প্রতিষ্ঠানের জন্য কৃত্রিম বুদ্ধিমত্তা (AI) এবং মেশিন লার্নিং (ML)-এর দ্রুত বিকশিত ল্যান্ডস্কেপে একটি মেশিন লার্নিং অপারেশন (MLOps) প্ল্যাটফর্ম তৈরি করা মডেল পারফরম্যান্সের চারপাশের প্রয়োজনীয়তাগুলি পূরণ করার সময় ডেটা বিজ্ঞানের পরীক্ষা-নিরীক্ষা এবং স্থাপনার মধ্যে ব্যবধান নির্বিঘ্নে পূরণ করার জন্য অপরিহার্য, নিরাপত্তা, এবং সম্মতি।
নিয়ন্ত্রক এবং সম্মতির প্রয়োজনীয়তাগুলি পূরণ করার জন্য, এই জাতীয় প্ল্যাটফর্ম ডিজাইন করার সময় মূল প্রয়োজনীয়তাগুলি হল:
- ঠিকানা তথ্য প্রবাহ
- মডেল কর্মক্ষমতা নিরীক্ষণ
- স্বয়ংক্রিয় মডেল পুনরায় প্রশিক্ষণ সুবিধা
- মডেল অনুমোদনের জন্য একটি প্রক্রিয়া প্রদান করুন
- একটি সুরক্ষিত পরিবেশে মডেল রাখুন
এই পোস্টে, আমরা AWS পরিষেবা এবং থার্ড-পার্টি টুলসেটগুলির সংমিশ্রণ ব্যবহার করার সময় এই চাহিদাগুলি পূরণ করার জন্য কীভাবে একটি MLOps ফ্রেমওয়ার্ক তৈরি করতে হয় তা দেখাই৷ সমাধানটি স্বয়ংক্রিয় মডেল পুনঃপ্রশিক্ষণ, ব্যাচ অনুমান, এবং এর সাথে পর্যবেক্ষণ সহ একটি বহু-পরিবেশ সেটআপ অন্তর্ভুক্ত করে অ্যামাজন সেজমেকার মডেল মনিটরসঙ্গে মডেল সংস্করণ সেজমেকার মডেল রেজিস্ট্রি, এবং একটি CI/CD পাইপলাইন ব্যবহার করে পরিবেশ জুড়ে ML কোড এবং পাইপলাইন প্রচারের সুবিধার্থে আমাজন সেজমেকার, অ্যামাজন ইভেন্টব্রিজ, অ্যামাজন সাধারণ বিজ্ঞপ্তি পরিষেবা (অ্যামাজন এস 3), HashiCorp Terraform, GitHub, এবং জেনকিন্স সিআই/সিডি। আমরা প্রশিক্ষিত একটি ম্যামোগ্রাফিক ভর ক্ষতের তীব্রতা (সৌম্য বা ম্যালিগন্যান্ট) ভবিষ্যদ্বাণী করার জন্য একটি মডেল তৈরি করি XGBoost অ্যালগরিদম সর্বজনীনভাবে উপলব্ধ ব্যবহার করে UCI ম্যামোগ্রাফি ভর ডেটাসেট এবং MLOps ফ্রেমওয়ার্ক ব্যবহার করে এটি স্থাপন করুন। কোড সহ সম্পূর্ণ নির্দেশাবলী পাওয়া যায় GitHub সংগ্রহস্থল.
সমাধান ওভারভিউ
নিম্নলিখিত আর্কিটেকচার ডায়াগ্রাম নিম্নলিখিত মূল উপাদানগুলির সাথে MLOps কাঠামোর একটি ওভারভিউ দেখায়:
- মাল্টি অ্যাকাউন্ট কৌশল - দুটি ভিন্ন পরিবেশ (dev এবং prod) দুটি ভিন্ন AWS অ্যাকাউন্টে AWS ওয়েল-আর্কিটেক্টেড বেস্ট প্র্যাকটিস অনুসরণ করে সেট আপ করা হয়েছে এবং কেন্দ্রীয় মডেল রেজিস্ট্রিতে একটি তৃতীয় অ্যাকাউন্ট সেট আপ করা হয়েছে:
- দেব পরিবেশ - কোথায় একটি অ্যামাজন সেজমেকার স্টুডিও ডোমেন মডেল উন্নয়ন, মডেল প্রশিক্ষণ, এবং ML পাইপলাইন (ট্রেন এবং অনুমান) পরীক্ষার অনুমতি দেওয়ার জন্য সেট আপ করা হয়েছে, একটি মডেল উচ্চতর পরিবেশে উন্নীত হওয়ার জন্য প্রস্তুত হওয়ার আগে।
- পণ্য পরিবেশ - যেখানে dev থেকে ML পাইপলাইনগুলিকে একটি প্রথম ধাপ হিসাবে উন্নীত করা হয় এবং সময়ের সাথে সাথে নির্ধারিত এবং পর্যবেক্ষণ করা হয়৷
- কেন্দ্রীয় মডেল রেজিস্ট্রি - আমাজন সেজমেকার মডেল রেজিস্ট্রি dev এবং prod পরিবেশ জুড়ে তৈরি মডেল সংস্করণ ট্র্যাক করতে একটি পৃথক AWS অ্যাকাউন্টে সেট আপ করা হয়েছে৷
- CI/CD এবং উৎস নিয়ন্ত্রণ - পরিবেশ জুড়ে এমএল পাইপলাইন স্থাপনের কাজটি জেনকিন্সের সাথে সেট আপ করা CI/CD এর মাধ্যমে পরিচালনা করা হয়, সাথে GitHub এর মাধ্যমে পরিচালিত সংস্করণ নিয়ন্ত্রণের সাথে। কোড পরিবর্তনগুলি সংশ্লিষ্ট পরিবেশে একত্রিত করা git শাখা প্রদত্ত লক্ষ্য পরিবেশে উপযুক্ত পরিবর্তন করতে একটি CI/CD কর্মপ্রবাহকে ট্রিগার করে।
- ব্যাচের পূর্বাভাস মডেল পর্যবেক্ষণ সহ - সঙ্গে নির্মিত অনুমান পাইপলাইন অ্যামাজন সেজমেকার পাইপলাইন ডেটা ড্রিফ্ট সনাক্ত করতে SageMaker মডেল মনিটর ব্যবহার করে মডেল পর্যবেক্ষণের সাথে ভবিষ্যদ্বাণী তৈরি করতে একটি নির্ধারিত ভিত্তিতে চলে।
- স্বয়ংক্রিয় পুনরায় প্রশিক্ষণের প্রক্রিয়া - যখনই ইনফারেন্স পাইপলাইনে ডেটা ড্রিফ্ট ধরা পড়ে তখন সেজমেকার পাইপলাইন দিয়ে তৈরি প্রশিক্ষণ পাইপলাইনটি ট্রিগার হয়। এটি প্রশিক্ষিত হওয়ার পরে, মডেলটি একজন মডেল অনুমোদনকারী দ্বারা অনুমোদিত হওয়ার জন্য কেন্দ্রীয় মডেল রেজিস্ট্রিতে নিবন্ধিত হয়। এটি অনুমোদিত হলে, আপডেট করা মডেল সংস্করণটি অনুমান পাইপলাইনের মাধ্যমে পূর্বাভাস তৈরি করতে ব্যবহৃত হয়।
- কোড হিসাবে পরিকাঠামো - কোড হিসাবে পরিকাঠামো (IaC), ব্যবহার করে তৈরি করা হয়েছে HashiCorp Terraform, ইভেন্টব্রিজের সাথে অনুমান পাইপলাইনের সময়সূচীকে সমর্থন করে, একটির উপর ভিত্তি করে ট্রেন পাইপলাইনের ট্রিগারিং ইভেন্টব্রিজের নিয়ম এবং ব্যবহার করে বিজ্ঞপ্তি পাঠানো অ্যামাজন সাধারণ বিজ্ঞপ্তি পরিষেবা (আমাজন এসএনএস) বিষয়.
