়ূর লন্ডন এলাকায় থাকেন। তিনি ইন্ডিয়ান ইনস্টিটিউট অফ ম্যানেজমেন্ট থেকে এমবিএ এবং মুম্বাই বিশ্ববিদ্যালয় থেকে কম্পিউটার ইঞ্জিনিয়ারিংয়ে স্নাতক করেছেন।

• এসইও চালিত বিষয়বস্তু এবং পিআর বিতরণ। আজই পরিবর্ধিত পান।
• প্লেটোব্লকচেন। Web3 মেটাভার্স ইন্টেলিজেন্স। জ্ঞান প্রসারিত. এখানে প্রবেশ করুন.
• উত্স: https://aws.amazon.com/blogs/machine-learning/enriching-real-time-news-streams-with-the-refinitiv-data-library-aws-services-and-amazon-sagemaker/