অ্যামাজন কম্প্রেহেন্ড টার্গেটেড সেন্টিমেন্টের সাথে পাঠ্যে দানাদার অনুভূতি বের করুন

অ্যামাজন সমঝোতা একটি প্রাকৃতিক ভাষা প্রক্রিয়াকরণ (NLP) পরিষেবা যা পাঠ্য থেকে অন্তর্দৃষ্টি আবিষ্কার করতে মেশিন লার্নিং (ML) ব্যবহার করে। একটি সম্পূর্ণরূপে পরিচালিত পরিষেবা হিসাবে, Amazon Comprehend-এর কোনো ML দক্ষতার প্রয়োজন নেই এবং ডেটার বিশাল পরিমাণে স্কেল করতে পারে৷ অ্যামাজন কম্প্রেহেন্ড বিভিন্ন ধরনের সুবিধা প্রদান করে API গুলি সহজেই আপনার অ্যাপ্লিকেশনগুলিতে NLP সংহত করতে। আপনি কেবল আপনার অ্যাপ্লিকেশনে API কল করতে পারেন এবং উত্স নথি বা পাঠ্যের অবস্থান প্রদান করতে পারেন৷ APIs আউটপুট সত্তা, মূল বাক্যাংশ, অনুভূতি, নথির শ্রেণীবিভাগ, এবং আপনার অ্যাপ্লিকেশন বা ব্যবসার জন্য সহজে ব্যবহারযোগ্য বিন্যাসে ভাষা।

Amazon Comprehend দ্বারা প্রদত্ত সেন্টিমেন্ট এনালাইসিস API গুলি ব্যবসায়িকদের একটি নথির অনুভূতি নির্ধারণ করতে সাহায্য করে৷ আপনি ইতিবাচক, নেতিবাচক, নিরপেক্ষ বা মিশ্র হিসাবে একটি নথির সামগ্রিক অনুভূতি পরিমাপ করতে পারেন। যাইহোক, নির্দিষ্ট পণ্য বা ব্র্যান্ডের সাথে যুক্ত অনুভূতি বোঝার জন্য, ব্যবসাগুলিকে পাঠ্যটিকে লজিক্যাল ব্লকে টুকরো টুকরো করা এবং একটি নির্দিষ্ট পণ্যের প্রতি প্রকাশ করা অনুভূতিকে অনুমান করার মতো কাজ করতে হয়েছে।

এই প্রক্রিয়াটিকে সহজ করার জন্য, আজ থেকে, Amazon Comprehend চালু করছে টার্গেটেড সেন্টিমেন্ট অনুভূতি বিশ্লেষণের জন্য বৈশিষ্ট্য। এটি একটি একক বাস্তব-বিশ্বের সত্তা বা বৈশিষ্ট্যের সাথে সম্পর্কিত উল্লেখের গোষ্ঠীগুলি (সহ-রেফারেন্স গোষ্ঠী) সনাক্ত করার ক্ষমতা প্রদান করে, প্রতিটি সত্তার উল্লেখের সাথে যুক্ত অনুভূতি প্রদান করে এবং একটি উপর ভিত্তি করে বাস্তব-বিশ্বের সত্তার শ্রেণীবিভাগ প্রদান করে। সত্তার পূর্ব-নির্ধারিত তালিকা.

এই পোস্টটি কীভাবে আপনি অ্যামাজন বোঝার লক্ষ্যযুক্ত অনুভূতির সাথে শুরু করতে পারেন তার একটি সংক্ষিপ্ত বিবরণ প্রদান করে, আউটপুট দিয়ে আপনি কী করতে পারেন তা প্রদর্শন করে এবং তিনটি সাধারণ লক্ষ্যযুক্ত অনুভূতি ব্যবহারের ক্ষেত্রে চলে।

সমাধান ওভারভিউ

নিম্নলিখিত লক্ষ্যযুক্ত অনুভূতির একটি উদাহরণ:

