অ্যামাজন বেডরকে অ্যামাজন টাইটান টেক্সট এম্বেডিংয়ের সাথে শুরু করা আমাজন ওয়েব সার্ভিসেস

ন্যাচারাল ল্যাঙ্গুয়েজ প্রসেসিং (NLP) এবং মেশিন লার্নিং (ML) এ এমবেডিং একটি মুখ্য ভূমিকা পালন করে। পাঠ্য এমবেডিং একটি উচ্চ-মাত্রিক ভেক্টর স্পেসে থাকা সংখ্যাসূচক উপস্থাপনায় পাঠ্যকে রূপান্তরিত করার প্রক্রিয়াকে বোঝায়। এই কৌশলটি এমএল অ্যালগরিদম ব্যবহারের মাধ্যমে অর্জন করা হয় যা ডেটার অর্থ এবং প্রেক্ষাপট (অর্থবোধক সম্পর্ক) বোঝা এবং ডেটার মধ্যে জটিল সম্পর্ক এবং প্যাটার্ন শেখার সক্ষম করে (সিনট্যাটিক সম্পর্ক)। আপনি তথ্য পুনরুদ্ধার, পাঠ্য শ্রেণিবিন্যাস, প্রাকৃতিক ভাষা প্রক্রিয়াকরণ এবং আরও অনেকগুলি অ্যাপ্লিকেশনের জন্য ফলাফলের ভেক্টর উপস্থাপনাগুলি ব্যবহার করতে পারেন।

আমাজন টাইটান টেক্সট এম্বেডিং একটি টেক্সট এম্বেডিং মডেল যা প্রাকৃতিক ভাষার পাঠকে রূপান্তর করে - একক শব্দ, বাক্যাংশ বা এমনকি বড় নথির সমন্বয়ে-সংখ্যাসূচক উপস্থাপনায় যা শব্দার্থগত মিলের উপর ভিত্তি করে অনুসন্ধান, ব্যক্তিগতকরণ এবং ক্লাস্টারিংয়ের মতো ক্ষমতা ব্যবহারের ক্ষেত্রে ব্যবহার করা যেতে পারে।

এই পোস্টে, আমরা Amazon Titan Text Embeddings মডেল, এর বৈশিষ্ট্য এবং উদাহরণ ব্যবহারের ক্ষেত্রে আলোচনা করি।

কিছু মূল ধারণা অন্তর্ভুক্ত:

• পাঠ্যের সংখ্যাসূচক উপস্থাপনা (ভেক্টর) শব্দার্থবিদ্যা এবং শব্দের মধ্যে সম্পর্ককে ক্যাপচার করে
• টেক্সট সাদৃশ্য তুলনা করতে সমৃদ্ধ এম্বেডিং ব্যবহার করা যেতে পারে
• বহুভাষিক পাঠ্য এম্বেডিং বিভিন্ন ভাষায় অর্থ সনাক্ত করতে পারে

কিভাবে পাঠ্যের একটি অংশ ভেক্টরে রূপান্তরিত হয়?

একটি বাক্যকে ভেক্টরে রূপান্তর করার একাধিক কৌশল রয়েছে। একটি জনপ্রিয় পদ্ধতি হল শব্দ এমবেডিং অ্যালগরিদম ব্যবহার করা, যেমন Word2Vec, GloVe, বা FastText, এবং তারপর একটি বাক্য-স্তরের ভেক্টর উপস্থাপনা তৈরি করতে শব্দ এমবেডিংগুলিকে একত্রিত করা।

আরেকটি সাধারণ পদ্ধতি হল BERT বা GPT এর মতো বড় ভাষা মডেল (LLMs) ব্যবহার করা, যা সম্পূর্ণ বাক্যের জন্য প্রাসঙ্গিক এম্বেডিং প্রদান করতে পারে। এই মডেলগুলি ট্রান্সফরমারগুলির মতো গভীর শিক্ষার স্থাপত্যের উপর ভিত্তি করে তৈরি করা হয়েছে, যা একটি বাক্যে প্রাসঙ্গিক তথ্য এবং শব্দগুলির মধ্যে সম্পর্কগুলিকে আরও কার্যকরভাবে ক্যাপচার করতে পারে।

কেন আমরা একটি এমবেডিং মডেল প্রয়োজন?

