অ্যামাজনে অ্যাম্প কীভাবে গ্রাহকদের ব্যস্ততা বাড়াতে ডেটা ব্যবহার করে, পার্ট 2: অ্যামাজন সেজমেকার ব্যবহার করে একটি ব্যক্তিগতকৃত শো সুপারিশ প্ল্যাটফর্ম তৈরি করা

এমপ অ্যামাজন থেকে একটি নতুন লাইভ রেডিও অ্যাপ। Amp-এর সাহায্যে, আপনি আপনার নিজস্ব রেডিও শো হোস্ট করতে পারেন এবং Amazon Music ক্যাটালগ থেকে গান চালাতে পারেন, অথবা অন্য Amp ব্যবহারকারীরা হোস্ট করা শো শুনতে এবং শুনতে পারেন। এমন পরিবেশে যেখানে বিষয়বস্তু প্রচুর এবং বৈচিত্র্যময়, প্রতিটি ব্যবহারকারীর স্বতন্ত্র স্বাদ অনুযায়ী ব্যবহারকারীর অভিজ্ঞতা তৈরি করা গুরুত্বপূর্ণ, যাতে তারা সহজেই তাদের পছন্দের শো খুঁজে পেতে পারে এবং তারা যে নতুন সামগ্রী উপভোগ করবে তা আবিষ্কার করতে পারে৷

অ্যাপের হোম পেজে লাইভ এবং আসন্ন অ্যাম্প শোগুলির জন্য ব্যক্তিগতকৃত সুপারিশ প্রদান করতে Amp মেশিন লার্নিং (ML) ব্যবহার করে। সুপারিশগুলি একটি র‍্যান্ডম ফরেস্ট মডেল ব্যবহার করে গণনা করা হয় একটি শো-এর জনপ্রিয়তা (যেমন শুনুন এবং পছন্দের সংখ্যা), একজন নির্মাতার জনপ্রিয়তা (যেমন সাম্প্রতিক শো চালানোর মোট সংখ্যা), এবং একজন ব্যবহারকারীর ব্যক্তিগত সখ্যতা উপস্থাপন করে। একটি অনুষ্ঠানের বিষয় এবং নির্মাতার কাছে। অ্যাফিনিটিগুলি হয় ব্যবহারকারীর আচরণগত ডেটা থেকে বা স্পষ্টভাবে আগ্রহের বিষয় (যেমন পপ মিউজিক, বেসবল বা রাজনীতি) থেকে তাদের ব্যবহারকারীর প্রোফাইলে দেওয়া হিসাবে গণনা করা হয়।

এটি Amp-এর জন্য ডেটা অ্যানালিটিক্স এবং ML ব্যবহার করা এবং একটি ব্যক্তিগতকৃত শো সুপারিশ তালিকা প্ল্যাটফর্ম তৈরি করার একটি সিরিজের পার্ট 2। প্ল্যাটফর্মটি 3 সালের মে মাসে চালু হওয়ার পর থেকে ট্র্যাক করা গ্রাহকদের ব্যস্ততার মেট্রিক্সে (একটি শো পছন্দ করা, একজন নির্মাতাকে অনুসরণ করা, আসন্ন শো বিজ্ঞপ্তিগুলি সক্ষম করা) 2022% বৃদ্ধি দেখিয়েছে।

নির্দেশ করে পার্ট 1 তথ্য এবং বিশ্লেষণ সিস্টেম ব্যবহার করে আচরণগত ডেটা কীভাবে সংগ্রহ এবং প্রক্রিয়া করা হয়েছিল তা শিখতে।

সমাধান ওভারভিউ

Amp-এর জন্য ML-ভিত্তিক শো সুপারিশকারীর পাঁচটি প্রধান উপাদান রয়েছে, যা নিম্নলিখিত আর্কিটেকচার ডায়াগ্রামে চিত্রিত করা হয়েছে:

