এই পোস্টটি Jan Paul Assendorp, Thomas Lietzow, Christopher Masch, Alexander Meinert, Dr. Lars Palzer, Jan Schillemans-এর সাথে SIGNAL IDUNA-এর সহ-লেখক৷
SIGNAL IDUNA-এ, একটি বড় জার্মান বীমাকারী, আমরা বর্তমানে আমাদের রূপান্তর প্রোগ্রাম VISION2023 এর সাথে আরও বেশি গ্রাহকমুখী হওয়ার জন্য নিজেদেরকে নতুনভাবে উদ্ভাবন করছি। দুটি দিক এই রূপান্তরের কেন্দ্রবিন্দু: কর্মশক্তির বৃহৎ অংশকে ক্রস ফাংশনাল এবং চটপটে দলে পুনর্গঠন করা এবং সত্যিকারের ডেটা-চালিত কোম্পানিতে পরিণত হওয়া। এখানে, নীতিবাক্য "আপনি এটি তৈরি করুন, আপনি এটি চালান" একটি ক্রস-ফাংশনাল টিমের জন্য একটি গুরুত্বপূর্ণ প্রয়োজন যা একটি ডেটা বা মেশিন লার্নিং (ML) পণ্য তৈরি করে৷ এটি একটি পণ্য উত্পাদন এবং চালানোর জন্য কাজের দল কতটা ব্যয় করতে পারে তার উপর কঠোর সীমাবদ্ধতা রাখে।
এই পোস্টটি দেখায় কিভাবে SIGNAL IDUNA এই চ্যালেঞ্জ মোকাবেলা করে এবং ব্যবহার করে এডাব্লুএস ক্লাউড ক্রস-ফাংশনাল টিমগুলিকে তাদের নিজস্ব ML পণ্যগুলি তৈরি এবং পরিচালনা করতে সক্ষম করতে। এই লক্ষ্যে, আমরা প্রথমে চটপটে দলগুলির সাংগঠনিক কাঠামো প্রবর্তন করি, যা একটি পণ্য বিকাশ এবং চালানোর জন্য ব্যবহৃত ক্লাউড অবকাঠামোর জন্য কেন্দ্রীয় প্রয়োজনীয়তা সেট করে। এরপরে, আমরা দেখাই কিভাবে SIGNAL IDUNA-এ তিনটি কেন্দ্রীয় দল ক্রস-ফাংশনাল টিমগুলিকে AWS ক্লাউডে ন্যূনতম সহায়তায় ডেটা পণ্য তৈরি করতে সক্ষম করে, একটি উপযুক্ত কর্মপ্রবাহ এবং পরিকাঠামো সমাধান প্রদান করে যা সহজেই ব্যবহার করা যায় এবং মানিয়ে নেওয়া যায়৷ অবশেষে, আমরা আমাদের পদ্ধতির পর্যালোচনা করি এবং এটিকে আরও শাস্ত্রীয় পদ্ধতির সাথে তুলনা করি যেখানে উন্নয়ন এবং অপারেশন আরও কঠোরভাবে আলাদা করা হয়।
Agile@SI - সাংগঠনিক পরিবর্তনের ভিত্তি
2021-এর শুরু থেকে, SIGNAL IDUNA তার কৌশল Agile@SI-কে কাজে লাগাতে শুরু করেছে এবং সমগ্র কোম্পানি জুড়ে গ্রাহক-ভিত্তিক সমাধানগুলি বিকাশের জন্য চটপটে পদ্ধতিগুলি প্রতিষ্ঠা করেছে [1]। পূর্ববর্তী কাজ এবং লক্ষ্যগুলি এখন ক্রস-ফাংশনাল দল দ্বারা নেওয়া হয়, যাকে বলা হয় স্কোয়াড. এই স্কোয়াডগুলি চটপটে পদ্ধতি ব্যবহার করে (যেমন স্ক্রাম ফ্রেমওয়ার্ক), তাদের নিজস্ব সিদ্ধান্ত নেয় এবং গ্রাহক-ভিত্তিক পণ্য তৈরি করে। সাধারণত, স্কোয়াডগুলি ব্যবসায়িক বিভাগে অবস্থিত, যেমন বিপণন, এবং অনেকেরই ডেটা-চালিত এবং এমএল চালিত পণ্য তৈরির উপর জোর দেওয়া হয়। একটি উদাহরণ হিসাবে, বীমার সাধারণ ব্যবহারের ক্ষেত্রে গ্রাহক মন্থন পূর্বাভাস এবং পণ্যের সুপারিশ।