MLOps ওয়ার্কফ্লোতে নিম্নলিখিত পদক্ষেপগুলি অন্তর্ভুক্ত রয়েছে:
- ডেভেলপমেন্ট অ্যাকাউন্টে সেজমেকার স্টুডিও ডোমেন অ্যাক্সেস করুন, গিটহাব রিপোজিটরি ক্লোন করুন, প্রদত্ত নমুনা মডেল ব্যবহার করে মডেল ডেভেলপমেন্ট প্রক্রিয়ার মধ্য দিয়ে যান এবং ট্রেন এবং অনুমান পাইপলাইন তৈরি করুন।
- ডেভেলপমেন্ট অ্যাকাউন্টে ট্রেন পাইপলাইন চালান, যা প্রশিক্ষিত মডেল সংস্করণের জন্য মডেল আর্টিফ্যাক্ট তৈরি করে এবং সেজমেকার মডেল রেজিস্ট্রি সেন্ট্রাল মডেল রেজিস্ট্রি অ্যাকাউন্টে মডেল নিবন্ধন করে।
- কেন্দ্রীয় মডেল রেজিস্ট্রি অ্যাকাউন্টে সেজমেকার মডেল রেজিস্ট্রিতে মডেলটি অনুমোদন করুন।
- GitHub সংগ্রহস্থলের একটি বৈশিষ্ট্য শাখায় কোড (ট্রেন এবং অনুমান পাইপলাইন, এবং ইভেন্টব্রিজ সময়সূচী, ইভেন্টব্রিজ নিয়ম, এবং SNS বিষয়) তৈরি করতে Terraform IaC কোডটি পুশ করুন। GitHub সংগ্রহস্থলের প্রধান শাখায় কোড মার্জ করার জন্য একটি পুল অনুরোধ তৈরি করুন।
- Jenkins CI/CD পাইপলাইন ট্রিগার করুন, যা GitHub সংগ্রহস্থলের সাথে সেট আপ করা হয়েছে। CI/CD পাইপলাইন ইভেন্টব্রিজের সময়সূচী, ইভেন্টব্রিজ নিয়ম এবং SNS বিষয়ের বিধান করার জন্য টেরাফর্ম কোড সহ ট্রেন এবং অনুমান পাইপলাইন তৈরি করতে প্রোড অ্যাকাউন্টে কোড স্থাপন করে।
- অনুমান পাইপলাইনটি দৈনিক ভিত্তিতে চালানোর জন্য নির্ধারিত হয়, যেখানে যখনই অনুমান পাইপলাইন থেকে ডেটা ড্রিফ্ট সনাক্ত করা হয় তখন ট্রেনের পাইপলাইনটি চালানোর জন্য সেট আপ করা হয়।
- যখনই ট্রেন বা অনুমান পাইপলাইনে কোনো ব্যর্থতা দেখা দেয় তখন SNS বিষয়ের মাধ্যমে বিজ্ঞপ্তি পাঠানো হয়।
পূর্বশর্ত
এই সমাধানের জন্য, আপনার নিম্নলিখিত পূর্বশর্ত থাকা উচিত:
- তিনটি AWS অ্যাকাউন্ট (dev, prod, এবং কেন্দ্রীয় মডেল রেজিস্ট্রি অ্যাকাউন্ট)
- তিনটি AWS অ্যাকাউন্টের প্রতিটিতে একটি সেজমেকার স্টুডিও ডোমেন সেট আপ করা হয়েছে (দেখুন অ্যামাজন সেজমেকার স্টুডিওতে বা ভিডিও দেখুন অ্যামাজন সেজেমেকার স্টুডিওতে দ্রুত চালিয়ে যান সেটআপ নির্দেশাবলীর জন্য)
- জেনকিন্স (আমরা জেনকিন্স 2.401.1 ব্যবহার করি) AWS-এ ইনস্টল করা প্রশাসনিক সুবিধা সহ
- টেরাফর্ম সংস্করণ 1.5.5 বা তার পরে জেনকিন্স সার্ভারে ইনস্টল করা হয়েছে
এই পোস্টের জন্য, আমরা কাজ us-east-1
সমাধান স্থাপন করতে অঞ্চল.
dev এবং prod অ্যাকাউন্টগুলিতে KMS কীগুলি সরবরাহ করুন৷
আমাদের প্রথম ধাপ তৈরি করা হয় AWS কী ব্যবস্থাপনা পরিষেবা dev এবং prod অ্যাকাউন্টে (AWS KMS) কী।
ডেভ অ্যাকাউন্টে একটি KMS কী তৈরি করুন এবং প্রোড অ্যাকাউন্টে অ্যাক্সেস দিন
dev অ্যাকাউন্টে একটি KMS কী তৈরি করতে নিম্নলিখিত ধাপগুলি সম্পূর্ণ করুন:
- AWS KMS কনসোলে, বেছে নিন গ্রাহক পরিচালিত কী নেভিগেশন ফলকে।
- বেছে নিন কী তৈরি করুন.
