এটি কুস্টোমারের সিনিয়র সফ্টওয়্যার এবং মেশিন লার্নিং ইঞ্জিনিয়ার, ইয়ান ল্যান্টজি এবং এডব্লিউএস টিম উমেশ কালাসপুরকার, প্রসাদ শেঠি এবং জোনাথন গ্রিফেনবার্গারের একটি অতিথি পোস্ট।
কুস্টোমারের নিজের কথায়, “Kustomer হল সর্বোত্তম চ্যানেল SaaS CRM প্ল্যাটফর্ম যা স্ট্যান্ডআউট অভিজ্ঞতা প্রদানের জন্য এন্টারপ্রাইজ গ্রাহক পরিষেবার পুনর্বিবেচনা করে। বুদ্ধিমান অটোমেশন দিয়ে তৈরি, আমরা একাধিক উত্স থেকে ডেটা একত্রিত করে এবং একটি একক টাইমলাইন ভিউয়ের মাধ্যমে অনায়াসে, সামঞ্জস্যপূর্ণ এবং ব্যক্তিগতকৃত পরিষেবা এবং সহায়তা প্রদানের জন্য কোম্পানিগুলিকে সক্ষম করে যে কোনও যোগাযোগ কেন্দ্র এবং ব্যবসার চাহিদা মেটাতে স্কেল করি।"
Kustomer তাদের ব্যবসায়িক গ্রাহকদের জন্য বৃহৎ পরিমাণের সহায়তা যোগাযোগের দ্রুত বিশ্লেষণ করার ক্ষমতা চেয়েছিলেন - গ্রাহকের অভিজ্ঞতা এবং পরিষেবা সংস্থাগুলি - এবং শেষ-গ্রাহকের অভিপ্রায়, গ্রাহক পরিষেবা সমস্যা এবং ভোক্তার সাথে সম্পর্কিত অন্যান্য প্রাসঙ্গিক অন্তর্দৃষ্টির মতো তথ্যের স্বয়ংক্রিয় আবিষ্কার। এই বৈশিষ্ট্যগুলি বোঝা CX সংস্থাগুলিকে স্বয়ংক্রিয়ভাবে বিষয়বস্তুকে শ্রেণীবদ্ধ এবং শ্রেণীবদ্ধ করার মাধ্যমে হাজার হাজার ইন-বাউন্ড সমর্থন ইমেলগুলি পরিচালনা করতে সহায়তা করতে পারে। কাস্টমার লিভারেজ আমাজন সেজমেকার তাদের AI ভিত্তিক মাধ্যমে আগত সমর্থন যোগাযোগের বিশ্লেষণ পরিচালনা করতে গ্রাহক আইকিউ প্ল্যাটফর্ম Kustomer IQ-এর কথোপকথন শ্রেণিবিন্যাস পরিষেবা কথোপকথনগুলিকে প্রাসঙ্গিককরণ করতে এবং অন্যথায় ক্লান্তিকর এবং পুনরাবৃত্তিমূলক কাজগুলিকে স্বয়ংক্রিয় করতে সক্ষম, এজেন্টের বিভ্রান্তি এবং যোগাযোগ প্রতি সামগ্রিক খরচ হ্রাস করে৷ এটি এবং কুস্টোমারের অন্যান্য আইকিউ পরিষেবাগুলি এর ব্যবসায়িক গ্রাহকদের জন্য উত্পাদনশীলতা এবং অটোমেশন বাড়িয়েছে।
এই পোস্টে, আমরা কীভাবে সেজমেকার প্রশিক্ষণ এবং অনুমানের জন্য কাস্টম ডকার চিত্রগুলি ব্যবহার করে সে সম্পর্কে কথা বলি, যা একীকরণ সহজ করে এবং প্রক্রিয়াটিকে প্রবাহিত করে। এই পদ্ধতির সাথে, Kustomer-এর ব্যবসার গ্রাহকরা প্রতি মাসে 50k সমর্থন ইমেলগুলিকে 70% পর্যন্ত নির্ভুলতার সাথে স্বয়ংক্রিয়ভাবে শ্রেণীবদ্ধ করছে।
পটভূমি এবং চ্যালেঞ্জ