ML এর জটিলতার কারণে, একটি একক স্কোয়াড দ্বারা একটি ML সমাধান তৈরি করা চ্যালেঞ্জিং, এবং এইভাবে বিভিন্ন স্কোয়াডের সহযোগিতা প্রয়োজন।
SIGNAL IDUNA-এর তিনটি অপরিহার্য দল রয়েছে যা ML সমাধান তৈরি করতে সহায়তা করে। এই তিনটি স্কোয়াড দ্বারা বেষ্টিত দল যা উন্নয়ন এবং দীর্ঘমেয়াদী অপারেশন এবং এমএল সমাধানের জন্য দায়ী। এই পদ্ধতি AWS ভাগ করা দায়িত্ব মডেল অনুসরণ করে [2]।
উপরের ছবিতে, সমস্ত স্কোয়াডকে একটি ওভারভিউতে উপস্থাপন করা হয়েছে।
ক্লাউড সক্ষমতা
সমগ্র সংস্থার জন্য অন্তর্নিহিত ক্লাউড পরিকাঠামো স্কোয়াড ক্লাউড সক্ষমতা প্রদান করে। দলগুলিকে ক্লাউড প্রযুক্তির উপর তাদের নিজস্ব পণ্য তৈরি করতে সক্ষম করা তাদের কাজ। এটি এমএল-এর মতো নতুন পণ্য বাজারজাত করার সময়কে উন্নত করে এবং এটি "আপনি এটি তৈরি করেন, আপনি এটি চালান" নীতি অনুসরণ করে।
ডেটা অফিস/ডেটা লেক
ক্লাউডে ডেটা সরানো, সেইসাথে সঠিক ডেটাসেট খুঁজে পাওয়া, স্কোয়াড ডেটা অফিস/ডেটা লেক দ্বারা সমর্থিত। তারা একটি ডেটা ক্যাটালগ সেট আপ করে যা প্রয়োজনীয় ডেটাসেটগুলি অনুসন্ধান এবং নির্বাচন করতে ব্যবহার করা যেতে পারে। তাদের লক্ষ্য ডেটা স্বচ্ছতা এবং শাসন প্রতিষ্ঠা করা। উপরন্তু, তারা একটি ডেটা লেক প্রতিষ্ঠা ও পরিচালনার জন্য দায়ী যা দলগুলিকে প্রাসঙ্গিক ডেটা অ্যাক্সেস এবং প্রক্রিয়া করতে সহায়তা করে।
ডেটা বিশ্লেষণ প্ল্যাটফর্ম
আমাদের স্কোয়াড ডেটা অ্যানালিটিক্স প্ল্যাটফর্ম (DAP) হল SIGNAL IDUNA-এর একটি ক্লাউড এবং ML ফোকাসড টিম যা ML ইঞ্জিনিয়ারিং, ডেটা ইঞ্জিনিয়ারিং এবং সেইসাথে ডেটা সায়েন্সে দক্ষ৷ আমরা অবকাঠামোগত উপাদান এবং জ্ঞান প্রদান করে ML-এর জন্য পাবলিক ক্লাউড ব্যবহার করে অভ্যন্তরীণ দলগুলিকে সক্ষম করি৷ আমাদের পণ্য এবং পরিষেবাগুলি নিম্নলিখিত বিভাগে বিস্তারিতভাবে উপস্থাপন করা হয়েছে।
ML সলিউশন তৈরি করতে ক্রস-ফাংশনাল টিমকে সক্ষম করা
SIGNAL IDUNA-এ ক্রস-ফাংশনাল টিমগুলিকে ML সলিউশন তৈরি করতে সক্ষম করার জন্য, আমাদের পুনঃব্যবহারযোগ্য ক্লাউড অবকাঠামোর পাশাপাশি ক্লাউড ক্ষমতাগুলিকে কাজে লাগানোর জন্য অনবোর্ডিং দলগুলির জন্য একটি দক্ষ কর্মপ্রবাহের ব্যবস্থা করার একটি দ্রুত এবং বহুমুখী উপায় প্রয়োজন৷