- জন্য চাবির ধরন, নির্বাচন করুন ভারসাম্য-সংক্রান্ত.
- জন্য কী ব্যবহার, নির্বাচন করুন এনক্রিপ্ট এবং ডিক্রিপ্ট.
- বেছে নিন পরবর্তী.
- ডেভ অ্যাকাউন্টে প্রবিধান করা KMS কী-তে প্রোডাকশন অ্যাকাউন্ট অ্যাক্সেস দিতে প্রোডাকশন অ্যাকাউন্ট নম্বর লিখুন। এটি একটি প্রয়োজনীয় পদক্ষেপ কারণ মডেলটিকে প্রথমবার ডেভ অ্যাকাউন্টে প্রশিক্ষিত করা হয়, সেন্ট্রাল মডেল রেজিস্ট্রি অ্যাকাউন্টে S3 বালতিতে লেখার আগে মডেল আর্টিফ্যাক্টগুলি KMS কী দিয়ে এনক্রিপ্ট করা হয়। মডেল আর্টিফ্যাক্টগুলি ডিক্রিপ্ট করতে এবং অনুমান পাইপলাইন চালানোর জন্য উত্পাদন অ্যাকাউন্টের KMS কী অ্যাক্সেসের প্রয়োজন৷
- বেছে নিন পরবর্তী এবং আপনার কী তৈরি করা শেষ করুন।
কী ব্যবস্থা করার পরে, এটি AWS KMS কনসোলে দৃশ্যমান হওয়া উচিত।
প্রোড অ্যাকাউন্টে একটি KMS কী তৈরি করুন
প্রোড অ্যাকাউন্টে একটি গ্রাহক পরিচালিত KMS কী তৈরি করতে পূর্ববর্তী বিভাগে একই পদক্ষেপগুলি অনুসরণ করুন৷ আপনি অন্য অ্যাকাউন্টে KMS কী শেয়ার করার ধাপটি এড়িয়ে যেতে পারেন।
কেন্দ্রীয় মডেল রেজিস্ট্রি অ্যাকাউন্টে একটি মডেল আর্টিফ্যাক্ট S3 বালতি সেট আপ করুন
স্ট্রিং দিয়ে আপনার পছন্দের একটি S3 বালতি তৈরি করুন sagemaker
কেন্দ্রীয় মডেল রেজিস্ট্রি অ্যাকাউন্টে বাকেটের নামের অংশ হিসাবে নামকরণ কনভেনশনে, এবং S3 বালতিতে বালতি নীতি আপডেট করুন যাতে S3 বালতিতে মডেল শিল্পকর্ম পড়তে এবং লেখার জন্য dev এবং prod উভয় অ্যাকাউন্ট থেকে অনুমতি দেওয়া যায়।
নিম্নলিখিত কোড হল S3 বালতিতে আপডেট করা বালতি নীতি:
আপনার AWS অ্যাকাউন্টে IAM ভূমিকা সেট আপ করুন
পরবর্তী ধাপ সেট আপ করা হয় এডাব্লুএস আইডেন্টিটি এবং অ্যাক্সেস ম্যানেজমেন্ট (IAM) এর জন্য অনুমতি সহ আপনার AWS অ্যাকাউন্টে ভূমিকা এডাব্লুএস ল্যাম্বদা, সেজমেকার, এবং জেনকিন্স।
Lambda মৃত্যুদন্ড কার্যকর ভূমিকা
সেট আপ করুন Lambda মৃত্যুদন্ড কার্যকর ভূমিকা dev এবং prod অ্যাকাউন্টে, যা Lambda ফাংশন দ্বারা ব্যবহৃত হবে সেজমেকার পাইপলাইন ল্যাম্বডা ধাপ. এই ধাপটি অনুমান পাইপলাইন থেকে সর্বশেষ অনুমোদিত মডেল আনার জন্য চালানো হবে, যা ব্যবহার করে অনুমানগুলি তৈরি করা হয়। নামকরণ কনভেনশনের সাথে dev এবং prod অ্যাকাউন্টে IAM ভূমিকা তৈরি করুন arn:aws:iam::<account-id>:role/lambda-sagemaker-role
এবং নিম্নলিখিত IAM নীতিগুলি সংযুক্ত করুন:
- নীতি 1 - নামে একটি ইনলাইন নীতি তৈরি করুন
cross-account-model-registry-access
, যা কেন্দ্রীয় অ্যাকাউন্টে মডেল রেজিস্ট্রিতে সেট আপ করা মডেল প্যাকেজে অ্যাক্সেস দেয়: - নীতি 2 - সংযুক্ত করুন AmazonSageMakerFullAccess, যা একটি AWS পরিচালিত নীতি যে SageMaker সম্পূর্ণ অ্যাক্সেস মঞ্জুর করে. এটি সম্পর্কিত পরিষেবাগুলিতে নির্বাচিত অ্যাক্সেসও প্রদান করে, যেমন AWS অ্যাপ্লিকেশন অটো স্কেলিং, আমাজন এস 3, অ্যামাজন ইলাস্টিক কনটেইনার রেজিস্ট্রি (আমাজন ইসিআর), এবং অ্যামাজন ক্লাউডওয়াচ লগস.