Kustomer তাদের কথোপকথন ক্লাসিফিকেশন পরিষেবার জন্য একটি কাস্টম পাঠ্য শ্রেণীবিভাগ পাইপলাইন ব্যবহার করে। এটি তাদের সেজমেকারের প্রশিক্ষণ এবং অনুমান অর্কেস্ট্রেশন ব্যবহার করে স্বয়ংক্রিয় শ্রেণীবিভাগ এবং শ্রেণীকরণের মাধ্যমে প্রতিদিন হাজার হাজার অনুরোধ পরিচালনা করতে সহায়তা করে। কথোপকথন শ্রেণীবিভাগ প্রশিক্ষণ ইঞ্জিন ঐতিহাসিক কথোপকথন ব্যবহার করে ডেটা প্রক্রিয়াকরণ এবং মডেলগুলিকে প্রশিক্ষণের জন্য কাস্টম ডকার চিত্রগুলি ব্যবহার করে এবং তারপর কথোপকথনগুলিকে শ্রেণিবদ্ধ করার জন্য একটি নির্দিষ্ট এজেন্টের প্রয়োজনীয় বিষয়, বিভাগ বা অন্যান্য কাস্টম লেবেলগুলির পূর্বাভাস দেয়৷ তারপর ভবিষ্যদ্বাণী ইঞ্জিন কথোপকথন শ্রেণীবদ্ধ করতে অন্য কাস্টম ডকার ইমেজ সহ প্রশিক্ষিত মডেলগুলিকে ব্যবহার করে, যা সংস্থাগুলি তার বিষয়ের উপর ভিত্তি করে একটি নির্দিষ্ট দলের কাছে রিপোর্টিং বা রুট কথোপকথনগুলি স্বয়ংক্রিয় করতে ব্যবহার করে।
সেজমেকার শ্রেণীকরণ প্রক্রিয়া একটি প্রশিক্ষণ এবং অনুমান পাইপলাইন স্থাপনের মাধ্যমে শুরু হয় যা পাঠ্য শ্রেণীবিভাগ এবং প্রাসঙ্গিক সুপারিশ প্রদান করতে পারে। একটি সাধারণ সেটআপ সার্ভারহীন পদ্ধতির মতো প্রয়োগ করা হবে এডাব্লুএস ল্যাম্বদা ডেটা প্রিপ্রসেসিং এবং পোস্টপ্রসেসিংয়ের জন্য কারণ এটিতে একটি কার্যকর অন-ডিমান্ড মূল্য মডেলের সাথে একটি ন্যূনতম বিধানের প্রয়োজনীয়তা রয়েছে। যাইহোক, TensorFlow, NumPy, এবং Pandas এর মত নির্ভরতার সাথে SageMaker ব্যবহার করে মডেল প্যাকেজের আকার দ্রুত বৃদ্ধি করতে পারে, যা সামগ্রিক স্থাপনার প্রক্রিয়াকে জটিল এবং পরিচালনা করা কঠিন করে তোলে। এই চ্যালেঞ্জগুলি কাটিয়ে উঠতে কাস্টোমার কাস্টম ডকার ইমেজ ব্যবহার করেছে।
কাস্টম ডকার ইমেজ যথেষ্ট সুবিধা প্রদান করে:
- বৃহত্তর সংকুচিত প্যাকেজ আকারের (10 গিগাবাইটের বেশি) জন্য অনুমতি দেয়, যাতে জনপ্রিয় মেশিন লার্নিং (এমএল) ফ্রেমওয়ার্ক যেমন টেনসরফ্লো, এমএক্সনেট, পাইটর্চ বা অন্যান্য থাকতে পারে।
- আপনাকে স্থানীয়ভাবে বিকশিত কাস্টম কোড বা অ্যালগরিদম আনতে দেয় অ্যামাজন সেজমেকার স্টুডিও দ্রুত পুনরাবৃত্তি এবং মডেল প্রশিক্ষণের জন্য নোটবুক।
- ডিপ্লয়মেন্ট প্যাকেজ আনপ্যাক করার সময় ল্যাম্বডায় প্রি-প্রসেসিং বিলম্ব এড়িয়ে যায়।
- অভ্যন্তরীণ সিস্টেমের সাথে নির্বিঘ্নে সংহত করার নমনীয়তা অফার করে।