1. Amp মোবাইল অ্যাপ।
2. ব্যাক-এন্ড পরিষেবাগুলি যা আচরণগত ডেটা সংগ্রহ করে, যেমন পছন্দ এবং অনুসরণ করে, সেইসাথে শো-সম্পর্কিত তথ্য সম্প্রচার করে যেমন স্থিতি আপডেটগুলি যখন শোগুলি লাইভ হয়।
3. আচরণগত এবং শো ডেটার রিয়েল-টাইম ইনজেশন এবং রিয়েল-টাইম (অনলাইন) বৈশিষ্ট্য কম্পিউটিং এবং স্টোরেজ।
4. ব্যাচ (অফলাইন) বৈশিষ্ট্য কম্পিউটিং এবং স্টোরেজ।
5. একটি সুপারিশকারী সিস্টেম যা শোগুলির একটি তালিকা পাওয়ার জন্য অ্যাপ ব্যাকএন্ড থেকে আগত অনুরোধগুলি পরিচালনা করে। এটি ব্যক্তিগতকৃত এবং অ-ব্যক্তিগত বৈশিষ্ট্যের উপর ভিত্তি করে শো র‌্যাঙ্কের জন্য রিয়েল-টাইম ইনফারেন্স অন্তর্ভুক্ত করে।

এই পোস্টটি নিম্নলিখিতগুলি বিস্তারিত করার প্রয়াসে অংশ 3, 4 এবং 5 এর উপর ফোকাস করে:

নিম্নলিখিত চিত্রটি উচ্চ-স্তরের স্থাপত্য এবং এর উপাদানগুলি দেখায়।

নিম্নলিখিত বিভাগগুলিতে, আমরা রিয়েল-টাইম ফিচার কম্পিউটিং, ব্যাচ ফিচার কম্পিউটিং, রিয়েল-টাইম ইনফারেন্স, অপারেশনাল হেলথ এবং আমরা যে ফলাফলগুলি দেখেছি সেগুলি সম্পর্কে আরও বিশদ প্রদান করি।

রিয়েল-টাইম ফিচার কম্পিউটিং

কিছু বৈশিষ্ট্য, যেমন একটি শোয়ের জন্য লাইক এবং লিসেন কাউন্ট, ক্রমাগতভাবে স্ট্রিম করতে হবে এবং যেমন আছে তেমন ব্যবহার করতে হবে, যেখানে অন্যগুলি, যেমন 5 মিনিটের বেশি সময় ধরে শোনার সেশনের সংখ্যাকেও রিয়েল টাইমে কাঁচা ডেটা হিসাবে রূপান্তরিত করতে হবে। সেশনের জন্য স্ট্রিম করা হয়। এই ধরনের বৈশিষ্ট্য যেখানে অনুমান সময়ে মান গণনা করা প্রয়োজন হিসাবে উল্লেখ করা হয় পয়েন্ট-ইন-টাইম (PIT) বৈশিষ্ট্য। পিআইটি বৈশিষ্ট্যগুলির জন্য ডেটা দ্রুত আপডেট করা দরকার এবং সর্বশেষ সংস্করণটি কম লেটেন্সি সহ লেখা এবং পড়া উচিত (20 শোগুলির জন্য প্রতি ব্যবহারকারী 1,000 মিলিসেকেন্ডের কম)। ডেটাটি একটি টেকসই স্টোরেজের মধ্যে থাকা প্রয়োজন কারণ অনুপস্থিত বা আংশিক ডেটা খারাপ সুপারিশ এবং দুর্বল গ্রাহক অভিজ্ঞতার কারণ হতে পারে। পঠন/লেখার লেটেন্সি ছাড়াও, PIT বৈশিষ্ট্যগুলিরও কম প্রতিফলন সময় প্রয়োজন। প্রতিফলন সময় হল অবদানকারী ইভেন্টগুলি নির্গত হওয়ার পরে একটি বৈশিষ্ট্য পড়ার জন্য উপলব্ধ হতে সময় লাগে, উদাহরণস্বরূপ, একটি শ্রোতা একটি শো পছন্দ করে এবং PIT LikeCount বৈশিষ্ট্য আপডেট হওয়ার মধ্যে সময়।