- নীতি 3 - সংযুক্ত করুন AWSLambda_FullAccess, যা একটি AWS পরিচালিত নীতি যা Lambda, Lambda কনসোল বৈশিষ্ট্য এবং অন্যান্য সম্পর্কিত AWS পরিষেবাগুলিতে সম্পূর্ণ অ্যাক্সেস প্রদান করে৷
- নীতি 4 - IAM ভূমিকার জন্য নিম্নলিখিত IAM বিশ্বাস নীতি ব্যবহার করুন:
SageMaker মৃত্যুদন্ড কার্যকর ভূমিকা
ডেভ এবং প্রোড অ্যাকাউন্টে সেট আপ করা সেজমেকার স্টুডিও ডোমেনগুলির প্রতিটিতে একটি কার্যকর ভূমিকা যুক্ত থাকা উচিত, যা এখানে পাওয়া যাবে ডোমেন সেটিংস ডোমেনের বিশদ পৃষ্ঠায় ট্যাব করুন, যেমনটি নিম্নলিখিত স্ক্রিনশটে দেখানো হয়েছে। এই ভূমিকাটি সেজমেকার স্টুডিও ডোমেনের মধ্যে প্রশিক্ষণের কাজ, প্রক্রিয়াকরণের কাজ এবং আরও অনেক কিছু চালানোর জন্য ব্যবহৃত হয়।
উভয় অ্যাকাউন্টে সেজমেকার কার্যকরী ভূমিকায় নিম্নলিখিত নীতিগুলি যুক্ত করুন:
- নীতি 1 - নামে একটি ইনলাইন নীতি তৈরি করুন
cross-account-model-artifacts-s3-bucket-access
, যা সেন্ট্রাল মডেল রেজিস্ট্রি অ্যাকাউন্টে S3 বালতিতে অ্যাক্সেস দেয়, যা মডেল আর্টিফ্যাক্টগুলি সংরক্ষণ করে: - নীতি 2 - নামে একটি ইনলাইন নীতি তৈরি করুন
cross-account-model-registry-access
, যা কেন্দ্রীয় মডেল রেজিস্ট্রি অ্যাকাউন্টে মডেল রেজিস্ট্রিতে মডেল প্যাকেজে অ্যাক্সেস দেয়: - নীতি 3 - নামে একটি ইনলাইন নীতি তৈরি করুন
kms-key-access-policy
, যা আগের ধাপে তৈরি করা KMS কী-তে অ্যাক্সেস দেয়। যে অ্যাকাউন্ট আইডিতে নীতি তৈরি করা হচ্ছে এবং সেই অ্যাকাউন্টে তৈরি করা KMS কী আইডি প্রদান করুন। - নীতি 4 - সংযুক্ত করুন AmazonSageMakerFullAccess, যা একটি AWS পরিচালিত নীতি যেটি সেজমেকারকে সম্পূর্ণ অ্যাক্সেস দেয় এবং সম্পর্কিত পরিষেবাগুলিতে অ্যাক্সেস নির্বাচন করে।
- নীতি 5 - সংযুক্ত করুন AWSLambda_FullAccess, যা একটি AWS পরিচালিত নীতি যা Lambda, Lambda কনসোল বৈশিষ্ট্য এবং অন্যান্য সম্পর্কিত AWS পরিষেবাগুলিতে সম্পূর্ণ অ্যাক্সেস প্রদান করে৷
- নীতি 6 - সংযুক্ত করুন CloudWatchEventsFullAccess, যা একটি AWS পরিচালিত নীতি যা CloudWatch ইভেন্টগুলিতে সম্পূর্ণ অ্যাক্সেস প্রদান করে।
- নীতি 7 - সেজমেকার এক্সিকিউশন আইএএম ভূমিকার জন্য নিম্নলিখিত আইএএম ট্রাস্ট নীতি যোগ করুন:
- নীতি 8 (প্রোড অ্যাকাউন্টে সেজমেকার কার্যকরী ভূমিকার জন্য নির্দিষ্ট) - নামে একটি ইনলাইন নীতি তৈরি করুন
cross-account-kms-key-access-policy
, যা dev অ্যাকাউন্টে তৈরি KMS কী-তে অ্যাক্সেস দেয়। সেন্ট্রাল মডেল রেজিস্ট্রি অ্যাকাউন্টে সংরক্ষিত মডেল আর্টিফ্যাক্টগুলি পড়ার জন্য অনুমান পাইপলাইনের জন্য এটি প্রয়োজন যেখানে dev অ্যাকাউন্ট থেকে মডেলের প্রথম সংস্করণ তৈরি করা হলে dev অ্যাকাউন্ট থেকে KMS কী ব্যবহার করে মডেল আর্টিফ্যাক্টগুলি এনক্রিপ্ট করা হয়।
ক্রস-অ্যাকাউন্ট জেনকিন্সের ভূমিকা
নামক একটি IAM ভূমিকা সেট আপ করুন cross-account-jenkins-role
প্রোড অ্যাকাউন্টে, যা জেনকিন্স প্রোড অ্যাকাউন্টে এমএল পাইপলাইন এবং সংশ্লিষ্ট অবকাঠামো স্থাপন করার জন্য অনুমান করবে।
ভূমিকাতে নিম্নলিখিত পরিচালিত IAM নীতিগুলি যোগ করুন:
CloudWatchFullAccess
AmazonS3FullAccess
AmazonSNSFullAccess
AmazonSageMakerFullAccess
AmazonEventBridgeFullAccess
AWSLambda_FullAccess