"স্পা" হল প্রাথমিক সত্তা, যা টাইপ হিসাবে চিহ্নিত facility, এবং আরও দুইবার উল্লেখ করা হয়েছে, সর্বনাম "এটি" হিসাবে উল্লেখ করা হয়েছে। টার্গেটেড সেন্টিমেন্ট API প্রতিটি সত্তার প্রতি অনুভূতি প্রদান করে। ইতিবাচক অনুভূতি সবুজ, নেতিবাচক লাল এবং নিরপেক্ষ নীল। আমরা এটিও নির্ধারণ করতে পারি যে কীভাবে পুরো বাক্য জুড়ে স্পা-এর প্রতি মনোভাব পরিবর্তিত হয়। আমরা পোস্টে পরে API এর গভীরে ডুব দিই।

এই ক্ষমতা ব্যবসার জন্য বিভিন্ন ক্ষমতা খুলে দেয়। বিপণন দলগুলি সময়ের সাথে সাথে সোশ্যাল মিডিয়াতে তাদের ব্র্যান্ডের প্রতি জনপ্রিয় অনুভূতি ট্র্যাক করতে পারে। ইকমার্স ব্যবসায়ীরা বুঝতে পারে যে তাদের পণ্যের কোন নির্দিষ্ট বৈশিষ্ট্যগুলি গ্রাহকদের দ্বারা সেরা- এবং সবচেয়ে খারাপ-প্রাপ্ত ছিল৷ কল সেন্টার অপারেটররা ক্রমবর্ধমান সমস্যার জন্য এবং গ্রাহকের অভিজ্ঞতা নিরীক্ষণের জন্য ট্রান্সক্রিপ্ট মাইন করতে বৈশিষ্ট্যটি ব্যবহার করতে পারে। রেস্তোরাঁ, হোটেল এবং অন্যান্য আতিথেয়তা শিল্প সংস্থাগুলি বিস্তৃত রেটিং বিভাগগুলিকে ভাল এবং খারাপ গ্রাহক অভিজ্ঞতার সমৃদ্ধ বিবরণে পরিণত করতে পরিষেবাটি ব্যবহার করতে পারে।

টার্গেটেড সেন্টিমেন্ট ব্যবহারের ক্ষেত্রে

অ্যামাজন কম্প্রেহেন্ডের টার্গেটেড সেন্টিমেন্ট API ইনপুট হিসাবে সামাজিক মিডিয়া পোস্ট, অ্যাপ্লিকেশন পর্যালোচনা এবং কল সেন্টার ট্রান্সক্রিপশনের মতো পাঠ্য ডেটা নেয়। তারপর এটি স্বয়ংক্রিয়ভাবে সত্তা-স্তরের অনুভূতি বের করতে এনএলপি অ্যালগরিদমের শক্তি ব্যবহার করে ইনপুট বিশ্লেষণ করে। একটি সত্তা তারিখ এবং পরিমাণের মতো পরিমাপের সুনির্দিষ্ট উল্লেখ ছাড়াও মানুষ, স্থান এবং বাণিজ্যিক আইটেমের মতো বাস্তব-বিশ্বের বস্তুর অনন্য নামের একটি পাঠ্য উল্লেখ। সমর্থিত সত্তার সম্পূর্ণ তালিকার জন্য, পড়ুন টার্গেটেড সেন্টিমেন্ট সত্তা.