- ভবিষ্যতের সামঞ্জস্যতা এবং মাপযোগ্যতা ল্যাম্বডা ফাংশনে .zip ফাইল প্যাকেজ করার পরিবর্তে ডকার ব্যবহার করে একটি পরিষেবাকে রূপান্তর করা সহজ করে তোলে।
- একটি CI/CD স্থাপনার পাইপলাইনের জন্য টার্নআরাউন্ড সময় হ্রাস করে।
- দলের মধ্যে ডকার পরিচিতি এবং ব্যবহারের সহজতা প্রদান করে।
- API এবং একটি ব্যাকএন্ড রানটাইমের মাধ্যমে ডেটা স্টোরগুলিতে অ্যাক্সেস সরবরাহ করে।
- যেকোন প্রিপ্রসেসিং বা পোস্টপ্রসেসিং এর জন্য হস্তক্ষেপের জন্য আরও ভাল সমর্থন অফার করে যাতে ল্যাম্বডা প্রতিটি প্রক্রিয়ার জন্য একটি পৃথক গণনা পরিষেবার প্রয়োজন হয় (যেমন প্রশিক্ষণ বা স্থাপনা)।
সমাধান ওভারভিউ
সহায়তা ইমেলগুলির শ্রেণীকরণ এবং লেবেলিং গ্রাহক সহায়তা প্রক্রিয়ার একটি গুরুত্বপূর্ণ পদক্ষেপ। এটি কোম্পানিগুলিকে সঠিক দলে কথোপকথন রুট করতে এবং তাদের গ্রাহকরা তাদের সাথে কী বিষয়ে যোগাযোগ করছে তা উচ্চ স্তরে বুঝতে দেয়। Kustomer এর ব্যবসায়িক গ্রাহকরা প্রতিদিন হাজার হাজার কথোপকথন পরিচালনা করে, তাই স্কেলে শ্রেণীবদ্ধ করা একটি চ্যালেঞ্জ। এই প্রক্রিয়াটিকে স্বয়ংক্রিয় করা এজেন্টদের আরও কার্যকর হতে সাহায্য করে এবং আরও সমন্বিত সহায়তা প্রদান করে এবং তাদের গ্রাহকদের সঠিক লোকেদের সাথে দ্রুত সংযোগ করে সাহায্য করে।
নিম্নলিখিত চিত্রটি সমাধান আর্কিটেকচারকে চিত্রিত করে:
কথোপকথনের শ্রেণীবিভাগ প্রক্রিয়াটি শুরু হয় ব্যবসায়িক গ্রাহকের কাছ থেকে একটি প্রশিক্ষণ এবং অনুমান পাইপলাইন সেট আপ করার অনুমতি দিয়ে যা তাদের পাঠ্য শ্রেণীবিভাগ এবং প্রাসঙ্গিক সুপারিশের সাথে সাহায্য করতে পারে। প্রশিক্ষণ এবং অনুমান প্রক্রিয়া নিরীক্ষণের জন্য কাস্টোমার তাদের গ্রাহকদের কাছে একটি ব্যবহারকারীর ইন্টারফেস উন্মোচিত করে, যা টেনসরফ্লো মডেল এবং কাস্টম ডকার ইমেজ সহ সেজমেকার ব্যবহার করে প্রয়োগ করা হয়। একটি ক্লাসিফায়ার তৈরি এবং ব্যবহার করার প্রক্রিয়াটি পাঁচটি প্রধান ওয়ার্কফ্লোতে বিভক্ত, যা একটি কর্মী পরিষেবা দ্বারা সমন্বিত হয় আমাজন ইসিএস. পাইপলাইন ইভেন্টগুলির সমন্বয় সাধন করতে এবং মডেলটির প্রশিক্ষণ এবং স্থাপনার ট্রিগার করতে, কর্মী একটি ব্যবহার করে আমাজন SQS AWS-প্রদত্ত Node.js SDK ব্যবহার করে সারিবদ্ধ হয় এবং সরাসরি SageMaker-এর সাথে একত্রিত হয়। কর্মপ্রবাহগুলি হল:
- ডেটা রপ্তানি
- তথ্য প্রপ্রোকাসিং
- প্রশিক্ষণ
- বিস্তৃতি
- অনুমিতি
ডেটা রপ্তানি
ডেটা রপ্তানি প্রক্রিয়াটি চাহিদা অনুযায়ী চালিত হয় এবং বিশ্লেষণের জন্য ইমেল ডেটার ব্যবহার নিশ্চিত করতে Kustomer-এর ব্যবসায়িক গ্রাহকের কাছ থেকে একটি অনুমোদন প্রক্রিয়া দিয়ে শুরু হয়। শ্রেণীবিভাগ প্রক্রিয়ার সাথে প্রাসঙ্গিক ডেটা শেষ গ্রাহকের কাছ থেকে প্রাপ্ত প্রাথমিক ইমেলের মাধ্যমে ক্যাপচার করা হয়। উদাহরণস্বরূপ, একটি সমর্থন ইমেল সাধারণত সমস্যা সম্পর্কে বিশদ বিবরণ সহ সমস্যার সম্পূর্ণ সুসংগত চিন্তা ধারণ করে। রপ্তানি প্রক্রিয়ার অংশ হিসাবে, ইমেলগুলি ডেটা স্টোর (মঙ্গোডিবি এবং আমাজন ওপেন সার্চ) এবং সংরক্ষিত আমাজন সিম্পল স্টোরেজ সার্ভিস (Amazon S3)।
তথ্য প্রপ্রোকাসিং
ডেটা প্রিপ্রসেসিং স্টেজ গ্রাহকের ইমেল থেকে যেকোনো এইচটিএমএল ট্যাগ বাদ দিয়ে এবং কোনো ত্রুটিপূর্ণ এইচটিএমএল শনাক্ত করতে একাধিক পরিচ্ছন্নতা ও স্যানিটাইজেশন পদক্ষেপের মাধ্যমে প্রশিক্ষণ ও অনুমান কার্যপ্রবাহের জন্য ডেটাসেট পরিষ্কার করে। এই প্রক্রিয়ার ব্যবহার অন্তর্ভুক্ত আলিঙ্গন ফেস টোকেনাইজার এবং ট্রান্সফরমার. পরিষ্কার করার প্রক্রিয়া সম্পূর্ণ হলে, প্রশিক্ষণের জন্য প্রয়োজনীয় যেকোন অতিরিক্ত কাস্টম টোকেন আউটপুট ডেটাসেটে যোগ করা হয়।
প্রিপ্রসেসিং পর্যায়ে, একটি Lambda ফাংশন একটি কাস্টম ডকার ইমেজ আহ্বান করে। এই চিত্রটি একটি পাইথন 3.8 স্লিম বেস নিয়ে গঠিত AWS Lambda Python রানটাইম ইন্টারফেস ক্লায়েন্ট, এবং নির্ভরতা যেমন নম্র এবং পান্ডাস. কাস্টম ডকার ইমেজ সংরক্ষণ করা হয় অ্যামাজন ইলাস্টিক কনটেইনার রেজিস্ট্রি (Amazon ECR) এবং তারপর স্থাপনের জন্য CI/CD পাইপলাইনের মাধ্যমে খাওয়ানো হয়। স্থাপন করা Lambda ফাংশন প্রতি শ্রেণীবদ্ধকারী প্রতি তিনটি স্বতন্ত্র ডেটাসেট তৈরি করতে ডেটার নমুনা দেয়:
- প্রশিক্ষণ - প্রকৃত প্রশিক্ষণ প্রক্রিয়ার জন্য ব্যবহৃত হয়
- ভ্যালিডেশন - TensorFlow প্রশিক্ষণ প্রক্রিয়ার সময় বৈধকরণের জন্য ব্যবহৃত হয়
- পরীক্ষা - মেট্রিক্স মডেল তুলনার জন্য প্রশিক্ষণ প্রক্রিয়ার শেষের দিকে ব্যবহার করা হয়
উৎপন্ন আউটপুট ডেটাসেটগুলি হল পান্ডাস পিকল ফাইল, যেগুলি প্রশিক্ষণের পর্যায়ে ব্যবহার করার জন্য Amazon S3-এ সংরক্ষণ করা হয়।
প্রশিক্ষণ