ভেক্টর এমবেডিংগুলি এলএলএমগুলির জন্য ভাষার শব্দার্থগত ডিগ্রিগুলি বোঝার জন্য মৌলিক, এবং সেন্টিমেন্ট বিশ্লেষণ, নামযুক্ত সত্তার স্বীকৃতি এবং পাঠ্য শ্রেণিবিন্যাসের মতো ডাউনস্ট্রিম এনএলপি কাজগুলিতেও ভাল সম্পাদন করতে এলএলএমগুলিকে সক্ষম করে৷

শব্দার্থিক অনুসন্ধানের পাশাপাশি, আপনি পুনরুদ্ধার অগমেন্টেড জেনারেশন (RAG)-এর মাধ্যমে আরও সঠিক ফলাফলের জন্য আপনার প্রম্পটগুলিকে বাড়ানোর জন্য এম্বেডিংগুলি ব্যবহার করতে পারেন — তবে সেগুলি ব্যবহার করার জন্য, আপনাকে ভেক্টর ক্ষমতা সহ একটি ডাটাবেসে সেগুলি সংরক্ষণ করতে হবে৷

অ্যামাজন টাইটান টেক্সট এমবেডিং মডেলটি RAG ব্যবহারের ক্ষেত্রে সক্ষম করার জন্য পাঠ্য পুনরুদ্ধারের জন্য অপ্টিমাইজ করা হয়েছে। এটি আপনাকে প্রথমে আপনার টেক্সট ডেটাকে সাংখ্যিক উপস্থাপনা বা ভেক্টরে রূপান্তর করতে সক্ষম করে, এবং তারপর সেই ভেক্টরগুলিকে সঠিকভাবে একটি ভেক্টর ডাটাবেস থেকে প্রাসঙ্গিক প্যাসেজগুলি অনুসন্ধান করার জন্য ব্যবহার করে, যা আপনাকে অন্যান্য ভিত্তি মডেলের সাথে একত্রিত করে আপনার মালিকানাধীন ডেটার সর্বাধিক ব্যবহার করতে দেয়৷

কারণ অ্যামাজন টাইটান টেক্সট এমবেডিংস একটি পরিচালিত মডেল আমাজন বেডরক, এটি সম্পূর্ণরূপে সার্ভারহীন অভিজ্ঞতা হিসাবে দেওয়া হয়। আপনি অ্যামাজন বেডরক REST এর মাধ্যমে এটি ব্যবহার করতে পারেন এপিআই অথবা AWS SDK। প্রয়োজনীয় পরামিতি হল সেই পাঠ্য যা আপনি এবং এর এমবেডিং তৈরি করতে চান modelID প্যারামিটার, যা অ্যামাজন টাইটান টেক্সট এমবেডিং মডেলের নাম উপস্থাপন করে। নিম্নলিখিত কোডটি পাইথন (Boto3) এর জন্য AWS SDK ব্যবহার করে একটি উদাহরণ:

import boto3
import json #Create the connection to Bedrock
bedrock = boto3.client( service_name='bedrock', region_name='us-west-2', ) bedrock_runtime = boto3.client( service_name='bedrock-runtime', region_name='us-west-2', ) # Let's see all available Amazon Models
available_models = bedrock.list_foundation_models() for model in available_models['modelSummaries']: if 'amazon' in model['modelId']: print(model) # Define prompt and model parameters
prompt_data = """Write me a poem about apples""" body = json.dumps({ "inputText": prompt_data,
}) model_id = 'amazon.titan-embed-text-v1' #look for embeddings in the modelID
accept = 'application/json' content_type = 'application/json' # Invoke model response = bedrock_runtime.invoke_model( body=body, modelId=model_id, accept=accept, contentType=content_type
) # Print response
response_body = json.loads(response['body'].read())
embedding = response_body.get('embedding') #Print the Embedding print(embedding)

আউটপুট নিম্নলিখিত মত কিছু দেখাবে:

[-0.057861328, -0.15039062, -0.4296875, 0.31054688, ..., -0.15625]