নিম্নলিখিত ব্যবহারের ক্ষেত্রে সক্ষম করতে আমরা টার্গেটেড সেন্টিমেন্ট API ব্যবহার করি:

• একটি ব্যবসা কর্মচারী/গ্রাহকের অভিজ্ঞতার অংশগুলি সনাক্ত করতে পারে যা উপভোগ্য এবং যে অংশগুলি উন্নত হতে পারে৷
• যোগাযোগ কেন্দ্র এবং গ্রাহক পরিষেবা দলগুলি এজেন্ট প্রশিক্ষণ কার্যকারিতা সনাক্ত করতে অন-কল ট্রান্সক্রিপশন বা চ্যাট লগ বিশ্লেষণ করতে পারে, এবং কথোপকথনের বিবরণ যেমন গ্রাহকের কাছ থেকে নির্দিষ্ট প্রতিক্রিয়া এবং বাক্যাংশ বা শব্দ যা সেই প্রতিক্রিয়াটিকে অবৈধ করতে ব্যবহৃত হয়েছিল।
• পণ্যের মালিক এবং UI/UX বিকাশকারীরা তাদের পণ্যের বৈশিষ্ট্যগুলি সনাক্ত করতে পারে যা ব্যবহারকারীরা উপভোগ করেন এবং যে অংশগুলির উন্নতি প্রয়োজন। এটি পণ্য রোডম্যাপ আলোচনা এবং অগ্রাধিকার সমর্থন করতে পারে।

নিম্নলিখিত চিত্রটি লক্ষ্যযুক্ত অনুভূতি প্রক্রিয়াকে চিত্রিত করে:

এই পোস্টে, আমরা নিম্নলিখিত তিনটি নমুনা পর্যালোচনা ব্যবহার করে এই প্রক্রিয়াটি প্রদর্শন করি:

• নমুনা 1: ব্যবসা এবং পণ্য পর্যালোচনা - “আমি সত্যিই পছন্দ করি জ্যাকেটটি কত মোটা। আমি একটি বড় জ্যাকেট পরে থাকি কারণ আমার কাঁধ চওড়া এবং এটিই আমি অর্ডার দিয়েছিলাম এবং এটি সেখানে পুরোপুরি ফিট করে। আমার প্রায় মনে হয় যেন বুক থেকে বেলুন বেরিয়ে আসে। আমি ভেবেছিলাম আমি জ্যাকেটের নীচের স্ট্রিংগুলিকে এটিকে বন্ধ করতে এবং এটি আনতে সাহায্য করব, কিন্তু সেগুলি কাজ করে না৷ জ্যাকেটটি খুব ভারী মনে হচ্ছে।"
• নমুনা 2: যোগাযোগ কেন্দ্র প্রতিলিপি - “হ্যালো, আমার ক্রেডিট কার্ডে একটি জালিয়াতি ব্লক আছে, আপনি কি আমার জন্য এটি সরাতে পারেন। আমার ক্রেডিট কার্ড জালিয়াতির জন্য পতাকাঙ্কিত হচ্ছে। এটি বেশ বিরক্তিকর, যতবারই আমি এটি ব্যবহার করতে যাই, আমি প্রত্যাখ্যান করতে থাকি। এটা আবার ঘটলে আমি কার্ডটি বাতিল করতে যাচ্ছি।”
• নমুনা 3: নিয়োগকর্তা প্রতিক্রিয়া সমীক্ষা – “আমি আনন্দিত যে ম্যানেজমেন্ট টিমকে উন্নত করছে। কিন্তু প্রশিক্ষক মৌলিক বিষয়গুলো ভালোভাবে বুঝতে পারেননি। ভবিষ্যত সেশনের জন্য প্রত্যেকের দক্ষতার স্তরে ব্যবস্থাপনার আরও যথাযথ পরিশ্রম করা উচিত।"

ডেটা প্রস্তুত করুন

শুরু করতে, নমুনা ফাইলগুলি ডাউনলোড করুন যেখানে উদাহরণ পাঠ্যটি ব্যবহার করে এডাব্লুএস কমান্ড লাইন ইন্টারফেস (AWS CLI) নিম্নলিখিত কমান্ডগুলি চালানোর মাধ্যমে:

aws s3 cp s3://aws-blogs-artifacts-public/artifacts/ML-8148/ts-sample-data.zip .