কাস্টোমারের কাস্টম প্রশিক্ষণ চিত্রটি একটি টেনসরফ্লো 2.7 জিপিইউ-অপ্টিমাইজড ডকার ব্যবহার করে ভাবমূর্তি একটি ভিত্তি হিসাবে কাস্টম কোড, নির্ভরতা এবং বেস মডেলগুলি কাস্টম ডকার প্রশিক্ষণ ইমেজ ইসিআর-এ আপলোড করার আগে অন্তর্ভুক্ত করা হয়। প্রশিক্ষণ প্রক্রিয়ার জন্য P3 উদাহরণের ধরন ব্যবহার করা হয় এবং একটি GPU অপ্টিমাইজ করা বেস ইমেজ ব্যবহার করা প্রশিক্ষণ প্রক্রিয়াটিকে যতটা সম্ভব দক্ষ করে তুলতে সাহায্য করে। Amazon SageMaker এই কাস্টম ডকার ইমেজের সাথে TensorFlow মডেলগুলিকে প্রশিক্ষণ দেওয়ার জন্য ব্যবহার করা হয় যা S3 তে সংরক্ষণ করা হয়। মডেল তুলনা এবং স্বয়ংক্রিয় পুনঃপ্রশিক্ষণের মতো অতিরিক্ত ক্ষমতার সাহায্যের জন্য কাস্টম মেট্রিক্সগুলিও গণনা করা হয় এবং সংরক্ষণ করা হয়। প্রশিক্ষণের পর্যায় শেষ হয়ে গেলে, এআই কর্মীকে অবহিত করা হয় এবং ব্যবসায়িক গ্রাহক স্থাপনার কার্যপ্রবাহ শুরু করতে সক্ষম হয়।
বিস্তৃতি
স্থাপনার কর্মপ্রবাহের জন্য, একটি কাস্টম ডকার ইনফারেন্স ইমেজ তৈরি করা হয় একটি টেনসরফ্লো পরিবেশনকারী বেস ইমেজ ব্যবহার করে (বিশেষ করে দ্রুত অনুমানের জন্য নির্মিত)। অতিরিক্ত কোড এবং নির্ভরতা যেমন numPy, Pandas, কাস্টম NL, ইত্যাদি অতিরিক্ত কার্যকারিতা প্রদান করার জন্য অন্তর্ভুক্ত করা হয়েছে, যেমন অনুমান করার আগে ফর্ম্যাটিং এবং ইনপুট পরিষ্কার করা। ফাস্টএপিআই কাস্টম ইমেজের অংশ হিসেবেও অন্তর্ভুক্ত, এবং অনুমান এবং স্বাস্থ্য পরীক্ষার জন্য REST API শেষ পয়েন্ট প্রদান করতে ব্যবহৃত হয়। SageMaker তারপর S3 তে সংরক্ষিত TensorFlow মডেলগুলিকে উচ্চ-পারফরম্যান্স ইনফারেন্স এন্ডপয়েন্ট তৈরি করতে কম্পিউট অপ্টিমাইজড ml.c5 AWS ইনস্ট্যান্সে ইনফারেন্স ইমেজ সহ স্থাপন করার জন্য কনফিগার করা হয়েছে। প্রতিটি শেষ পয়েন্ট একটি একক গ্রাহকের দ্বারা তাদের মডেল এবং ডেটা বিচ্ছিন্ন করার জন্য ব্যবহারের জন্য তৈরি করা হয়।
অনুমিতি
একবার স্থাপনার কার্যপ্রবাহ সম্পন্ন হলে, অনুমান কার্যপ্রবাহটি গ্রহণ করে। সমস্ত প্রথম অন্তর্মুখী সমর্থন ইমেলগুলি সেই গ্রাহকের জন্য নির্দিষ্ট শ্রেণীবদ্ধকরণকারীদের জন্য অনুমান API এর মাধ্যমে পাস করা হয়। মোতায়েন করা ক্লাসিফায়াররা তারপর এই ইমেলের প্রতিটিতে পাঠ্য শ্রেণীবিভাগ সঞ্চালন করে, প্রতিটি গ্রাহকের জন্য শ্রেণিবিন্যাস লেবেল তৈরি করে।