নির্দেশ করে আমাজন বেডরক boto3 সেটআপ প্রয়োজনীয় প্যাকেজগুলি কীভাবে ইনস্টল করবেন সে সম্পর্কে আরও বিশদ বিবরণের জন্য, অ্যামাজন বেডরকের সাথে সংযোগ করুন এবং মডেলগুলি আহ্বান করুন৷

অ্যামাজন টাইটান টেক্সট এম্বেডিংয়ের বৈশিষ্ট্য

Amazon Titan Text Embeddings-এর মাধ্যমে, আপনি 8,000 টোকেন পর্যন্ত ইনপুট করতে পারেন, এটি আপনার ব্যবহারের ক্ষেত্রে ভিত্তি করে একক শব্দ, বাক্যাংশ বা সম্পূর্ণ নথির সাথে কাজ করার জন্য উপযুক্ত করে তোলে। আমাজন টাইটান মাত্রা 1536 এর আউটপুট ভেক্টর ফেরত দেয়, এটিকে উচ্চ মাত্রার নির্ভুলতা দেয়, পাশাপাশি কম লেটেন্সি, সাশ্রয়ী ফলাফলের জন্য অপ্টিমাইজ করে।

অ্যামাজন টাইটান টেক্সট এম্বেডিং 25টিরও বেশি বিভিন্ন ভাষায় পাঠ্যের জন্য এমবেডিং তৈরি এবং অনুসন্ধান করতে সহায়তা করে। এর মানে হল যে আপনি সমর্থন করতে চান এমন প্রতিটি ভাষার জন্য আলাদা মডেল তৈরি এবং বজায় রাখার প্রয়োজন ছাড়াই আপনি আপনার ব্যবহারের ক্ষেত্রে মডেলটি প্রয়োগ করতে পারেন।

অনেক ভাষায় প্রশিক্ষিত একটি একক এম্বেডিং মডেল নিম্নলিখিত মূল সুবিধাগুলি প্রদান করে:

• বৃহত্তর নাগাল - বাক্সের বাইরে 25টির বেশি ভাষা সমর্থন করে, আপনি অনেক আন্তর্জাতিক বাজারে ব্যবহারকারী এবং বিষয়বস্তুর কাছে আপনার অ্যাপ্লিকেশনের নাগাল প্রসারিত করতে পারেন।
• ধারাবাহিক কর্মক্ষমতা – একাধিক ভাষা কভার করে একটি ইউনিফাইড মডেলের সাথে, আপনি ভাষা প্রতি আলাদাভাবে অপ্টিমাইজ করার পরিবর্তে বিভিন্ন ভাষা জুড়ে ধারাবাহিক ফলাফল পাবেন। মডেলটিকে সামগ্রিকভাবে প্রশিক্ষিত করা হয়েছে যাতে আপনি বিভিন্ন ভাষা জুড়ে সুবিধা পান।
• বহুভাষিক প্রশ্ন সমর্থন - অ্যামাজন টাইটান টেক্সট এম্বেডিং সমর্থিত যেকোনো ভাষায় টেক্সট এম্বেডিং অনুসন্ধান করার অনুমতি দেয়। এটি একটি একক ভাষায় সীমাবদ্ধ না হয়ে ভাষা জুড়ে শব্দার্থগতভাবে অনুরূপ সামগ্রী পুনরুদ্ধার করার নমনীয়তা প্রদান করে। আপনি একই ইউনিফাইড এমবেডিং স্পেস ব্যবহার করে বহুভাষিক ডেটা অনুসন্ধান এবং বিশ্লেষণ করে এমন অ্যাপ্লিকেশন তৈরি করতে পারেন।

এই লেখার সময়, নিম্নলিখিত ভাষাগুলি সমর্থিত:

• আরবি
• সরলীকৃত চীনা)
• প্রথাগত চীনা)
• চেক
• ডাচ
• ইংরেজি
• ফরাসি
• জার্মান
• হিব্রু
• হিন্দি
• ইতালীয়
• জাপানি
• কন্নড
• কোরিয়ান
• মালায়ালম
• মারাঠি
• পোলিশ
• পর্তুগীজ
• রাশিয়ান
• স্প্যানিশ
• সুইডিশ
• ফিলিপিনো তাগালগ
• তামিল
• তেলুগু
• তুর্কী