ডেটার উত্সগুলি হল ব্যাকএন্ড পরিষেবাগুলি যা সরাসরি অ্যাপটিকে পরিবেশন করে৷ কিছু ডেটা মেট্রিক্সে রূপান্তরিত হয় যা পরে সম্প্রচারিত হয় অ্যামাজন সাধারণ বিজ্ঞপ্তি পরিষেবা (Amazon SNS) ডাউনস্ট্রিম শ্রোতাদের জন্য যেমন ML বৈশিষ্ট্য রূপান্তর পাইপলাইন। একটি ইন-মেমরি ডাটাবেস যেমন MemoryDB উচ্চ ভলিউমে টেকসই স্টোরেজ এবং অতি-দ্রুত কর্মক্ষমতার জন্য একটি আদর্শ পরিষেবা। কম্পিউট কম্পোনেন্ট যেটি মেমরিডিবিতে বৈশিষ্ট্যগুলিকে রূপান্তরিত করে এবং লেখে তা হল Lambda। অ্যাপ ট্রাফিক সময় এবং দিনের উপর নির্ভর করে শিখর এবং ডিপ এর দৈনিক এবং সাপ্তাহিক প্যাটার্ন অনুসরণ করে। Lambda ইভেন্টের ইনকামিং ভলিউম স্বয়ংক্রিয় স্কেলিং জন্য অনুমতি দেয়. প্রতিটি স্বতন্ত্র মেট্রিক রূপান্তরের স্বতন্ত্র প্রকৃতিও ল্যাম্বডাকে করে তোলে, যা নিজস্বভাবে একটি রাষ্ট্রহীন পরিষেবা, এই সমস্যার জন্য উপযুক্ত। বসানো অ্যামাজন সরল সারি পরিষেবা Amazon SNS এবং Lambda-এর মধ্যে (Amazon SQS) শুধুমাত্র বার্তার ক্ষতি রোধ করে না বরং ট্র্যাফিকের অপ্রত্যাশিত বিস্ফোরণের জন্য একটি বাফার হিসাবে কাজ করে যা পূর্ব-কনফিগার করা Lambda কনকারেন্সি সীমাগুলি পরিবেশন করার জন্য যথেষ্ট নাও হতে পারে।

ব্যাচ বৈশিষ্ট্য কম্পিউটিং

ঐতিহাসিক আচরণগত ডেটা ব্যবহার করে ব্যবহারকারীর ক্রমবর্ধমান রুচির প্রতিনিধিত্ব করার জন্য বৈশিষ্ট্যগুলি গণনা করা আরও জটিল এবং বাস্তব সময়ে গণনা করা যায় না। এই বৈশিষ্ট্যগুলি একটি ব্যাচ প্রক্রিয়া দ্বারা গণনা করা হয় যা প্রতিবার চলে, উদাহরণস্বরূপ প্রতিদিন একবার। ব্যাচ বৈশিষ্ট্যগুলির জন্য ডেটা ফিল্টারিং এবং ডেটা একত্রিত করার জন্য দ্রুত ক্যোয়ারী সমর্থন করা উচিত, এবং এটি দীর্ঘ সময়ের জন্য বিস্তৃত হতে পারে, তাই আয়তনে বড় হবে৷ যেহেতু ব্যাচ বৈশিষ্ট্যগুলিও পুনরুদ্ধার করা হয় এবং রিয়েল-টাইম অনুমানের জন্য ইনপুট হিসাবে পাঠানো হয়, সেগুলি এখনও কম লেটেন্সি সহ পড়া উচিত।

ব্যাচ ফিচার কম্পিউটিং-এর জন্য কাঁচা ডেটা সংগ্রহ করার জন্য পিআইটি বৈশিষ্ট্যগুলির সাব-মিনিট রিফ্লেকশন টাইম প্রয়োজন নেই, যা ইভেন্টগুলিকে দীর্ঘতর বাফার করা এবং ব্যাচে মেট্রিক্সকে রূপান্তর করা সম্ভবপর করে তোলে। এই সমাধানটি কাইনেসিস ডেটা ফায়ারহোস ব্যবহার করেছে, একটি পরিচালিত পরিষেবা যা দ্রুত বিভিন্ন গন্তব্যে স্ট্রিমিং ডেটা গ্রহণ করতে, সহ আমাজন সিম্পল স্টোরেজ সার্ভিস (Amazon S3) অফলাইন কম্পিউটেশনে ব্যবহার করার জন্য S3 ডেটা লেকের স্থায়ী মেট্রিক্সের জন্য। Kinesis Data Firehose একটি ইভেন্ট বাফার এবং Lambda ইন্টিগ্রেশন প্রদান করে যাতে সহজেই সংগ্রহ করা যায়, ব্যাচ ট্রান্সফর্ম করা যায় এবং এই মেট্রিকগুলিকে Amazon S3 এ ব্যাচ ফিচার কম্পিউটিং দ্বারা ব্যবহার করা যায়। ব্যাচ ফিচার কম্পিউটেশনে পিআইটি ফিচারের মতো কম লেটেন্সি রিড/রাইটের প্রয়োজনীয়তা নেই, যা Amazon S3 কে আরও ভালো পছন্দ করে তোলে কারণ এটি এই বৃহৎ আয়তনের ব্যবসায়িক মেট্রিক্স সংরক্ষণের জন্য কম খরচে, টেকসই স্টোরেজ প্রদান করে।