সম্ভাব্য বর্ধন এবং কাস্টমাইজেশন
কুস্টোমার নিম্নলিখিত বর্ধনগুলির সাথে সমাধানটি প্রসারিত করার কথা বিবেচনা করছে:
- আলিঙ্গন মুখ DLCs – Kustomer বর্তমানে ডেটা প্রিপ্রসেসিং পর্যায়ের জন্য TensorFlow-এর বেস ডকার ইমেজ ব্যবহার করে এবং এতে মাইগ্রেট করার পরিকল্পনা করে আলিঙ্গন মুখ ডিপ লার্নিং কনটেইনার (DLCs). এটি আপনাকে স্ক্র্যাচ থেকে আপনার প্রশিক্ষণের পরিবেশ তৈরি এবং অপ্টিমাইজ করার জটিল প্রক্রিয়াটি এড়িয়ে গিয়ে অবিলম্বে প্রশিক্ষণ মডেলগুলি শুরু করতে সহায়তা করে৷ আরও তথ্যের জন্য, দেখুন আমাজন সেজমেকারে আলিঙ্গন করা মুখ.
- ফিডব্যাক লুপ - আপনি মডেলের সামগ্রিক দক্ষতা বাড়াতে সক্রিয় লার্নিং বা রিইনফোর্সমেন্ট লার্নিং কৌশল ব্যবহার করে একটি ফিডব্যাক লুপ প্রয়োগ করতে পারেন।
- অন্যান্য অভ্যন্তরীণ সিস্টেমের সাথে একীকরণ – কুস্টোমার স্মার্ট সাজেশনের মতো অন্যান্য সিস্টেমের সাথে পাঠ্য শ্রেণীবিভাগকে একীভূত করার ক্ষমতা চায়, যেটি অন্য একটি Kustomer IQ পরিষেবা যা শত শত শর্টকাটের মাধ্যমে দেখায় এবং গ্রাহকের প্রশ্নের সাথে সবচেয়ে প্রাসঙ্গিক শর্টকাটগুলি সাজেস্ট করে, এজেন্টের প্রতিক্রিয়ার সময় এবং কর্মক্ষমতা উন্নত করে৷
উপসংহার
এই পোস্টে, আমরা আলোচনা করেছি কিভাবে কাস্টোমার সেজমেকার প্রশিক্ষণ এবং অনুমানের জন্য কাস্টম ডকার ইমেজ ব্যবহার করে, যা ইন্টিগ্রেশন সহজ করে এবং প্রক্রিয়াটিকে প্রবাহিত করে। আমরা দেখিয়েছি কিভাবে কাস্টোমার কাস্টম ডকার ইমেজগুলির সাথে ল্যাম্বডা এবং সেজমেকারকে সুবিধা দেয় যা প্রিপ্রসেসিং এবং পোস্টপ্রসেসিং ওয়ার্কফ্লোগুলির সাথে পাঠ্য শ্রেণিবিন্যাস প্রক্রিয়া বাস্তবায়নে সহায়তা করে। এটি মডেল তৈরি, প্রশিক্ষণ এবং অনুমানের জন্য বড় ছবি ব্যবহার করার জন্য নমনীয়তা প্রদান করে। Lambda-এর জন্য কন্টেইনার ইমেজ সমর্থন আপনাকে আপনার ফাংশনকে আরও কাস্টমাইজ করতে দেয়, সার্ভারবিহীন ML-এর জন্য অনেকগুলি নতুন ব্যবহারের ক্ষেত্রে খুলে দেয়। সমাধানটি SageMaker, Lambda, Docker images, Amazon ECR, Amazon ECS, Amazon SQS, এবং Amazon S3 সহ বেশ কয়েকটি AWS পরিষেবার সুবিধা নেয়৷
আপনি যদি Kustomer সম্পর্কে আরও জানতে চান, আমরা আপনাকে এখানে যেতে উৎসাহিত করি গ্রাহক ওয়েবসাইট এবং তাদের অন্বেষণ কেস স্টাডিজ.