জেনকিন্স সার্ভার হোস্ট করা AWS অ্যাকাউন্টে অনুমতি দেওয়ার জন্য ভূমিকার উপর বিশ্বাসের সম্পর্ক আপডেট করুন:
Jenkins সার্ভারের সাথে যুক্ত IAM ভূমিকার অনুমতি আপডেট করুন
ধরে নিই যে জেনকিন্স AWS-এ সেট আপ করা হয়েছে, নিম্নলিখিত নীতিগুলি যোগ করতে জেনকিন্সের সাথে যুক্ত IAM ভূমিকা আপডেট করুন, যা জেনকিন্সকে প্রোড অ্যাকাউন্টে সংস্থানগুলি স্থাপন করার অ্যাক্সেস দেবে:
- নীতি 1 - নামের নিচের ইনলাইন পলিসি তৈরি করুন
assume-production-role-policy
: - নীতি 2 - সংযুক্ত করুন
CloudWatchFullAccess
পরিচালিত IAM নীতি।
কেন্দ্রীয় মডেল রেজিস্ট্রি অ্যাকাউন্টে মডেল প্যাকেজ গ্রুপ সেট আপ করুন
কেন্দ্রীয় মডেল রেজিস্ট্রি অ্যাকাউন্টে সেজমেকার স্টুডিও ডোমেন থেকে, নামক একটি মডেল প্যাকেজ গ্রুপ তৈরি করুন mammo-severity-model-package
নিম্নলিখিত কোড স্নিপেট ব্যবহার করে (যা আপনি একটি Jupyter নোটবুক ব্যবহার করে চালাতে পারেন):
dev এবং prod অ্যাকাউন্টে IAM ভূমিকার জন্য মডেল প্যাকেজ অ্যাক্সেস সেট আপ করুন
ডেভ এবং প্রোড অ্যাকাউন্টে তৈরি সেজমেকার এক্সিকিউশন রোলগুলিতে অ্যাক্সেসের ব্যবস্থা করুন যাতে আপনি মডেল প্যাকেজের মধ্যে মডেল সংস্করণগুলি নিবন্ধন করতে পারেন mammo-severity-model-package
উভয় অ্যাকাউন্ট থেকে কেন্দ্রীয় মডেল রেজিস্ট্রিতে। কেন্দ্রীয় মডেল রেজিস্ট্রি অ্যাকাউন্টে সেজমেকার স্টুডিও ডোমেন থেকে, জুপিটার নোটবুকে নিম্নলিখিত কোডটি চালান:
জেনকিন্স সেট আপ করুন
এই বিভাগে, আমরা জেনকিন্স সিআই/সিডি পাইপলাইনের মাধ্যমে প্রোড অ্যাকাউন্টে এমএল পাইপলাইন এবং সংশ্লিষ্ট টেরাফর্ম অবকাঠামো তৈরি করতে জেনকিন্সকে কনফিগার করি।
- CloudWatch কনসোলে, নামের একটি লগ গ্রুপ তৈরি করুন
jenkins-log
প্রোড অ্যাকাউন্টের মধ্যে যেখানে জেনকিন্স CI/CD পাইপলাইন থেকে লগ পুশ করবে। লগ গ্রুপটি একই অঞ্চলে তৈরি করা উচিত যেখানে জেনকিন্স সার্ভার সেট আপ করা হয়েছে। - নিম্নলিখিত প্লাগইন ইনস্টল করুন আপনার জেনকিন্স সার্ভারে:
- ক্রস-অ্যাকাউন্ট আইএএম ভূমিকা ব্যবহার করে জেনকিন্সে AWS শংসাপত্র সেট আপ করুন (
cross-account-jenkins-role
) প্রোড অ্যাকাউন্টে বিধান করা হয়েছে। - জন্য সিস্টেম কনফিগারেশননির্বাচন ডেস্কটপ AWS.
- আপনার আগে তৈরি করা শংসাপত্র এবং CloudWatch লগ গ্রুপ প্রদান করুন।
- Jenkins মধ্যে GitHub শংসাপত্র সেট আপ করুন.
- জেনকিন্সে একটি নতুন প্রকল্প তৈরি করুন।
- একটি প্রকল্পের নাম লিখুন এবং নির্বাচন করুন পাইপলাইন.
- উপরে সাধারণ ট্যাব, নির্বাচন করুন গিটহাব প্রকল্প এবং কাঁটাযুক্ত প্রবেশ করুন GitHub সংগ্রহস্থল URL টি।
- নির্বাচন করা এই প্রকল্পটি প্যারামিটারাইজড.
- উপরে প্যারামিটার যোগ করুন মেনু, নির্বাচন করুন স্ট্রিং প্যারামিটার.
- জন্য নামপ্রবেশ করান
prodAccount
. - জন্য ডিফল্ট মান, প্রোড অ্যাকাউন্ট আইডি লিখুন।
- অধীনে উন্নত প্রকল্প বিকল্পজন্য সংজ্ঞা, নির্বাচন করুন SCM থেকে পাইপলাইন স্ক্রিপ্ট.
- জন্য এস সি এমনির্বাচন git.
- জন্য সংগ্রহস্থল URL, কাঁটাযুক্ত প্রবেশ করুন GitHub সংগ্রহস্থল URL টি।
- জন্য পরিচয়পত্র, Jenkins-এ সংরক্ষিত GitHub শংসাপত্র লিখুন।
- প্রবেশ করান
main
মধ্যে গড়ে তুলতে হবে শাখা বিভাগ, যার ভিত্তিতে CI/CD পাইপলাইন ট্রিগার করা হবে। - জন্য স্ক্রিপ্ট পাথপ্রবেশ করান
Jenkinsfile
. - বেছে নিন সংরক্ষণ করুন.