এই লক্ষ্যে, আমরা একটি প্রমিত অনবোর্ডিং এবং সহায়তা প্রক্রিয়া তৈরি করেছি এবং কোড (IaC) হিসাবে পরিকাঠামো হিসাবে মডুলার অবকাঠামো টেমপ্লেট সরবরাহ করেছি। এই টেমপ্লেটগুলিতে সাধারণ ML ব্যবহারের ক্ষেত্রে পরিকল্পিত অবকাঠামো উপাদান রয়েছে যা একটি নির্দিষ্ট ব্যবহারের ক্ষেত্রে প্রয়োজনীয়তার সাথে সহজেই তৈরি করা যেতে পারে।
এমএল সলিউশন তৈরির কর্মপ্রবাহ
এমএল সলিউশন তৈরি এবং পরিচালনায় তিনটি প্রধান প্রযুক্তিগত ভূমিকা জড়িত: ডেটা সায়েন্টিস্ট, এমএল ইঞ্জিনিয়ার এবং একজন ডেটা ইঞ্জিনিয়ার। প্রতিটি ভূমিকা ক্রস-ফাংশনাল স্কোয়াডের অংশ এবং বিভিন্ন দায়িত্ব রয়েছে। ডেটা সায়েন্টিস্টের প্রয়োজনীয় ডোমেন জ্ঞান রয়েছে কার্যকরী এবং সেইসাথে ব্যবহারের ক্ষেত্রে প্রযুক্তিগত প্রয়োজনীয়তা সম্পর্কে। এমএল ইঞ্জিনিয়ার স্বয়ংক্রিয় এমএল সমাধান এবং মডেল স্থাপনার নির্মাণে বিশেষজ্ঞ। এবং ডেটা ইঞ্জিনিয়ার নিশ্চিত করে যে ডেটা অন-প্রিমিসেস থেকে এবং ক্লাউডের মধ্যে থেকে প্রবাহিত হয়।
প্ল্যাটফর্ম প্রদানের প্রক্রিয়াটি নিম্নরূপ:
নির্দিষ্ট ব্যবহারের ক্ষেত্রে অবকাঠামো IaC তে সংজ্ঞায়িত করা হয়েছে এবং একটি কেন্দ্রীয় প্রকল্প সংগ্রহস্থলে সংস্করণ করা হয়েছে। এর মধ্যে মডেল প্রশিক্ষণ এবং স্থাপনার জন্য পাইপলাইনগুলির পাশাপাশি অন্যান্য ডেটা বিজ্ঞান সম্পর্কিত কোড আর্টিফ্যাক্টগুলিও অন্তর্ভুক্ত রয়েছে। ডেটা সায়েন্টিস্ট, এমএল ইঞ্জিনিয়ার এবং ডেটা ইঞ্জিনিয়ারদের প্রোজেক্ট রিপোজিটরিতে অ্যাক্সেস রয়েছে এবং তারা স্বায়ত্তশাসিতভাবে সমস্ত অবকাঠামো কোড কনফিগার এবং আপডেট করতে পারে। এটি দলটিকে প্রয়োজন হলে দ্রুত পরিকাঠামো পরিবর্তন করতে সক্ষম করে। যাইহোক, এমএল ইঞ্জিনিয়ার সর্বদা অবকাঠামো বা এমএল মডেলগুলি বিকাশ এবং আপডেট করতে সহায়তা করতে পারে।
পুনর্ব্যবহারযোগ্য এবং মডুলার অবকাঠামো উপাদান
অনুক্রমিক এবং মডুলার IaC সংস্থানগুলি বাস্তবায়িত হয় Terraform এবং সাধারণ ডেটা সায়েন্স এবং ETL ব্যবহারের ক্ষেত্রে অবকাঠামো অন্তর্ভুক্ত করে। এটি আমাদের অবকাঠামো কোড পুনঃব্যবহার করতে দেয় এবং প্রয়োজনীয় সুরক্ষা এবং সম্মতি নীতিগুলি প্রয়োগ করতে দেয়, যেমন ব্যবহার করে৷ AWS কী ম্যানেজমেন্ট সার্ভিস (KMS) ডেটার জন্য এনক্রিপশন, সেইসাথে পরিকাঠামো এনক্যাপসুলেটিং আমাজন ভার্চুয়াল প্রাইভেট ক্লাউড (ভিপিসি) সরাসরি ইন্টারনেট অ্যাক্সেস ছাড়া পরিবেশ।
অনুক্রমিক IaC গঠন নিম্নরূপ:
- মডিউল নিরাপত্তা এবং অ্যাক্সেস পরিচালনার জন্য প্রয়োজনীয় কনফিগারেশন সহ মৌলিক AWS পরিষেবাগুলিকে এনক্যাপসুলেট করুন। এর মধ্যে রয়েছে সর্বোত্তম অনুশীলনের কনফিগারেশন যেমন সর্বজনীন অ্যাক্সেসের প্রতিরোধ অ্যামাজন সিম্পল স্টোরেজ সার্ভিস (S3) বালতি, বা সংরক্ষিত সমস্ত ফাইলের জন্য এনক্রিপশন প্রয়োগ করা।
- কিছু ক্ষেত্রে, প্রক্রিয়াগুলি স্বয়ংক্রিয় করতে আপনার বিভিন্ন ধরণের পরিষেবার প্রয়োজন, যেমন বিভিন্ন পর্যায়ে এমএল মডেল স্থাপন করা। অতএব, আমরা সংজ্ঞায়িত সলিউশন বিভিন্ন ধরণের কাজের জন্য যৌথ কনফিগারেশনে বিভিন্ন মডিউলের একটি বান্ডিল হিসাবে।
- উপরন্তু, আমরা সম্পূর্ণ অফার খেয়াল একটি প্রকল্পের অনেক সম্ভাব্য চাহিদা মেটাতে বিভিন্ন পরিবেশে সমাধান একত্রিত করে। আমাদের MLOps ব্লুপ্রিন্টে, আমরা AWS অ্যাকাউন্টে সমন্বিত এবং বিতরণ করা এমএল মডেলগুলিকে প্রশিক্ষণ, বিধান এবং পর্যবেক্ষণের জন্য একটি স্থাপনযোগ্য পরিকাঠামো সংজ্ঞায়িত করি। আমরা পরবর্তী বিভাগে আরো বিস্তারিত আলোচনা.
এই পণ্যগুলি DAP স্কোয়াড দ্বারা একটি কেন্দ্রীয় সংগ্রহস্থলে সংস্করণ করা হয়। এটি আমাদেরকে ক্রমাগত আমাদের IaC উন্নত করতে এবং AWS থেকে নতুন বৈশিষ্ট্যগুলি বিবেচনা করতে দেয়, যেমন আমাজন সেজমেকার মডেল রেজিস্ট্রি। প্রতিটি স্কোয়াড এই সংস্থানগুলিকে উল্লেখ করতে পারে, প্রয়োজন অনুসারে তাদের প্যারামিটারাইজ করতে পারে এবং অবশেষে তাদের নিজস্ব AWS অ্যাকাউন্টে স্থাপন করতে পারে।
MLOps আর্কিটেকচার
আমরা সম্পূর্ণ MLOps প্রক্রিয়াটি কভার করার জন্য নির্দিষ্ট সমাধান সহ একটি ব্যবহারের জন্য প্রস্তুত ব্লুপ্রিন্ট প্রদান করি। ব্লুপ্রিন্টে এমএল মডেল তৈরি এবং স্থাপনের জন্য চারটি AWS অ্যাকাউন্টের উপর বিতরণ করা অবকাঠামো রয়েছে। এটি আমাদের MLOps প্রক্রিয়ার বিভিন্ন ধাপের জন্য সম্পদ এবং কর্মপ্রবাহকে বিচ্ছিন্ন করতে দেয়। নিম্নলিখিত চিত্রটি মাল্টি-অ্যাকাউন্ট আর্কিটেকচার দেখায়, এবং আমরা বর্ণনা করি কিভাবে প্রক্রিয়াটির নির্দিষ্ট ধাপের দায়িত্ব বিভিন্ন প্রযুক্তিগত ভূমিকার মধ্যে ভাগ করা হয়।
সার্জারির মূর্তিনির্মাণ অ্যাকাউন্টে ML মডেলগুলির বিকাশের জন্য পরিষেবা অন্তর্ভুক্ত রয়েছে। প্রথমত, ডেটা ইঞ্জিনিয়ার সিগন্যাল আইডিউনা ডেটা লেক থেকে প্রাসঙ্গিক ডেটা সরবরাহ করার জন্য একটি ETL প্রক্রিয়া নিযুক্ত করে, AWS ক্লাউডে ডেটা-চালিত কর্মপ্রবাহের কেন্দ্রীভূত গেটওয়ে৷ পরবর্তীকালে, মডেল প্রার্থীদের প্রশিক্ষণ ও মূল্যায়ন করতে ডেটা বিজ্ঞানী ডেটাসেটটি ব্যবহার করতে পারেন। একবার ব্যাপক পরীক্ষার