ল্যাংচেইনের সাথে অ্যামাজন টাইটান টেক্সট এম্বেডিং ব্যবহার করা

ল্যাংচেইন এর সাথে কাজ করার জন্য একটি জনপ্রিয় ওপেন সোর্স ফ্রেমওয়ার্ক জেনারেটিভ এআই মডেল এবং সহায়ক প্রযুক্তি। এটি একটি অন্তর্ভুক্ত বেডরক এম্বেডিংস ক্লায়েন্ট যেটি সুবিধাজনকভাবে একটি বিমূর্ত স্তর দিয়ে Boto3 SDK কে মোড়ানো। দ্য BedrockEmbeddings ক্লায়েন্ট আপনাকে JSON অনুরোধ বা প্রতিক্রিয়া কাঠামোর বিশদ বিবরণ না জেনে সরাসরি পাঠ্য এবং এম্বেডিংয়ের সাথে কাজ করার অনুমতি দেয়। নিম্নলিখিত একটি সহজ উদাহরণ:

from langchain.embeddings import BedrockEmbeddings #create an Amazon Titan Text Embeddings client
embeddings_client = BedrockEmbeddings() #Define the text from which to create embeddings
text = "Can you please tell me how to get to the bakery?" #Invoke the model
embedding = embeddings_client.embed_query(text) #Print response
print(embedding)

আপনি ল্যাংচেইন ব্যবহার করতে পারেন BedrockEmbeddings ক্লায়েন্ট অ্যামাজন বেডরক এলএলএম ক্লায়েন্টের সাথে সাথে RAG, শব্দার্থিক অনুসন্ধান, এবং অন্যান্য এম্বেডিং-সম্পর্কিত প্যাটার্নগুলিকে সহজতর করার জন্য।

এমবেডিংয়ের জন্য কেস ব্যবহার করুন

যদিও RAG বর্তমানে এমবেডিং এর সাথে কাজ করার জন্য সবচেয়ে জনপ্রিয় ব্যবহার কেস, তবে আরও অনেক ব্যবহারের ক্ষেত্রে রয়েছে যেখানে এমবেডিং প্রয়োগ করা যেতে পারে। নিম্নলিখিত কিছু অতিরিক্ত পরিস্থিতি রয়েছে যেখানে আপনি নির্দিষ্ট সমস্যাগুলি সমাধান করতে এমবেডিং ব্যবহার করতে পারেন, হয় তাদের নিজস্ব বা LLM-এর সহযোগিতায়:

• প্রশ্ন ও উত্তর - এম্বেডিংগুলি RAG প্যাটার্নের মাধ্যমে প্রশ্ন ও উত্তর ইন্টারফেস সমর্থন করতে সাহায্য করতে পারে। ভেক্টর ডাটাবেসের সাথে যুক্ত এমবেডিং জেনারেশন আপনাকে জ্ঞান ভান্ডারে প্রশ্ন এবং বিষয়বস্তুর মধ্যে ঘনিষ্ঠ মিল খুঁজে পেতে দেয়।
• ব্যক্তিগতকৃত সুপারিশ - প্রশ্নোত্তর অনুরূপ, আপনি ব্যবহারকারীর দ্বারা প্রদত্ত মানদণ্ডের উপর ভিত্তি করে ছুটির গন্তব্য, কলেজ, যানবাহন বা অন্যান্য পণ্যগুলি খুঁজে পেতে এমবেডিং ব্যবহার করতে পারেন৷ এটি মিলগুলির একটি সাধারণ তালিকার আকার নিতে পারে, অথবা আপনি প্রতিটি সুপারিশ প্রক্রিয়া করার জন্য একটি LLM ব্যবহার করতে পারেন এবং ব্যাখ্যা করতে পারেন যে এটি কীভাবে ব্যবহারকারীর মানদণ্ডকে সন্তুষ্ট করে। আপনি তাদের নির্দিষ্ট চাহিদার উপর ভিত্তি করে একটি ব্যবহারকারীর জন্য কাস্টম "10 সেরা" নিবন্ধ তৈরি করতে এই পদ্ধতিটি ব্যবহার করতে পারেন।
• ডাটা ব্যাবস্থাপনা – যখন আপনার কাছে ডেটা উত্স থাকে যা একে অপরের সাথে পরিষ্কারভাবে ম্যাপ করে না, কিন্তু আপনার কাছে পাঠ্য সামগ্রী থাকে যা ডেটা রেকর্ড বর্ণনা করে, আপনি সম্ভাব্য ডুপ্লিকেট রেকর্ডগুলি সনাক্ত করতে এমবেডিং ব্যবহার করতে পারেন৷ উদাহরণস্বরূপ, আপনি সদৃশ প্রার্থীদের সনাক্ত করতে এমবেডিং ব্যবহার করতে পারেন যেগুলি বিভিন্ন বিন্যাস, সংক্ষিপ্ত রূপ, এমনকি অনুবাদিত নামও ব্যবহার করতে পারে।
• অ্যাপ্লিকেশন পোর্টফোলিও যৌক্তিকতা - একটি মূল কোম্পানি এবং একটি অধিগ্রহণ জুড়ে অ্যাপ্লিকেশন পোর্টফোলিওগুলি সারিবদ্ধ করার সময়, সম্ভাব্য ওভারল্যাপ খুঁজে বের করতে কোথায় শুরু করবেন তা সর্বদা স্পষ্ট নয়। কনফিগারেশন ম্যানেজমেন্ট ডেটার গুণমান একটি সীমিত কারণ হতে পারে, এবং অ্যাপ্লিকেশন ল্যান্ডস্কেপ বোঝার জন্য দলগুলির মধ্যে সমন্বয় করা কঠিন হতে পারে। এমবেডিংয়ের সাথে শব্দার্থিক মিল ব্যবহার করে, আমরা যুক্তিযুক্তকরণের জন্য উচ্চ-সম্ভাব্য প্রার্থীর অ্যাপ্লিকেশনগুলি সনাক্ত করতে অ্যাপ্লিকেশন পোর্টফোলিও জুড়ে একটি দ্রুত বিশ্লেষণ করতে পারি।
• বিষয়বস্তু গ্রুপিং - আপনি এম্বেডিংগুলি ব্যবহার করতে পারেন যাতে আপনি অনুরূপ বিষয়বস্তুকে বিভাগগুলিতে গোষ্ঠীবদ্ধ করতে সহায়তা করতে পারেন যা আপনি সময়ের আগে জানেন না। উদাহরণস্বরূপ, ধরা যাক আপনার কাছে গ্রাহকের ইমেল বা অনলাইন পণ্য পর্যালোচনার একটি সংগ্রহ ছিল। আপনি প্রতিটি আইটেমের জন্য এম্বেডিং তৈরি করতে পারেন, তারপর সেই এম্বেডিংগুলি চালান k- মানে ক্লাস্টারিং গ্রাহক উদ্বেগ, পণ্যের প্রশংসা বা অভিযোগ, বা অন্যান্য থিমগুলির যৌক্তিক গ্রুপিং সনাক্ত করতে। তারপরে আপনি একটি LLM ব্যবহার করে সেই গ্রুপিংয়ের বিষয়বস্তু থেকে ফোকাসড সারাংশ তৈরি করতে পারেন।

শব্দার্থিক অনুসন্ধানের উদাহরণ

আমাদের মাঝে গিটহাবের উদাহরণ, আমরা Amazon Titan Text Embeddings, LangChain, এবং Streamlit সহ একটি সাধারণ এম্বেডিং অনুসন্ধান অ্যাপ্লিকেশন প্রদর্শন করি।

উদাহরণটি একটি ইন-মেমরি ভেক্টর ডাটাবেসের নিকটতম এন্ট্রিগুলির সাথে ব্যবহারকারীর প্রশ্নের সাথে মেলে। তারপর আমরা সরাসরি ইউজার ইন্টারফেসে সেই মিলগুলো প্রদর্শন করি। আপনি যদি একটি RAG অ্যাপ্লিকেশনের সমস্যা সমাধান করতে চান বা সরাসরি একটি এম্বেডিং মডেল মূল্যায়ন করতে চান তবে এটি কার্যকর হতে পারে।