জেনকিন্স পাইপলাইন তৈরি করা উচিত এবং আপনার ড্যাশবোর্ডে দৃশ্যমান হওয়া উচিত।
বিধান S3 বালতি, সংগ্রহ এবং তথ্য প্রস্তুত
আপনার S3 বালতি এবং ডেটা সেট আপ করতে নিম্নলিখিত পদক্ষেপগুলি সম্পূর্ণ করুন:
- স্ট্রিং দিয়ে আপনার পছন্দের একটি S3 বালতি তৈরি করুন
sagemaker
ডেটাসেট এবং মডেল আর্টিফ্যাক্টগুলি সঞ্চয় করার জন্য dev এবং prod উভয় অ্যাকাউন্টেই বালতির নামের অংশ হিসাবে নামকরণ কনভেনশনে। - প্রোড অ্যাকাউন্টে Terraform অবস্থা বজায় রাখতে একটি S3 বালতি সেট আপ করুন।
- ডাউনলোড করুন এবং সর্বজনীনভাবে উপলব্ধ সংরক্ষণ করুন UCI ম্যামোগ্রাফি ভর ডেভ অ্যাকাউন্টে আপনার তৈরি করা S3 বাকেটের ডেটাসেট।
- কাঁটাচামচ এবং ক্লোন GitHub সংগ্রহস্থল ডেভ অ্যাকাউন্টে সেজমেকার স্টুডিও ডোমেনের মধ্যে। রেপোতে নিম্নলিখিত ফোল্ডার কাঠামো রয়েছে:
- /পরিবেশ - পণ্য পরিবেশের জন্য কনফিগারেশন স্ক্রিপ্ট
- /mlops-infra - Terraform কোড ব্যবহার করে AWS পরিষেবা স্থাপনের জন্য কোড
- /পাইপলাইন - সেজমেকার পাইপলাইন উপাদানগুলির জন্য কোড
- জেনকিন্সফাইল - জেনকিন্স সিআই/সিডি পাইপলাইনের মাধ্যমে স্থাপন করার জন্য স্ক্রিপ্ট
- setup.py - প্রয়োজনীয় পাইথন মডিউল ইনস্টল করতে এবং রান-পাইপলাইন কমান্ড তৈরি করতে হবে
- mammography-severity-modeling.ipynb - আপনাকে এমএল ওয়ার্কফ্লো তৈরি এবং চালানোর অনুমতি দেয়
- ক্লোন করা গিটহাব রিপোজিটরি ফোল্ডারের মধ্যে ডেটা নামে একটি ফোল্ডার তৈরি করুন এবং সর্বজনীনভাবে উপলব্ধ একটি অনুলিপি সংরক্ষণ করুন UCI ম্যামোগ্রাফি ভর ডেটাসেট
- Jupyter নোটবুক অনুসরণ করুন
mammography-severity-modeling.ipynb
. - ডেটাসেটটি প্রিপ্রসেস করতে নোটবুকে নিম্নলিখিত কোডটি চালান এবং এটিকে ডেভ অ্যাকাউন্টে S3 বালতিতে আপলোড করুন:
কোডটি নিম্নলিখিত ডেটাসেটগুলি তৈরি করবে:
-
- data/ mammo-train-dataset-part1.csv - মডেলের প্রথম সংস্করণ প্রশিক্ষণের জন্য ব্যবহার করা হবে।
- data/ mammo-train-dataset-part2.csv – mammo-train-dataset-part1.csv ডেটাসেটের সাথে মডেলের দ্বিতীয় সংস্করণকে প্রশিক্ষণ দিতে ব্যবহার করা হবে।
- data/mammo-batch-dataset.csv - অনুমান তৈরি করতে ব্যবহার করা হবে।
- data/mammo-batch-dataset-outliers.csv - অনুমান পাইপলাইন ব্যর্থ করার জন্য ডেটাসেটে বহিরাগতদের পরিচয় করিয়ে দেবে। এটি আমাদের মডেলের স্বয়ংক্রিয় পুনরায় প্রশিক্ষণ ট্রিগার করার জন্য প্যাটার্নটি পরীক্ষা করতে সক্ষম করবে।
- ডেটাসেট আপলোড করুন
mammo-train-dataset-part1.csv
উপসর্গ অধীনেmammography-severity-model/train-dataset
, এবং ডেটাসেট আপলোড করুনmammo-batch-dataset.csv
এবংmammo-batch-dataset-outliers.csv
উপসর্গ থেকেmammography-severity-model/batch-dataset
dev অ্যাকাউন্টে তৈরি S3 বাকেটের: - ডেটাসেট আপলোড করুন
mammo-train-dataset-part1.csv
এবংmammo-train-dataset-part2.csv
উপসর্গ অধীনেmammography-severity-model/train-dataset
Amazon S3 কনসোলের মাধ্যমে প্রোড অ্যাকাউন্টে তৈরি S3 বালতিতে। - ডেটাসেট আপলোড করুন
mammo-batch-dataset.csv
এবংmammo-batch-dataset-outliers.csv
উপসর্গ থেকেmammography-severity-model/batch-dataset
প্রোড অ্যাকাউন্টে S3 বালতি।
ট্রেনের পাইপলাইন চালান
অধীনে <project-name>/pipelines/train
, আপনি নিম্নলিখিত Python স্ক্রিপ্ট দেখতে পারেন:
- scripts/raw_preprocess.py – ফিচার ইঞ্জিনিয়ারিং এর জন্য SageMaker প্রসেসিং এর সাথে ইন্টিগ্রেট করে
- scripts/evaluate_model.py - এই ক্ষেত্রে মডেল মেট্রিক্স গণনার অনুমতি দেয়
auc_score
- train_pipeline.py - মডেল প্রশিক্ষণ পাইপলাইনের কোড রয়েছে
নিম্নলিখিত পদক্ষেপগুলি সম্পূর্ণ করুন:
- অ্যামাজন S3 এ স্ক্রিপ্টগুলি আপলোড করুন:
- ট্রেন পাইপলাইনের উদাহরণ পান:
- ট্রেন পাইপলাইন জমা দিন এবং এটি চালান:
নিম্নলিখিত চিত্রটি প্রশিক্ষণ পাইপলাইনের একটি সফল চালনা দেখায়। পাইপলাইনের চূড়ান্ত ধাপে মডেলটিকে কেন্দ্রীয় মডেল রেজিস্ট্রি অ্যাকাউন্টে নিবন্ধন করা হয়।
কেন্দ্রীয় মডেল রেজিস্ট্রিতে মডেলটি অনুমোদন করুন