তৈরি একটি আমাজন সিম্পল স্টোরেজ সার্ভিস (Amazon S3) বালতি, ফোল্ডারটি আনজিপ করুন এবং তিনটি নমুনা ফাইল ধারণকারী ফোল্ডারটি আপলোড করুন। নিশ্চিত করুন যে আপনি একই অঞ্চল জুড়ে ব্যবহার করছেন।

আপনি এখন আপনার S3 বালতিতে তিনটি নমুনা পাঠ্য ফাইল অ্যাক্সেস করতে পারেন।

Amazon Comprehend-এ একটি চাকরি তৈরি করুন

আপনি আপনার S3 বালতিতে ফাইলগুলি আপলোড করার পরে, নিম্নলিখিত পদক্ষেপগুলি সম্পূর্ণ করুন:

1. Amazon Comprehend কনসোলে, নির্বাচন করুন বিশ্লেষণ কাজ নেভিগেশন ফলকে।
   
2. বেছে নিন চাকরি তৈরি করুন.
   
3. জন্য নাম, আপনার কাজের জন্য একটি নাম লিখুন।
4. জন্য বিশ্লেষণের ধরণনির্বাচন টার্গেটেড সেন্টিমেন্ট.
5. অধীনে তথ্য অন্তর্ভুক্তী, Amazon S3 এর অবস্থান লিখুন ts-নমুনা-ডেটা ফোল্ডার.
6. জন্য ছক পূরণ করানির্বাচন ফাইল প্রতি একটি নথি.

যদি আপনার ডেটা লাইন দ্বারা সীমাবদ্ধ একটি একক ফাইলে থাকে তবে আপনি এই কনফিগারেশনটি পরিবর্তন করতে পারেন।

7. অধীনে আউটপুট অবস্থান, Amazon S3 অবস্থান লিখুন যেখানে আপনি কাজের আউটপুট সংরক্ষণ করতে চান৷
8. অধীনে অনুমতি অ্যাক্সেসজন্য আইএএম ভূমিকা, একটি বিদ্যমান নির্বাচন করুন এডাব্লুএস আইডেন্টিটি এবং অ্যাক্সেস ম্যানেজমেন্ট (IAM) ভূমিকা বা এমন একটি তৈরি করুন যার S3 বালতিতে অনুমতি রয়েছে৷
9. অন্যান্য বিকল্পগুলিকে ডিফল্ট হিসাবে ছেড়ে দিন এবং নির্বাচন করুন চাকরি তৈরি করুন.
   

আপনি কাজ শুরু করার পরে, আপনি আপনার কাজের বিবরণ পর্যালোচনা করতে পারেন। মোট কাজের রানটাইম ইনপুট ডেটার আকারের উপর নির্ভর করে।

10. কাজ সম্পূর্ণ হলে, অধীনে আউটপুট, আউটপুট ডেটা অবস্থানের লিঙ্কটি নির্বাচন করুন।
    

এখানে আপনি একটি সংকুচিত আউটপুট ফাইল খুঁজে পেতে পারেন.

11. ফাইলটি ডাউনলোড এবং ডিকম্প্রেস করুন।

আপনি এখন প্রতিটি নমুনা পাঠ্যের জন্য আউটপুট ফাইলগুলি পরিদর্শন করতে পারেন। API প্রতিক্রিয়া কাঠামো পর্যালোচনা করতে আপনার পছন্দের পাঠ্য সম্পাদকে ফাইলগুলি খুলুন৷ আমরা পরবর্তী বিভাগে এটি আরও বিশদে বর্ণনা করব।

API প্রতিক্রিয়া গঠন

টার্গেটেড সেন্টিমেন্ট API আপনার কাজের আউটপুট ব্যবহার করার একটি সহজ উপায় প্রদান করে। এটি প্রতিটি সত্তার অনুভূতি সহ সনাক্ত করা সত্তাগুলির (সত্তা গোষ্ঠী) একটি যৌক্তিক গ্রুপিং প্রদান করে। প্রতিক্রিয়াতে থাকা ক্ষেত্রগুলির কিছু সংজ্ঞা নিম্নরূপ:

• সংস্থাগুলো - নথির উল্লেখযোগ্য অংশ। উদাহরণ স্বরূপ, Person, Place, Date, Food, বা Taste.
• উল্লেখ - নথিতে সত্তার উল্লেখ বা উল্লেখ। এগুলি সর্বনাম বা সাধারণ বিশেষ্য হতে পারে যেমন "এটি," "সে," "বই" এবং আরও অনেক কিছু। এগুলি নথিতে অবস্থান (অফসেট) অনুসারে সংগঠিত হয়।
• বর্ণনামূলক উল্লেখ সূচক - মধ্যে সূচক Mentions যেটি সত্তা গোষ্ঠীর সর্বোত্তম চিত্রণ দেয়। উদাহরণস্বরূপ, "হোটেল," "এটি" বা অন্যান্য সাধারণ বিশেষ্য উল্লেখের পরিবর্তে "ABC হোটেল"।
• গ্রুপস্কোর - এই আত্মবিশ্বাস যে গ্রুপে উল্লিখিত সমস্ত সত্তা একই সত্তার সাথে সম্পর্কিত (যেমন "আমি," "আমি," এবং "নিজেকে" একজন ব্যক্তিকে নির্দেশ করে)।
• পাঠ - নথির পাঠ্য যা সত্তাকে চিত্রিত করে
• আদর্শ - সত্তা যা চিত্রিত করে তার একটি বিবরণ।
• স্কোর - মডেল আত্মবিশ্বাস যে এটি একটি প্রাসঙ্গিক সত্তা।
• উল্লেখ সেন্টিমেন্ট - উল্লেখের জন্য প্রকৃত অনুভূতি পাওয়া গেছে।
• অনুভূতি - এর স্ট্রিং মান positive, neutral, negative, বা mixed.
• সেন্টিমেন্টস্কোর - প্রতিটি সম্ভাব্য অনুভূতির জন্য মডেল আত্মবিশ্বাস।
• শুরু অফসেট - নথির পাঠ্যের অফসেট যেখানে উল্লেখ শুরু হয়।
• এন্ডঅফসেট - নথির পাঠ্যের অফসেট যেখানে উল্লেখ শেষ হয়।

এটি দৃশ্যমানভাবে প্রদর্শন করার জন্য, আসুন তৃতীয় ব্যবহারের ক্ষেত্রে, নিয়োগকর্তার প্রতিক্রিয়া সমীক্ষার আউটপুট নেওয়া যাক এবং জরিপ, ব্যবস্থাপনা এবং প্রশিক্ষক সম্পূর্ণ কর্মচারীর প্রতিনিধিত্বকারী সত্তা গোষ্ঠীগুলির মধ্য দিয়ে চলুন।

আসুন প্রথমে "I" (প্রতিক্রিয়া লিখছেন এমন কর্মচারী) এর সাথে যুক্ত সহ-রেফারেন্স সত্তা গোষ্ঠীর সমস্ত উল্লেখ এবং পাঠ্যটিতে উল্লেখের অবস্থানটি দেখুন। DescriptiveMentionIndex সত্তার সূচী উপস্থাপন করে উল্লেখ করে যেগুলি সহ-রেফারেন্স সত্তা গোষ্ঠীকে সর্বোত্তমভাবে চিত্রিত করে (এই ক্ষেত্রে I):

{ "DescriptiveMentionIndex": [ 0 ], "Mentions": [ { "BeginOffset": 0, "EndOffset": 1, "Score": 0.999997, "GroupScore": 1, "Text": "I", "Type": "PERSON", "MentionSentiment": { "Sentiment": "NEUTRAL", "SentimentScore": { "Mixed": 0, "Negative": 0, "Neutral": 1, "Positive": 0 } } } ] }