জন্য প্রস্তুত হলে, একজন মডেল প্রার্থীকে এমএল ইঞ্জিনিয়ার দ্বারা একটি স্বয়ংক্রিয় প্রশিক্ষণ পাইপলাইনে একীভূত করা হয়। আমরা প্রশিক্ষণ, হাইপারপ্যারামিটার টিউনিং এবং স্কেলে মডেল মূল্যায়ন স্বয়ংক্রিয় করতে Amazon SageMaker পাইপলাইন ব্যবহার করি। এর মধ্যে মডেল বংশ এবং উৎপাদনে মোতায়েনের জন্য মঞ্চস্থ করা মডেলগুলির জন্য একটি প্রমিত অনুমোদন প্রক্রিয়া অন্তর্ভুক্ত রয়েছে। স্বয়ংক্রিয় ইউনিট পরীক্ষা এবং কোড বিশ্লেষণ পাইপলাইনের প্রতিটি ধাপের জন্য কোডের গুণমান এবং নির্ভরযোগ্যতা নিশ্চিত করে, যেমন ডেটা প্রিপ্রসেসিং, মডেল প্রশিক্ষণ এবং মূল্যায়ন। একবার একটি মডেল মূল্যায়ন এবং অনুমোদিত হলে, আমরা প্রশিক্ষিত মডেল এবং প্রাসঙ্গিক মেটা ডেটার ইন্টারফেস হিসাবে Amazon SageMaker ModelPackages ব্যবহার করি।
সার্জারির সাধনী দ্বারা প্রয়োগকরণ অ্যাকাউন্টে স্বয়ংক্রিয় CI/CD পাইপলাইন রয়েছে যার বিভিন্ন পর্যায় পরীক্ষা এবং প্রশিক্ষিত মডেল স্থাপনের জন্য। পরীক্ষার পর্যায়ে, মডেলগুলি মোতায়েন করা হয় serving-nonprod অ্যাকাউন্ট যদিও মডেলটি উৎপাদনের জন্য মঞ্চস্থ হওয়ার আগে প্রশিক্ষণ পাইপলাইনে মডেলের গুণমান মূল্যায়ন করা হয়, এখানে আমরা একটি বিচ্ছিন্ন পরীক্ষার পরিবেশে কর্মক্ষমতা এবং ইন্টিগ্রেশন পরীক্ষা চালাই। পরীক্ষার পর্যায় পাস করার পরে, মডেলগুলিকে মোতায়েন করা হয় serving-prod অ্যাকাউন্ট উৎপাদন কর্মপ্রবাহের সাথে একত্রিত করা হবে।
MLOps কর্মপ্রবাহের পর্যায়গুলিকে বিভিন্ন AWS অ্যাকাউন্টে আলাদা করা আমাদেরকে উৎপাদন থেকে উন্নয়ন এবং পরীক্ষাকে আলাদা করতে দেয়। অতএব, আমরা একটি কঠোর প্রবেশাধিকার এবং নিরাপত্তা নীতি প্রয়োগ করতে পারি। তদ্ব্যতীত, উপযোগী IAM ভূমিকাগুলি নিশ্চিত করে যে নির্দিষ্ট পরিষেবাগুলি কেবলমাত্র তার সুযোগের জন্য প্রয়োজনীয় ডেটা এবং অন্যান্য পরিষেবাগুলি অ্যাক্সেস করতে পারে, অনুসরণ করে কমপক্ষে বিশেষাধিকারের নীতি. পরিবেশন পরিবেশের মধ্যে পরিষেবাগুলি অতিরিক্ত ব্যবসায়িক প্রক্রিয়াগুলিতে অ্যাক্সেসযোগ্য করা যেতে পারে। উদাহরণস্বরূপ, একটি ব্যবসায়িক প্রক্রিয়া মডেল ভবিষ্যদ্বাণীগুলির জন্য পরিবেশন-প্রোড পরিবেশের মধ্যে একটি শেষ পয়েন্ট জিজ্ঞাসা করতে পারে।
আমাদের পদ্ধতির সুবিধা
এমএল মডেলের পাশাপাশি প্রয়োজনীয় অবকাঠামো উভয়ের জন্য উন্নয়ন এবং অপারেশনের কঠোর বিভাজনের তুলনায় এই প্রক্রিয়াটির অনেক সুবিধা রয়েছে:
- অন্তরণ: প্রতিটি দল তাদের নিজস্ব AWS অ্যাকাউন্টগুলি পায় যা অন্য দলের পরিবেশ থেকে সম্পূর্ণ বিচ্ছিন্ন। এটি অ্যাক্সেসের অধিকারগুলি পরিচালনা করা সহজ করে এবং যারা এটির সাথে কাজ করার অধিকারী তাদের কাছে ডেটা ব্যক্তিগত রাখা সহজ করে তোলে৷
- ক্লাউড সক্ষমতা: ক্লাউড DevOps-এ সামান্য পূর্ব অভিজ্ঞতা সহ দলের সদস্যরা (যেমন অনেক ডেটা বিজ্ঞানী) সহজেই পরিকাঠামো ডিজাইন এবং পরিচালনার পুরো প্রক্রিয়াটি দেখতে পারেন কারণ (প্রায়) কেন্দ্রীয় পরিষেবার পিছনে তাদের কাছ থেকে কিছুই লুকানো নেই। এটি অবকাঠামো সম্পর্কে আরও ভাল ধারণা তৈরি করে, যা তাদের আরও দক্ষতার সাথে ডেটা বিজ্ঞান পণ্য তৈরি করতে সহায়তা করতে পারে।
- পণ্যের মালিকানা: প্রি-কনফিগার করা অবকাঠামো সমাধান এবং পরিচালিত পরিষেবাগুলির ব্যবহার উৎপাদনে একটি ML পণ্য পরিচালনার বাধাকে খুব কম রাখে। অতএব, একজন ডেটা বিজ্ঞানী সহজেই একটি মডেলের মালিকানা নিতে পারেন যা উত্পাদন করা হয়। এটি বিকাশের পরে একটি মডেলকে উত্পাদনে ফেলতে ব্যর্থ হওয়ার সুপরিচিত ঝুঁকি হ্রাস করে।
- ইনোভেশন: যেহেতু ML প্রকৌশলীরা একটি মডেল উৎপাদনের জন্য প্রস্তুত হওয়ার অনেক আগেই জড়িত থাকে, তাই তারা নতুন ব্যবহারের ক্ষেত্রে উপযোগী অবকাঠামো সমাধান তৈরি করতে পারে যখন ডেটা বিজ্ঞানীরা একটি ML মডেল তৈরি করেন।
- উপযোগীকরণ: যেহেতু DAP দ্বারা তৈরি IaC সলিউশন অবাধে পাওয়া যায়, তাই যেকোনো দল সহজেই তাদের ব্যবহারের ক্ষেত্রে একটি নির্দিষ্ট প্রয়োজনের সাথে মানিয়ে নিতে পারে।
- ওপেন সোর্স: সমস্ত নতুন অবকাঠামো সমাধান সহজে কেন্দ্রীয় DAP কোড রেপোর মাধ্যমে উপলব্ধ করা যেতে পারে যাতে অন্য দলগুলি ব্যবহার করতে পারে৷ সময়ের সাথে সাথে, এটি বিভিন্ন ব্যবহারের ক্ষেত্রে উপযোগী অবকাঠামো উপাদানগুলির সাথে একটি সমৃদ্ধ কোড বেস তৈরি করবে।
সারাংশ
এই পোস্টে, আমরা চিত্রিত করেছি কিভাবে SIGNAL IDUNA-এ ক্রস-ফাংশনাল টিমগুলিকে AWS-এ ML পণ্য তৈরি এবং চালানোর জন্য সক্ষম করা হচ্ছে। আমাদের পদ্ধতির কেন্দ্রবিন্দু হল বেসপোক IaC ব্লুপ্রিন্ট এবং সমাধানগুলির সাথে সমন্বয়ে প্রতিটি দলের জন্য AWS অ্যাকাউন্টগুলির একটি ডেডিকেটেড সেটের ব্যবহার৷ এই দুটি উপাদান উত্পাদন মানের পরিকাঠামো তৈরি এবং পরিচালনা করতে একটি ক্রস-ফাংশনাল দলকে সক্ষম করে। পরিবর্তে, তারা তাদের ML পণ্যগুলির সম্পূর্ণ এন্ড-টু-এন্ড মালিকানা নিতে পারে।
নির্দেশ করে আমাজন সেজমেকার মডেল বিল্ডিং পাইপলাইন - অ্যামাজন সেজমেকার আরও জানতে.