ক্লিক এখানে Amazon SageMaker এর সাথে আপনার যাত্রা শুরু করতে। হাতে-কলমে অভিজ্ঞতার জন্য, আপনি Amazon SageMaker উল্লেখ করতে পারেন কর্মশালায়।
লেখক সম্পর্কে
উমেশ কলাসপুরকর AWS-এর জন্য নিউ ইয়র্ক ভিত্তিক সমাধান স্থপতি। তিনি এন্টারপ্রাইজ এবং স্টার্টআপ জুড়ে ডিজিটাল উদ্ভাবন এবং রূপান্তর প্রকল্পগুলির ডিজাইন এবং বিতরণে 20 বছরেরও বেশি অভিজ্ঞতা নিয়ে আসেন। তিনি গ্রাহকদের শনাক্ত করতে এবং চ্যালেঞ্জগুলি কাটিয়ে উঠতে সহায়তা করে অনুপ্রাণিত হন। কাজের বাইরে, উমেশ বাবা হওয়া, স্কিইং এবং ভ্রমণ উপভোগ করেন।
ইয়ান ল্যান্টজি Kustomer-এর একজন সিনিয়র সফ্টওয়্যার এবং মেশিন লার্নিং ইঞ্জিনিয়ার এবং মেশিন লার্নিং গবেষণার কাজগুলি গ্রহণ এবং সেগুলিকে উত্পাদন পরিষেবাতে পরিণত করার ক্ষেত্রে বিশেষজ্ঞ৷
প্রসাদ শেঠি AWS-এর জন্য একজন বোস্টন-ভিত্তিক সলিউশন আর্কিটেক্ট। তিনি সফ্টওয়্যার পণ্য তৈরি করেছেন এবং 20 বছরেরও বেশি সময় ধরে এন্টারপ্রাইজ জুড়ে পণ্য ও পরিষেবাগুলিতে আধুনিকীকরণ এবং ডিজিটাল উদ্ভাবনের নেতৃত্ব দিয়েছেন। তিনি ড্রাইভিং ক্লাউড কৌশল এবং দত্তক নেওয়ার বিষয়ে উত্সাহী, এবং দুর্দান্ত গ্রাহকের অভিজ্ঞতা তৈরি করতে প্রযুক্তির ব্যবহার করে৷ অবসর সময়ে, প্রসাদ বাইক চালানো এবং ভ্রমণ উপভোগ করেন।
জোনাথন গ্রিফেনবার্গার IT শিল্পের 25 বছরের অভিজ্ঞতা সহ AWS-এর একজন নিউইয়র্ক ভিত্তিক সিনিয়র অ্যাকাউন্ট ম্যানেজার৷ জোনাথন একটি দলকে নেতৃত্ব দেয় যা বিভিন্ন শিল্প এবং উল্লম্বের ক্লায়েন্টদের তাদের ক্লাউড গ্রহণ এবং আধুনিকীকরণ যাত্রায় সহায়তা 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/how-kustomer-utilizes-custom-docker-images-amazon-sagemaker-to-build-a-text-classification-pipeline/
- "
- &
- 100
- 20 বছর
- 7
- সম্পর্কে
- প্রবেশ
- হিসাব
- দিয়ে
- সক্রিয়
- অতিরিক্ত
- গ্রহণ
- সুবিধা
- সুবিধাদি
- এজেন্ট
- AI
- আলগোরিদিম
- সব
- মর্দানী স্ত্রীলোক
- বিশ্লেষণ
- অন্য
- API
- API গুলি
- অভিগমন
- স্থাপত্য
- স্বয়ংক্রিয়তা
- ডেস্কটপ AWS
- হচ্ছে
- নির্মাণ করা
- ভবন
- ব্যবসায়
- ক্ষমতা
- মামলা
- ঘটিত
- চ্যালেঞ্জ
- চ্যালেঞ্জ
- চেক
- শ্রেণীবিন্যাস