সরলতার জন্য, আমরা ইন-মেমরি ব্যবহার করি FAISS এম্বেডিং ভেক্টরের জন্য ডাটাবেস সংরক্ষণ এবং অনুসন্ধান করার জন্য। স্কেলে একটি বাস্তব-বিশ্বের পরিস্থিতিতে, আপনি সম্ভবত এর মতো একটি স্থায়ী ডেটা স্টোর ব্যবহার করতে চাইবেন Amazon OpenSearch Serverless এর জন্য ভেক্টর ইঞ্জিন অথবা pgvector PostgreSQL এর জন্য এক্সটেনশন।

বিভিন্ন ভাষায় ওয়েব অ্যাপ্লিকেশন থেকে কয়েকটি প্রম্পট চেষ্টা করুন, যেমন নিম্নলিখিত:

• আমি কিভাবে আমার ব্যবহার নিরীক্ষণ করতে পারি?
• আমি কিভাবে মডেল কাস্টমাইজ করতে পারি?
• আমি কোন প্রোগ্রামিং ভাষা ব্যবহার করতে পারি?
• মন্তব্য mes données sont-elles sécurisées?
• 私のデータはどのように保護されていますか?
• আপনি কি বেডরক করতে চান?
• ওয়েল্চেন অঞ্চলে আমাজন বেডরক verfügbar আছে?
• 有哪些级别的支持?

উল্লেখ্য যে উৎস উপাদান ইংরেজিতে হলেও, অন্যান্য ভাষার প্রশ্নগুলি প্রাসঙ্গিক এন্ট্রির সাথে মিলে গেছে।

উপসংহার

ফাউন্ডেশন মডেলের টেক্সট জেনারেশন ক্ষমতা খুবই উত্তেজনাপূর্ণ, কিন্তু এটা মনে রাখা গুরুত্বপূর্ণ যে টেক্সট বোঝা, জ্ঞানের বডি থেকে প্রাসঙ্গিক বিষয়বস্তু খুঁজে বের করা এবং প্যাসেজের মধ্যে সংযোগ তৈরি করা জেনারেটিভ এআই-এর সম্পূর্ণ মূল্য অর্জনের জন্য অত্যন্ত গুরুত্বপূর্ণ। এই মডেলগুলির উন্নতি অব্যাহত থাকায় আমরা পরবর্তী বছরগুলিতে এমবেডিংয়ের জন্য নতুন এবং আকর্ষণীয় ব্যবহারের ক্ষেত্রে দেখতে পাব।

পরবর্তী পদক্ষেপ

আপনি নিম্নলিখিত কর্মশালায় নোটবুক বা ডেমো অ্যাপ্লিকেশন হিসাবে এমবেডিংয়ের অতিরিক্ত উদাহরণ পেতে পারেন:

লেখক সম্পর্কে

জেসন স্টেহল নিউ ইংল্যান্ড এলাকায় অবস্থিত AWS-এর একজন সিনিয়র সলিউশন আর্কিটেক্ট। তিনি গ্রাহকদের সাথে কাজ করে AWS ক্ষমতাগুলিকে তাদের সর্বশ্রেষ্ঠ ব্যবসায়িক চ্যালেঞ্জের সাথে সারিবদ্ধ করতে। কাজের বাইরে, তিনি তার সময় ব্যয় করেন জিনিস তৈরি করতে এবং তার পরিবারের সাথে কমিক বইয়ের সিনেমা দেখতে।

নিতিন ইউসেবিয়াস AWS-এর একজন সিনিয়র এন্টারপ্রাইজ সলিউশন আর্কিটেক্ট, সফটওয়্যার ইঞ্জিনিয়ারিং, এন্টারপ্রাইজ আর্কিটেকচার এবং AI/ML-এ অভিজ্ঞ। তিনি জেনারেটিভ AI এর সম্ভাবনাগুলি অন্বেষণ করার বিষয়ে গভীরভাবে উত্সাহী৷ তিনি গ্রাহকদের AWS প্ল্যাটফর্মে সু-আর্কিটেক্টেড অ্যাপ্লিকেশন তৈরি করতে সাহায্য করার জন্য তাদের সাথে সহযোগিতা করেন এবং প্রযুক্তির চ্যালেঞ্জগুলি সমাধান করতে এবং তাদের ক্লাউড যাত্রায় সহায়তা করার জন্য নিবেদিত৷