আরো তথ্য খুঁজুন AWS-এ ML আমাদের অফিসিয়াল পেজে।
তথ্যসূত্র
[1] https://www.handelsblatt.com/finanzen/versicherungsbranche-vorbild-spotify-signal-iduna-wird-von-einer-handwerker-versicherung-zum-agilen-konzern/27381902.html
[2] https://blog.crisp.se/wp-content/uploads/2012/11/SpotifyScaling.pdf
[৩] https://aws.amazon.com/compliance/shared-responsibility-model/
লেখক সম্পর্কে
জান পল অ্যাসেনডর্প শক্তিশালী ডেটা সায়েন্স ফোকাস সহ একজন এমএল ইঞ্জিনিয়ার। তিনি এমএল মডেল তৈরি করেন এবং মডেল প্রশিক্ষণ এবং উৎপাদন পরিবেশে স্থাপনাকে স্বয়ংক্রিয় করেন।
টমাস লিটজো স্কোয়াড ডেটা অ্যানালিটিক্স প্ল্যাটফর্মের স্ক্রাম মাস্টার।
ক্রিস্টোফার মাশ ডেটা ইঞ্জিনিয়ারিং, ডেটা সায়েন্স এবং এমএল ইঞ্জিনিয়ারিং-এ জ্ঞান সহ স্কোয়াড ডেটা অ্যানালিটিক্স প্ল্যাটফর্মের পণ্যের মালিক৷
আলেকজান্ডার মেইনার্ট ডেটা অ্যানালিটিক্স প্ল্যাটফর্ম টিমের অংশ এবং একজন এমএল ইঞ্জিনিয়ার হিসাবে কাজ করে৷ পরিসংখ্যান দিয়ে শুরু করে, ডেটা সায়েন্স প্রকল্পে বেড়ে ওঠে, এমএল পদ্ধতি এবং স্থাপত্যের প্রতি অনুরাগ পেয়েছি।
ডঃ লারস পালজার একজন ডেটা সায়েন্টিস্ট এবং ডেটা অ্যানালিটিক্স প্ল্যাটফর্ম টিমের অংশ৷ MLOps আর্কিটেকচার উপাদান তৈরিতে সাহায্য করার পর, তিনি এখন এমএল পণ্য তৈরি করতে তাদের ব্যবহার করছেন।
জ্যান শিলিম্যানস সফটওয়্যার ইঞ্জিনিয়ারিং ব্যাকগ্রাউন্ড সহ একজন এমএল ইঞ্জিনিয়ার। তিনি ML এনভায়রনমেন্টে (MLOps) সফ্টওয়্যার ইঞ্জিনিয়ারিং সর্বোত্তম অনুশীলন প্রয়োগের উপর ফোকাস করেন।
- 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-signal-iduna-operationalizes-machine-learning-projects-on-aws/
- "
- 100
- 2021
- প্রবেশ
- হিসাব
- দিয়ে
- কর্ম
- সুবিধাদি
- কর্মতত্পর
- সব
- যদিও
- মর্দানী স্ত্রীলোক
- বিশ্লেষণ
- বৈশ্লেষিক ন্যায়
- প্রয়োগ করা হচ্ছে
- অভিগমন
- স্থাপত্য
- অটোমেটেড
- সহজলভ্য
- ডেস্কটপ AWS
- হচ্ছে
- সর্বোত্তম
- সেরা অভ্যাস
- নির্মাণ করা
- ভবন
- পাঁজা
- ব্যবসায়
- ক্ষমতা
- মামলা
- চ্যালেঞ্জ
- মেঘ
- মেঘ অবকাঠামো
- কোড
- সহযোগিতা
- সমাহার
- সাধারণ