কেন্দ্রীয় মডেল রেজিস্ট্রি অ্যাকাউন্টে লগ ইন করুন এবং SageMaker স্টুডিও ডোমেনের মধ্যে SageMaker মডেল রেজিস্ট্রি অ্যাক্সেস করুন। মডেল সংস্করণের স্থিতিকে অনুমোদিত-এ পরিবর্তন করুন।
একবার অনুমোদিত হলে, মডেল সংস্করণে স্থিতি পরিবর্তন করা উচিত।
অনুমান পাইপলাইন চালান (ঐচ্ছিক)
এই পদক্ষেপের প্রয়োজন নেই কিন্তু আপনি এখনও dev অ্যাকাউন্টে পূর্বাভাস তৈরি করতে অনুমান পাইপলাইন চালাতে পারেন।
অধীনে <project-name>/pipelines/inference
, আপনি নিম্নলিখিত Python স্ক্রিপ্ট দেখতে পারেন:
- scripts/lambda_helper.py - SageMaker Pipelines Lambda ধাপ ব্যবহার করে কেন্দ্রীয় মডেল রেজিস্ট্রি অ্যাকাউন্ট থেকে সর্বশেষ অনুমোদিত মডেল সংস্করণটি টেনে আনে
- inference_pipeline.py - মডেল ইনফারেন্স পাইপলাইনের কোড ধারণ করে
নিম্নলিখিত পদক্ষেপগুলি সম্পূর্ণ করুন:
- S3 বালতিতে স্ক্রিপ্ট আপলোড করুন:
- সাধারণ ব্যাচ ডেটাসেট ব্যবহার করে অনুমান পাইপলাইন উদাহরণ পান:
- অনুমান পাইপলাইন জমা দিন এবং এটি চালান:
নিম্নলিখিত চিত্রটি অনুমান পাইপলাইনের একটি সফল রান দেখায়। পাইপলাইনের চূড়ান্ত ধাপটি পূর্বাভাস তৈরি করে এবং সেগুলিকে S3 বালতিতে সংরক্ষণ করে। আমরা ব্যাবহার করি মনিটরব্যাচ ট্রান্সফর্ম স্টেপ ব্যাচ ট্রান্সফর্ম কাজের ইনপুট নিরীক্ষণ করতে। যদি কোন আউটলায়ার থাকে, তাহলে অনুমান পাইপলাইন একটি ব্যর্থ অবস্থায় চলে যায়।
জেনকিন্স পাইপলাইন চালান
সার্জারির environment/
GitHub সংগ্রহস্থলের মধ্যে থাকা ফোল্ডারে প্রোড অ্যাকাউন্টের জন্য কনফিগারেশন স্ক্রিপ্ট রয়েছে। জেনকিন্স পাইপলাইন ট্রিগার করতে নিম্নলিখিত পদক্ষেপগুলি সম্পূর্ণ করুন:
- কনফিগার স্ক্রিপ্ট আপডেট করুন
prod.tfvars.json
পূর্ববর্তী ধাপে তৈরি সম্পদের উপর ভিত্তি করে: - একবার আপডেট হয়ে গেলে, কোডটিকে কাঁটাযুক্ত GitHub সংগ্রহস্থলে পুশ করুন এবং কোডটিকে মূল শাখায় মার্জ করুন।
- Jenkins UI এ যান, নির্বাচন করুন প্যারামিটার দিয়ে তৈরি করুন, এবং পূর্ববর্তী ধাপে তৈরি করা CI/CD পাইপলাইন ট্রিগার করুন।
বিল্ডটি সম্পূর্ণ এবং সফল হলে, আপনি প্রোড অ্যাকাউন্টে লগ ইন করতে পারেন এবং সেজমেকার স্টুডিও ডোমেনের মধ্যে ট্রেন এবং অনুমান পাইপলাইন দেখতে পারেন।
অতিরিক্তভাবে, আপনি প্রোড অ্যাকাউন্টে ইভেন্টব্রিজ কনসোলে তিনটি ইভেন্টব্রিজ নিয়ম দেখতে পাবেন:
- অনুমান পাইপলাইন সময়সূচী
- ট্রেনের পাইপলাইনে ব্যর্থতার বিজ্ঞপ্তি পাঠান
- যখন অনুমান পাইপলাইন ট্রেন পাইপলাইন ট্রিগার করতে ব্যর্থ হয়, একটি বিজ্ঞপ্তি পাঠান
অবশেষে, আপনি Amazon SNS কনসোলে একটি SNS বিজ্ঞপ্তি বিষয় দেখতে পাবেন যা ইমেলের মাধ্যমে বিজ্ঞপ্তি পাঠায়। আপনি একটি ইমেল পাবেন যা আপনাকে এই বিজ্ঞপ্তি ইমেলগুলির গ্রহণযোগ্যতা নিশ্চিত করতে বলবে৷
আউটলায়ার ছাড়াই একটি ব্যাচ ডেটাসেট ব্যবহার করে অনুমান পাইপলাইন পরীক্ষা করুন
প্রোড অ্যাকাউন্টে অনুমান পাইপলাইন প্রত্যাশিত হিসাবে কাজ করছে কিনা তা পরীক্ষা করতে, আমরা প্রোড অ্যাকাউন্টে লগ ইন করতে পারি এবং আউটলায়ার ছাড়াই ব্যাচ ডেটাসেট ব্যবহার করে অনুমান পাইপলাইনটি ট্রিগার করতে পারি।
প্রোড অ্যাকাউন্টের সেজমেকার স্টুডিও ডোমেনে সেজমেকার পাইপলাইন কনসোলের মাধ্যমে পাইপলাইনটি চালান, যেখানে transform_input
আউটলায়ার ছাড়াই ডেটাসেটের S3 URI হবে (s3://<s3-bucket-in-prod-account>/mammography-severity-model/data/mammo-batch-dataset.csv
).
অনুমান পাইপলাইন সফল হয় এবং পূর্বাভাসগুলিকে S3 বালতিতে ফিরিয়ে দেয়।
আউটলায়ার্স সহ একটি ব্যাচ ডেটাসেট ব্যবহার করে অনুমান পাইপলাইন পরীক্ষা করুন
স্বয়ংক্রিয় পুনঃপ্রশিক্ষণ প্রক্রিয়া প্রত্যাশিত হিসাবে কাজ করে কিনা তা পরীক্ষা করতে আপনি আউটলারের সাথে ব্যাচ ডেটাসেট ব্যবহার করে অনুমান পাইপলাইন চালাতে পারেন।
প্রোড অ্যাকাউন্টের সেজমেকার স্টুডিও ডোমেনে সেজমেকার পাইপলাইন কনসোলের মাধ্যমে পাইপলাইনটি চালান, যেখানে transform_input
আউটলায়ার সহ ডেটাসেটের S3 URI হবে (s3://<s3-bucket-in-prod-account>/mammography-severity-model/data/mammo-batch-dataset-outliers.csv
).