আমাদের প্রাথমিক ML মডেলটি গত 21 মাসে ক্যাপচার করা ডেটা ব্যবহার করে প্রতিদিন গণনা করা 2টি ব্যাচ বৈশিষ্ট্য ব্যবহার করে। এই ডেটাতে ব্যবহারকারী প্রতি প্লেব্যাক এবং অ্যাপ এনগেজমেন্টের ইতিহাস উভয়ই অন্তর্ভুক্ত থাকে এবং ব্যবহারকারীর সংখ্যা এবং অ্যাপ ব্যবহারের ফ্রিকোয়েন্সির সাথে বৃদ্ধি পায়। এই স্কেলে ফিচার ইঞ্জিনিয়ারিংয়ের জন্য প্রয়োজনীয় ইনপুট ডেটা টানতে, সমান্তরালভাবে এটি প্রক্রিয়া করতে এবং অবিরাম স্টোরেজে ফলাফল রপ্তানি করার জন্য একটি স্বয়ংক্রিয় প্রক্রিয়া প্রয়োজন। প্রক্রিয়াকরণ পরিকাঠামো শুধুমাত্র গণনার সময়কালের জন্য প্রয়োজন। সেজমেকার প্রসেসিং প্রি-বিল্ট ডকার ইমেজ প্রদান করে যার মধ্যে Apache Spark এবং অন্যান্য নির্ভরতা রয়েছে যা বৃহৎ স্কেলে বিতরণ করা ডেটা প্রসেসিং কাজ চালানোর জন্য প্রয়োজনীয়। একটি প্রসেসিং কাজের জন্য অন্তর্নিহিত অবকাঠামো সম্পূর্ণরূপে সেজমেকার দ্বারা পরিচালিত হয়। ক্লাস্টার রিসোর্স আপনার কাজের সময়কালের জন্য প্রবিধান করা হয়, এবং একটি কাজ সম্পূর্ণ হলে পরিষ্কার করা হয়।

ব্যাচ প্রক্রিয়ার প্রতিটি ধাপ—ডেটা সংগ্রহ, বৈশিষ্ট্য প্রকৌশল, বৈশিষ্ট্য অধ্যবসায়—একটি কর্মপ্রবাহের অংশ যার মধ্যে ত্রুটি হ্যান্ডলিং, পুনঃপ্রয়াস এবং রাষ্ট্রীয় রূপান্তর প্রয়োজন। সঙ্গে এডাব্লুএস স্টেপ ফাংশন, আপনি একটি স্টেট মেশিন তৈরি করতে পারেন এবং আপনার ওয়ার্কফ্লোকে প্রিপ্রসেসিং এবং পোস্টপ্রসেসিং-এর বিভিন্ন ধাপে বিভক্ত করতে পারেন, সেইসাথে সেজমেকার ফিচার স্টোর বা অ্যামাজন S3-তে অন্যান্য ডেটাতে বৈশিষ্ট্যগুলি বজায় রাখার একটি ধাপ। স্টেপ ফাংশনে একটি স্টেট মেশিন এর মাধ্যমে ট্রিগার করা যেতে পারে অ্যামাজন ইভেন্টব্রিজ ব্যাচ কম্পিউটিং স্বয়ংক্রিয়ভাবে একটি সেট সময়সূচীতে চালানোর জন্য, যেমন প্রতিদিন একবার 10:00 PM UTC এ।