- পরিস্কার করা
- মেঘ
- কোড
- যোগাযোগমন্ত্রী
- কোম্পানি
- গনা
- ভোক্তা
- আধার
- কন্টেনারগুলি
- ধারণ
- বিষয়বস্তু
- কথোপকথন
- কথোপকথন
- গ্রাহক অভিজ্ঞতা
- গ্রাহক সেবা
- গ্রাহক সমর্থন
- গ্রাহকদের
- উপাত্ত
- দিন
- বিলম্ব
- বিলি
- চাহিদা
- বিস্তৃতি
- নকশা
- উন্নত
- ডিজিটাল
- আবিষ্কার
- ডকশ্রমিক
- পরিচালনা
- কার্যকর
- দক্ষতা
- ইমেইল
- সক্রিয়
- উত্সাহিত করা
- শেষপ্রান্ত
- প্রকৌশলী
- উদ্যোগ
- ঘটনাবলী
- উদাহরণ
- বিস্তৃত
- অভিজ্ঞতা
- অভিজ্ঞতা
- মুখ
- দ্রুত
- প্রতিপালিত
- প্রতিক্রিয়া
- প্রথম
- নমনীয়তা
- অনুসরণ
- ক্রিয়া
- কার্যকারিতা
- উত্পাদন করা
- দান
- জিপিইউ
- মহান
- অতিথি
- অতিথি পোস্ট
- জমিদারি
- স্বাস্থ্য
- সাহায্য
- সাহায্য
- উচ্চ
- কিভাবে
- HTTPS দ্বারা
- শত শত
- সনাক্ত করা
- ভাবমূর্তি
- বাস্তবায়ন
- বাস্তবায়িত
- অন্তর্ভুক্ত
- সুদ্ধ
- বৃদ্ধি
- বর্ধিত
- শিল্প
- শিল্প
- তথ্য
- ইনোভেশন
- অর্ন্তদৃষ্টি
- সম্পূর্ণ
- ইন্টিগ্রেশন
- বুদ্ধিমান
- অভিপ্রায়
- ইন্টারফেস
- সমস্যা
- IT
- লেবেল
- লেবেলগুলি
- বড়
- বৃহত্তর
- শিখতে
- শিক্ষা
- বরফ
- উচ্চতা
- ওঠানামায়
- স্থানীয়ভাবে
- মেশিন
- মেশিন লার্নিং
- মেকিং
- পরিচালক
- ছন্দোবিজ্ঞান
- ML
- মডেল
- মডেল
- MongoDB
- সেতু
- নিউ ইয়র্ক
- অর্কেস্ট্রারচনা
- ক্রম
- সংগঠন
- অন্যান্য
- অন্যভাবে
- সম্প্রদায়
- কর্মক্ষমতা
- মাচা
- জনপ্রিয়
- সম্ভব
- ভবিষ্যদ্বাণী
- মূল্য
- সমস্যা
- প্রক্রিয়া
- পণ্য
- উত্পাদনের
- প্রমোদ
- পণ্য
- প্রকল্প
- প্রদান
- উপলব্ধ
- দ্রুত
- হ্রাস
- প্রয়োজন
- প্রয়োজনীয়
- গবেষণা
- প্রতিক্রিয়া
- বিশ্রাম
- রুট
- চালান
- দৌড়
- স্কেলেবিলিটি
- স্কেল
- SDK
- Serverless
- সেবা
- সেবা
- ভজনা
- সেট
- সহজ
- আয়তন
- স্মার্ট
- So
- সফটওয়্যার
- সলিউশন
- বিশেষ
- বিশেষভাবে
- বিভক্ত করা
- পর্যায়
- শুরু
- প্রারম্ভ
- স্টোরেজ
- দোকান
- দোকান
- কৌশল
- stripping
- গবেষণায়
- সারগর্ভ
- সমর্থন
- সিস্টেম
- আলাপ
- কাজ
- টীম
- প্রযুক্তি
- প্রযুক্তিঃ
- হাজার হাজার
- দ্বারা
- সময়
- টোকেন
- টপিক
- প্রশিক্ষণ
- রুপান্তর
- বোঝা
- চেক
- কি
- মধ্যে
- শব্দ
- হয়া যাই ?
- বছর