রাজ পাঠক কানাডা এবং মার্কিন যুক্তরাষ্ট্র জুড়ে বড় ফরচুন 50 কোম্পানি এবং মাঝারি আকারের আর্থিক পরিষেবা প্রতিষ্ঠানের (এফএসআই) একজন প্রধান সমাধান স্থপতি এবং প্রযুক্তিগত উপদেষ্টা। তিনি জেনারেটিভ এআই, ন্যাচারাল ল্যাঙ্গুয়েজ প্রসেসিং, ইন্টেলিজেন্ট ডকুমেন্ট প্রসেসিং এবং এমএলওপির মতো মেশিন লার্নিং অ্যাপ্লিকেশনে বিশেষজ্ঞ।

মণি খানুজা একজন টেক লিড – জেনারেটিভ এআই স্পেশালিস্ট, বইটির লেখক – অ্যাপ্লাইড মেশিন লার্নিং অ্যান্ড হাই পারফরম্যান্স কম্পিউটিং অন AWS, এবং ম্যানুফ্যাকচারিং এডুকেশন ফাউন্ডেশন বোর্ডে মহিলাদের জন্য পরিচালনা পর্ষদের সদস্য। তিনি কম্পিউটার ভিশন, ন্যাচারাল ল্যাঙ্গুয়েজ প্রসেসিং এবং জেনারেটিভ এআই-এর মতো বিভিন্ন ডোমেনে মেশিন লার্নিং (এমএল) প্রকল্পের নেতৃত্ব দেন। তিনি গ্রাহকদের স্কেলে বড় মেশিন লার্নিং মডেল তৈরি, প্রশিক্ষণ এবং স্থাপনে সহায়তা করেন। তিনি অভ্যন্তরীণ এবং বাহ্যিক সম্মেলনে বক্তৃতা করেন যেমন: উদ্ভাবন, উইমেন ইন ম্যানুফ্যাকচারিং ওয়েস্ট, ইউটিউব ওয়েবিনার এবং জিএইচসি 23। তার অবসর সময়ে, তিনি সমুদ্র সৈকতে দীর্ঘ দৌড়াতে পছন্দ করেন।

মার্ক রায় AWS-এর জন্য একজন প্রধান মেশিন লার্নিং আর্কিটেক্ট, গ্রাহকদের AI/ML সমাধান ডিজাইন ও তৈরি করতে সাহায্য করে। মার্কের কাজ এমএল ব্যবহারের ক্ষেত্রের বিস্তৃত পরিসরকে কভার করে, কম্পিউটার দৃষ্টি, গভীর শিক্ষা, এবং এন্টারপ্রাইজ জুড়ে এমএল স্কেল করার প্রাথমিক আগ্রহ সহ। 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।

• এসইও চালিত বিষয়বস্তু এবং পিআর বিতরণ। আজই পরিবর্ধিত পান।
• PlatoData.Network উল্লম্ব জেনারেটিভ Ai. নিজেকে ক্ষমতায়িত করুন। এখানে প্রবেশ করুন.
• প্লেটোএআইস্ট্রিম। Web3 ইন্টেলিজেন্স। জ্ঞান প্রসারিত. এখানে প্রবেশ করুন.
• প্লেটোইএসজি। কার্বন, ক্লিনটেক, শক্তি, পরিবেশ সৌর, বর্জ্য ব্যবস্থাপনা. এখানে প্রবেশ করুন.
• প্লেটো হেলথ। বায়োটেক এবং ক্লিনিক্যাল ট্রায়াল ইন্টেলিজেন্স। এখানে প্রবেশ করুন.
• উত্স: https://aws.amazon.com/blogs/machine-learning/getting-started-with-amazon-titan-text-embeddings/