বৈশিষ্ট্যগুলি গণনা করার পরে, অনুমানের পাশাপাশি মডেল পুনঃপ্রশিক্ষণের সময় পড়ার জন্য তাদের সংস্করণ করা এবং সংরক্ষণ করা দরকার। আপনার নিজস্ব বৈশিষ্ট্য স্টোরেজ এবং পরিচালনা পরিষেবা তৈরি করার পরিবর্তে, আপনি সেজমেকার বৈশিষ্ট্য স্টোর ব্যবহার করতে পারেন। ফিচার স্টোর হল ML মডেলগুলির জন্য বৈশিষ্ট্যগুলি সঞ্চয়, ভাগ এবং পরিচালনা করার জন্য একটি সম্পূর্ণরূপে পরিচালিত, উদ্দেশ্য-নির্মিত সংগ্রহস্থল৷ এটি অফলাইন স্টোরে (Amazon S3) ML বৈশিষ্ট্যগুলির ইতিহাস সঞ্চয় করে এবং সাম্প্রতিক বৈশিষ্ট্যগুলির কম লেটেন্সি পড়ার অনুমতি দেওয়ার জন্য একটি অনলাইন স্টোরকে API প্রদান করে। অফলাইন স্টোরটি আরও মডেল প্রশিক্ষণ এবং পরীক্ষা-নিরীক্ষার জন্য ঐতিহাসিক ডেটা পরিবেশন করতে পারে এবং রিয়েল-টাইম ইনফারেন্সের জন্য বৈশিষ্ট্যগুলি পেতে আপনার গ্রাহক-মুখী APIগুলি অনলাইন স্টোরকে কল করতে পারে। আমরা আরও ব্যক্তিগতকৃত বিষয়বস্তু প্রদানের জন্য আমাদের পরিষেবাগুলিকে বিকশিত করার সাথে সাথে আমরা অতিরিক্ত ML মডেলের প্রশিক্ষণ এবং বৈশিষ্ট্য স্টোরের সাহায্যে এই মডেলগুলির মধ্যে বৈশিষ্ট্যগুলি অনুসন্ধান, আবিষ্কার এবং পুনঃব্যবহার করার প্রত্যাশা করি৷

রিয়েল-টাইম অনুমান

রিয়েল-টাইম ইনফারেন্সের জন্য সাধারণত শেষ পয়েন্টের পিছনে ML মডেল হোস্ট করা প্রয়োজন। আপনি ওয়েব সার্ভার বা কন্টেইনার ব্যবহার করে এটি করতে পারেন, তবে এটি পরিচালনা এবং বজায় রাখার জন্য এমএল ইঞ্জিনিয়ারিং প্রচেষ্টা এবং পরিকাঠামো প্রয়োজন। সেজমেকার রিয়েল-টাইম এন্ডপয়েন্টে এমএল মডেল স্থাপন করা সহজ করে তোলে। SageMaker আপনাকে প্রশিক্ষণ দিতে এবং ML মডেল আপলোড করতে দেয় এবং সেজমেকার এন্ডপয়েন্ট তৈরি এবং কনফিগার করে সেগুলি হোস্ট করতে দেয়। রিয়েল-টাইম ইনফারেন্স র‍্যাঙ্কিং শোগুলির জন্য কম লেটেন্সি প্রয়োজনীয়তাগুলিকে সন্তুষ্ট করে কারণ সেগুলি Amp হোম পেজে ব্রাউজ করা হয়।

পরিচালিত হোস্টিং ছাড়াও, SageMaker পরিচালিত এন্ডপয়েন্ট স্কেলিং প্রদান করে। SageMaker অনুমান আপনাকে ন্যূনতম এবং সর্বাধিক উদাহরণ গণনা এবং স্কেলিং ট্রিগার করার জন্য একটি লক্ষ্য ব্যবহার সহ একটি স্বয়ংক্রিয় স্কেলিং নীতি সংজ্ঞায়িত করতে দেয়। এইভাবে, চাহিদা পরিবর্তনের সাথে সাথে আপনি সহজেই স্কেল করতে বা বের করতে পারেন।