- কোম্পানি
- তুলনা
- সম্মতি
- কনফিগারেশন
- ধারণ
- তৈরি করা হচ্ছে
- উপাত্ত
- ডেটা বিশ্লেষণ
- তথ্য বিজ্ঞান
- তথ্য বিজ্ঞানী
- নিবেদিত
- স্থাপন
- মোতায়েন
- বিস্তৃতি
- ফন্দিবাজ
- বিস্তারিত
- বিকাশ
- উন্নত
- উন্নয়নশীল
- উন্নয়ন
- বিভিন্ন
- আলোচনা করা
- বণ্টিত
- ডোমেইন
- সহজে
- এনক্রিপশন
- শেষপ্রান্ত
- প্রকৌশলী
- প্রকৌশল
- প্রকৌশলী
- পরিবেশ
- অপরিহার্য
- স্থাপন করা
- উদাহরণ
- অভিজ্ঞতা
- দ্রুত
- বৈশিষ্ট্য
- ব্যক্তিত্ব
- পরিশেষে
- প্রথম
- কেন্দ্রবিন্দু
- দৃষ্টি নিবদ্ধ করা
- অনুসরণ
- পাওয়া
- ভিত
- ফ্রেমওয়ার্ক
- সম্পূর্ণ
- গোল
- শাসন
- সাহায্য
- সাহায্য
- এখানে
- কিভাবে
- HTTPS দ্বারা
- ভাবমূর্তি
- বাস্তবায়িত
- গুরুত্বপূর্ণ
- উন্নত করা
- অন্তর্ভুক্ত করা
- তথ্য
- পরিকাঠামো
- বীমা
- সংহত
- ইন্টিগ্রেশন
- ইন্টারফেস
- Internet
- জড়িত
- IT
- চাবি
- জ্ঞান
- বড়
- শিখতে
- শিক্ষা
- সামান্য
- দীর্ঘ
- মেশিন
- মেশিন লার্নিং
- ব্যবস্থাপনা
- পরিচালক
- বাজার
- Marketing
- ম্যাচ
- সদস্য
- মেটা
- ML
- মডেল
- মডেল
- মডুলার
- পর্যবেক্ষণ
- নতুন বৈশিষ্ট
- নতুন পণ্য
- অর্পণ
- কর্মকর্তা
- অনবোর্ডিং
- অপারেটিং
- সংগঠন
- অন্যান্য
- মালিক
- কর্মক্ষমতা
- মাচা
- নীতি
- নীতি
- ভবিষ্যদ্বাণী
- ভবিষ্যতবাণী
- প্রতিরোধ
- ব্যক্তিগত
- প্রক্রিয়া
- প্রসেস
- পণ্য
- উত্পাদনের
- পণ্য
- কার্যক্রম
- প্রকল্প
- প্রকল্প
- প্রদান
- প্রকাশ্য
- পাবলিক মেঘ
- গুণ
- সংগ্রহস্থলের
- প্রয়োজনীয়
- আবশ্যকতা
- Resources
- দায়ী
- এখানে ক্লিক করুন
- ঝুঁকি
- চালান
- স্কেল
- বিজ্ঞান
- বিজ্ঞানী
- বিজ্ঞানীরা
- সার্চ
- নিরাপত্তা
- সেবা
- সেবা
- ভজনা
- সেট
- ভাগ
- সহজ
- সফটওয়্যার
- সফ্টওয়্যার প্রকৌশল
- সলিউশন
- বিশেষ
- ব্যয় করা
- পর্যায়
- শুরু
- শুরু
- পরিসংখ্যান
- স্টোরেজ
- কৌশল
- শক্তিশালী
- পরবর্তীকালে
- সমর্থন
- সমর্থিত
- বেষ্টিত
- কাজ
- টীম
- কারিগরী
- প্রযুক্তি
- পরীক্ষা
- পরীক্ষামূলক
- পরীক্ষা
- সময়
- প্রশিক্ষণ
- রুপান্তর
- স্বচ্ছতা
- আপডেট
- us
- ব্যবহার
- সদ্ব্যবহার করা
- ভার্চুয়াল
- ওয়াচ
- হু
- মধ্যে
- ছাড়া
- হয়া যাই ?
- কর্মীসংখ্যার
- কাজ