সত্তার পরবর্তী গোষ্ঠীটি পাঠ্যটিতে এর অবস্থান সহ ব্যবস্থাপনার সাথে যুক্ত সহ-রেফারেন্স সত্তা গোষ্ঠীর সমস্ত উল্লেখ সরবরাহ করে। DescriptiveMentionIndex সত্তার সূচী উপস্থাপন করে উল্লেখ করে যেগুলি সহ-রেফারেন্স সত্তা গোষ্ঠীকে সর্বোত্তমভাবে চিত্রিত করে (এই ক্ষেত্রে management) এই উদাহরণে লক্ষ্য করার মতো কিছু হল ব্যবস্থাপনার প্রতি অনুভূতির পরিবর্তন। ব্যবস্থাপনার ক্রিয়াকলাপের কোন অংশগুলিকে ইতিবাচক হিসাবে বিবেচনা করা হয়েছিল এবং কোন অংশগুলিকে নেতিবাচক হিসাবে বিবেচনা করা হয়েছিল এবং তাই উন্নত করা যেতে পারে তা অনুমান করতে আপনি এই ডেটা ব্যবহার করতে পারেন।

{ "DescriptiveMentionIndex": [ 0, 1 ], "Mentions": [ { "BeginOffset": 9, "EndOffset": 19, "Score": 0.999984, "GroupScore": 1, "Text": "management", "Type": "ORGANIZATION", "MentionSentiment": { "Sentiment": "POSITIVE", "SentimentScore": { "Mixed": 0, "Negative": 0, "Neutral": 0, "Positive": 1 } } }, { "BeginOffset": 103, "EndOffset": 113, "Score": 0.999998, "GroupScore": 0.999896, "Text": "Management", "Type": "ORGANIZATION", "MentionSentiment": { "Sentiment": "NEGATIVE", "SentimentScore": { "Mixed": 0.000149, "Negative": 0.990075, "Neutral": 0.000001, "Positive": 0.009775 } } } ] }

উপসংহারে, আসুন প্রশিক্ষকের সমস্ত উল্লেখ এবং পাঠ্যের অবস্থান পর্যবেক্ষণ করি। DescriptiveMentionIndex সত্তার সূচী উপস্থাপন করে উল্লেখ করে যেগুলি সহ-রেফারেন্স সত্তা গোষ্ঠীকে সর্বোত্তমভাবে চিত্রিত করে (এই ক্ষেত্রে instructor):

{ "DescriptiveMentionIndex": [ 0 ], "Mentions": [ { "BeginOffset": 52, "EndOffset": 62, "Score": 0.999996, "GroupScore": 1, "Text": "instructor", "Type": "PERSON", "MentionSentiment": { "Sentiment": "NEGATIVE", "SentimentScore": { "Mixed": 0, "Negative": 0.999997, "Neutral": 0.000001, "Positive": 0.000001 } } } ] }

রেফারেন্স আর্কিটেকচার

আপনি অনেক পরিস্থিতিতে লক্ষ্যযুক্ত অনুভূতি প্রয়োগ করতে পারেন এবং ব্যবসায়িক মূল্য চালনার ক্ষেত্রে ব্যবহার করতে পারেন, যেমন নিম্নলিখিত:

• সর্বাধিক ইতিবাচক বা নেতিবাচক প্রতিক্রিয়া ধারণ করে এমন সত্তা এবং উল্লেখগুলি সনাক্ত করে বিপণন প্রচারাভিযান এবং বৈশিষ্ট্য লঞ্চের কার্যকারিতা নির্ধারণ করুন
• কোন সত্তা এবং উল্লেখগুলি একটি সংশ্লিষ্ট সত্তার সাথে সম্পর্কিত (ইতিবাচক, নেতিবাচক বা নিরপেক্ষ) নির্ধারণ করতে আউটপুট জিজ্ঞাসা করুন
• প্রক্রিয়া বা প্রশিক্ষণ পরিবর্তনের কার্যকারিতা প্রদর্শন করতে যোগাযোগ কেন্দ্রে গ্রাহকের মিথস্ক্রিয়া জীবনচক্র জুড়ে অনুভূতি বিশ্লেষণ করুন