কর্মক্ষম স্বাস্থ্য

এই সিস্টেমটি রিয়েল-টাইম ফিচার কম্পিউটিং এর জন্য যে ইভেন্টগুলি পরিচালনা করে সেই অনুযায়ী অ্যাপ ব্যবহারের স্বাভাবিক প্যাটার্নের সাথে পরিবর্তিত হয় (সপ্তাহের দিনের সময় বা দিনের উপর ভিত্তি করে উচ্চ বা কম ট্র্যাফিক)। একইভাবে, সমসাময়িক অ্যাপ ব্যবহারকারীর সংখ্যার সাথে রিয়েল-টাইম ইনফারেন্স স্কেলের জন্য এটি প্রাপ্ত অনুরোধের সংখ্যা। জনপ্রিয় নির্মাতাদের সোশ্যাল মিডিয়াতে স্ব-প্রচারের কারণে এই পরিষেবাগুলিও ট্র্যাফিকের অপ্রত্যাশিত শিখর পায়৷ যদিও এটি নিশ্চিত করা গুরুত্বপূর্ণ যে সিস্টেমটি আগত ট্র্যাফিক সফলভাবে এবং মিতব্যয়ীভাবে পরিবেশন করতে স্কেল আপ এবং ডাউন করতে পারে, গ্রাহকদের ডেটা এবং পরিষেবার ক্ষতি রোধ করার জন্য অপারেশনাল মেট্রিক্স এবং কোনও অপ্রত্যাশিত অপারেশনাল সমস্যার জন্য সতর্ক করাও গুরুত্বপূর্ণ। এই পরিষেবাগুলির স্বাস্থ্যের উপর নজরদারি ব্যবহার করা সহজ অ্যামাজন ক্লাউডওয়াচ. ক্লাউডওয়াচ ব্যবহার করে অত্যাবশ্যক পরিষেবা স্বাস্থ্য মেট্রিক্স যেমন ত্রুটি এবং অপারেশনের বিলম্বের পাশাপাশি মেমরি, ডিস্ক এবং সিপিইউ ব্যবহারের মতো ব্যবহারের মেট্রিকগুলি পাওয়া যায়। আমাদের ডেভেলপমেন্ট টিম মেট্রিক্স ড্যাশবোর্ড এবং স্বয়ংক্রিয় মনিটরিং ব্যবহার করে যাতে আমরা আমাদের ক্লায়েন্টদের উচ্চ প্রাপ্যতা (99.8%) এবং কম লেটেন্সি (ব্যবহারকারী প্রতি প্রস্তাবিত শো পেতে 200 মিলিসেকেন্ডের শেষ থেকে শেষ পর্যন্ত) পরিষেবা দিতে পারি।

ফলাফল পরিমাপ

এই পোস্টে বর্ণিত ML-ভিত্তিক শো সুপারিশকারীর আগে, একটি সহজ হিউরিস্টিক অ্যালগরিদম র‍্যাঙ্ক করা Amp শোগুলিকে ব্যবহারকারীর ব্যক্তিগত আগ্রহের বিষয়গুলির উপর ভিত্তি করে দেখায় যা তাদের প্রোফাইলে স্ব-প্রতিবেদিত হয়। আমরা একটি A/B পরীক্ষা সেট আপ করেছি ML-ভিত্তিক সুপারিশকারীদের তাদের অতীতের অ্যাপ ইন্টারঅ্যাকশন থেকে ব্যবহারকারীর ডেটার সাথে স্যুইচ করার প্রভাব পরিমাপ করতে। আমরা সাফল্যের সূচক হিসাবে মেট্রিক্সের উন্নতিগুলি চিহ্নিত করেছি যেমন শোনার সময়কাল এবং ব্যস্ততার ক্রিয়াগুলির সংখ্যা (একটি শো পছন্দ করা, কোনও শো নির্মাতাকে অনুসরণ করা, বিজ্ঞপ্তি চালু করা)। ML-ভিত্তিক সুপারিশকারীর মাধ্যমে 50% ব্যবহারকারীদের জন্য শো সুপারিশ প্রাপ্তদের সাথে A/B পরীক্ষায় গ্রাহকের ব্যস্ততার মেট্রিক্সে 3% বৃদ্ধি এবং প্লেব্যাকের সময়কালের 0.5% উন্নতি দেখানো হয়েছে।

উপসংহার

উদ্দেশ্য-নির্মিত পরিষেবাগুলির সাথে, Amp টিম 3 মাসের কম সময়ের মধ্যে এই পোস্টে বর্ণিত ব্যক্তিগতকৃত শো সুপারিশ API প্রকাশ করতে সক্ষম হয়েছিল। সিস্টেমটি সুপরিচিত শো হোস্ট বা বিপণন প্রচারাভিযান দ্বারা তৈরি অপ্রত্যাশিত লোডগুলির জন্যও ভাল স্কেল করে যা ব্যবহারকারীদের একটি আগমন তৈরি করতে পারে। সমাধান প্রক্রিয়াকরণ, প্রশিক্ষণ এবং হোস্টিংয়ের জন্য পরিচালিত পরিষেবাগুলি ব্যবহার করে, যা সিস্টেমের প্রতিদিনের রক্ষণাবেক্ষণে ব্যয় করা সময় কমাতে সহায়তা করে। আমরা ক্লাউডওয়াচের মাধ্যমে এই সমস্ত পরিচালিত পরিষেবাগুলিকে নিরীক্ষণ করতে সক্ষম হয়েছি যাতে উত্পাদনে সিস্টেমগুলির অব্যাহত স্বাস্থ্য নিশ্চিত করা যায়৷

A/B একটি নিয়ম-ভিত্তিক পদ্ধতির বিপরীতে Amp-এর ML-ভিত্তিক সুপারিশকারীর প্রথম সংস্করণ পরীক্ষা করে (যা শুধুমাত্র গ্রাহকের আগ্রহের বিষয়গুলি অনুসারে দেখায়) দেখিয়েছে যে ML-ভিত্তিক সুপারিশকারী গ্রাহকদের আরও বৈচিত্র্যময় বিষয় থেকে উচ্চ মানের সামগ্রীর কাছে তুলে ধরেন , যার ফলে অধিক সংখ্যক অনুসরণকারী এবং সক্রিয় বিজ্ঞপ্তি পাওয়া যায়। Amp টিম অত্যন্ত প্রাসঙ্গিক সুপারিশ প্রদানের জন্য মডেলগুলিকে উন্নত করার জন্য ক্রমাগত কাজ করছে।

ফিচার স্টোর সম্পর্কে আরও তথ্যের জন্য, দেখুন আমাজন সেজমেকার ফিচার স্টোর এবং অন্যান্য গ্রাহকের ব্যবহারের ক্ষেত্রে পরীক্ষা করে দেখুন এডাব্লুএস মেশিন লার্নিং ব্লগ.

---

লেখক সম্পর্কে

টিউলিপ গুপ্তা অ্যামাজন ওয়েব সার্ভিসের একজন সলিউশন আর্কিটেক্ট। তিনি AWS-এ প্রযুক্তি সমাধান ডিজাইন, নির্মাণ এবং স্থাপন করতে Amazon-এর সাথে কাজ করেন। তিনি AWS-এ সমাধান স্থাপন করার সময় গ্রাহকদের সর্বোত্তম অনুশীলন গ্রহণে সহায়তা করেন এবং তিনি একজন বিশ্লেষণ এবং ML উত্সাহী। তার অবসর সময়ে, সে সাঁতার কাটা, হাইকিং এবং বোর্ড গেম খেলা উপভোগ করে।

ডেভিড কুও অ্যামাজন ওয়েব সার্ভিসের একজন সলিউশন আর্কিটেক্ট। তিনি AWS গ্রাহকদের সাথে AWS-এ প্রযুক্তি সমাধান ডিজাইন, নির্মাণ এবং স্থাপন করতে কাজ করেন। তিনি মিডিয়া এবং এন্টারটেইনমেন্ট গ্রাহকদের সাথে কাজ করেন এবং মেশিন লার্নিং প্রযুক্তিতে তার আগ্রহ রয়েছে। তার অবসর সময়ে, সে ভাবছে তার অবসর সময়ে তার কি করা উচিত।

মানোল্যা ম্যাককরমিক অ্যামাজনে অ্যাম্পের জন্য একজন সিনিয়র সফ্টওয়্যার ডেভেলপমেন্ট ইঞ্জিনিয়ার৷ তিনি গ্রাহকদের মুখোমুখি অ্যাপ্লিকেশনগুলি পরিবেশন করার জন্য AWS ব্যবহার করে বিতরণ করা সিস্টেম ডিজাইন এবং তৈরি করেন। তিনি তার অবসর সময়ে নতুন রেসিপি পড়তে এবং রান্না করতে পছন্দ করেন।

জেফ ক্রিস্টোফারসেন আমাজনে Amp-এর জন্য একজন সিনিয়র ডেটা ইঞ্জিনিয়ার। তিনি AWS-এ বিগ ডেটা সলিউশন ডিজাইন, তৈরি এবং স্থাপন করতে কাজ করেন যা অ্যাকশনেবল ইনসাইট চালায়। তিনি স্কেলযোগ্য এবং স্বয়ংক্রিয় সমাধান গ্রহণে অভ্যন্তরীণ দলগুলিকে সহায়তা করেন এবং একজন বিশ্লেষণ এবং বিগ ডেটা উত্সাহী। তার অবসর সময়ে, যখন সে একজোড়া স্কিতে থাকে না তখন আপনি তাকে তার মাউন্টেন বাইকে খুঁজে পেতে পারেন।