নিম্নলিখিত চিত্রটি একটি শেষ থেকে শেষ প্রক্রিয়াকে চিত্রিত করে:

উপসংহার

গ্রাহকদের কাছ থেকে তাদের পণ্য এবং পরিষেবা সম্পর্কে প্রাপ্ত মিথস্ক্রিয়া এবং প্রতিক্রিয়া বোঝা ভাল পণ্য এবং গ্রাহক অভিজ্ঞতা বিকাশের জন্য গুরুত্বপূর্ণ। যেমন, আরও ভাল ফলাফল অনুমান করার জন্য আরও দানাদার বিবরণ প্রয়োজন।

এই পোস্টে, আমরা কীভাবে এই দানাদার বিবরণ ব্যবহার করে সংস্থাগুলিকে পণ্য, গ্রাহক অভিজ্ঞতা এবং প্রশিক্ষণের উন্নতি করতে সাহায্য করতে পারে তার কিছু উদাহরণ দিয়েছি এবং ইতিবাচক বৈশিষ্ট্যগুলিকে উত্সাহিত এবং যাচাই করতেও সহায়তা করতে পারে৷ শিল্প জুড়ে অনেকগুলি ব্যবহারের ক্ষেত্রে রয়েছে যেখানে আপনি পরীক্ষা করতে পারেন এবং লক্ষ্যযুক্ত অনুভূতি থেকে মূল্য অর্জন করতে পারেন।

আমরা আপনাকে আপনার ব্যবহারের ক্ষেত্রে এই নতুন বৈশিষ্ট্যটি চেষ্টা করার জন্য উত্সাহিত করি। আরও তথ্যের জন্য এবং শুরু করতে, পড়ুন টার্গেটেড সেন্টিমেন্ট.

লেখক সম্পর্কে

রাজ পাঠক কানাডা এবং মার্কিন যুক্তরাষ্ট্র জুড়ে ফরচুন 50 এবং মিড-সাইজ এফএসআই (ব্যাংকিং, ইন্স্যুরেন্স, ক্যাপিটাল মার্কেটস) গ্রাহকদের একজন সমাধান স্থপতি এবং প্রযুক্তিগত উপদেষ্টা। রাজ ডকুমেন্ট এক্সট্রাকশন, কন্টাক্ট সেন্টার ট্রান্সফরমেশন এবং কম্পিউটার ভিশনের অ্যাপ্লিকেশন সহ মেশিন লার্নিং-এ বিশেষজ্ঞ।

সঞ্জীব পুলাপাকা Amazon Web Services (AWS) এ US Fed Civian SA দলের একজন সিনিয়র সলিউশন আর্কিটেক্ট। তিনি মিশন সমালোচনামূলক সমাধান নির্মাণ এবং স্থাপত্যে গ্রাহকদের সাথে ঘনিষ্ঠভাবে কাজ করেন। বানিজ্যিক, ফেডারেল, রাজ্য এবং স্থানীয় সরকার সহ একাধিক সেক্টরে বিভিন্ন ব্যবসায়িক চাহিদা মেটাতে উচ্চ-প্রভাবিত প্রযুক্তি সমাধানের নেতৃত্ব, স্থপতি এবং বাস্তবায়নে সঞ্জীবের ব্যাপক অভিজ্ঞতা রয়েছে। তিনি ইন্ডিয়ান ইনস্টিটিউট অফ টেকনোলজি থেকে ইঞ্জিনিয়ারিংয়ে স্নাতক ডিগ্রি এবং নটরডেম বিশ্ববিদ্যালয় থেকে এমবিএ করেছেন।

• 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/extract-granular-sentiment-in-text-with-amazon-comprehend-targeted-sentiment/