অনুমান পাইপলাইন প্রত্যাশিত হিসাবে ব্যর্থ হয়, যা ইভেন্টব্রিজ নিয়মকে ট্রিগার করে, যার ফলে ট্রেনের পাইপলাইনটি ট্রিগার হয়।
কয়েক মুহূর্ত পরে, আপনি সেজমেকার পাইপলাইন কনসোলে ট্রেন পাইপলাইনের একটি নতুন রান দেখতে পাবেন, যা দুটি ভিন্ন ট্রেন ডেটাসেট (mammo-train-dataset-part1.csv
এবং mammo-train-dataset-part2.csv
) মডেলটিকে পুনরায় প্রশিক্ষণ দিতে S3 বালতিতে আপলোড করা হয়েছে।
আপনি এসএনএস বিষয়ের সদস্যতা নেওয়া ইমেলে পাঠানো একটি বিজ্ঞপ্তিও দেখতে পাবেন।
আপডেট হওয়া মডেল সংস্করণ ব্যবহার করতে, কেন্দ্রীয় মডেল রেজিস্ট্রি অ্যাকাউন্টে লগ ইন করুন এবং মডেল সংস্করণটিকে অনুমোদন করুন, যা নির্ধারিত ইভেন্টব্রিজ নিয়মের মাধ্যমে ট্রিগার করা অনুমান পাইপলাইনের পরবর্তী রানের সময় তোলা হবে।
যদিও ট্রেন এবং ইনফারেন্স পাইপলাইনগুলি একটি স্ট্যাটিক ডেটাসেট ইউআরএল ব্যবহার করে, আপনি ডেটাসেট ইউআরএল ট্রেনে এবং ইনফারেন্স পাইপলাইনগুলিকে গতিশীল ভেরিয়েবল হিসাবে পাস করতে পারেন যাতে মডেলটিকে পুনরায় প্রশিক্ষণ দিতে এবং বাস্তব-বিশ্বের পরিস্থিতিতে ভবিষ্যদ্বাণী তৈরি করতে আপডেট করা ডেটাসেটগুলি ব্যবহার করতে পারেন৷
পরিষ্কার কর
ভবিষ্যতের চার্জ এড়াতে, নিম্নলিখিত পদক্ষেপগুলি সম্পূর্ণ করুন:
- সমস্ত AWS অ্যাকাউন্ট জুড়ে SageMaker স্টুডিও ডোমেন সরান।
- S3 buckets, IAM ভূমিকা, EventBridge নিয়ম, এবং SNS বিষয় সহ SageMaker-এর বাইরে তৈরি করা সমস্ত সংস্থান মুছুন প্রোড অ্যাকাউন্টে Terraform-এর মাধ্যমে।
- ব্যবহার করে অ্যাকাউন্ট জুড়ে তৈরি সেজমেকার পাইপলাইনগুলি মুছুন এডাব্লুএস কমান্ড লাইন ইন্টারফেস (AWS CLI)।
উপসংহার
বিভিন্ন কার্যকরী এলাকা এবং দল জুড়ে সহযোগিতা সক্ষম করতে সংস্থাগুলিকে প্রায়শই এন্টারপ্রাইজ-ওয়াইড টুলসেটের সাথে সারিবদ্ধ করতে হয়। এই সহযোগিতা নিশ্চিত করে যে আপনার MLOps প্ল্যাটফর্ম ক্রমবর্ধমান ব্যবসায়িক চাহিদার সাথে খাপ খাইয়ে নিতে পারে এবং দল জুড়ে ML গ্রহণকে ত্বরান্বিত করে। এই পোস্টে ব্যাখ্যা করা হয়েছে কিভাবে একটি মাল্টি-এনভায়রনমেন্ট সেটআপে একটি MLOps ফ্রেমওয়ার্ক তৈরি করতে হয় যাতে অ্যামাজন সেজমেকার মডেল মনিটরের সাহায্যে স্বয়ংক্রিয় মডেল পুনঃপ্রশিক্ষণ, ব্যাচ ইনফারেন্স এবং মনিটরিং, সেজমেকার মডেল রেজিস্ট্রির সাথে মডেল সংস্করণ এবং পরিবেশ জুড়ে এমএল কোড এবং পাইপলাইন প্রচার করা যায়। সিআই/সিডি পাইপলাইন। আমরা AWS পরিষেবা এবং তৃতীয় পক্ষের টুলসেটগুলির সংমিশ্রণ ব্যবহার করে এই সমাধানটি প্রদর্শন করেছি৷ এই সমাধান বাস্তবায়নের নির্দেশাবলীর জন্য, দেখুন GitHub সংগ্রহস্থল. আপনি আপনার নিজস্ব ডেটা উত্স এবং মডেলিং ফ্রেমওয়ার্ক এনে এই সমাধানটি প্রসারিত করতে পারেন।
লেখক সম্পর্কে
গায়ত্রী ঘনাকোটা AWS পেশাদার পরিষেবা সহ একজন সিনিয়র মেশিন লার্নিং ইঞ্জিনিয়ার। তিনি বিভিন্ন ডোমেন জুড়ে AI/ML সমাধানগুলি বিকাশ, স্থাপন এবং ব্যাখ্যা করার বিষয়ে উত্সাহী। এই ভূমিকার আগে, তিনি আর্থিক এবং খুচরা জায়গায় শীর্ষ বিশ্বব্যাপী সংস্থাগুলির সাথে ডেটা বিজ্ঞানী এবং এমএল ইঞ্জিনিয়ার হিসাবে একাধিক উদ্যোগের নেতৃত্ব দিয়েছিলেন। তিনি কলোরাডো ইউনিভার্সিটি, বোল্ডার থেকে ডেটা সায়েন্সে বিশেষায়িত কম্পিউটার সায়েন্সে স্নাতকোত্তর ডিগ্রি অর্জন করেছেন।
সুনিতা কোপার AWS প্রফেশনাল সার্ভিসেসের সাথে একজন সিনিয়র ডেটা লেক আর্কিটেক্ট। তিনি বড় ডেটা প্রক্রিয়াকরণ এবং দীর্ঘমেয়াদী মাপযোগ্য সমাধান প্রদানের গ্রাহকদের ব্যথার পয়েন্টগুলি সমাধান করার বিষয়ে উত্সাহী৷ এই ভূমিকার আগে, তিনি ইন্টারনেট, টেলিকম এবং স্বয়ংচালিত ডোমেনে পণ্যগুলি তৈরি করেছিলেন এবং একজন AWS গ্রাহক ছিলেন। তিনি রিভারসাইডের ক্যালিফোর্নিয়া বিশ্ববিদ্যালয় থেকে ডেটা সায়েন্সে স্নাতকোত্তর ডিগ্রি অর্জন করেছেন।
শাশ্বতা ড্যাশ AWS পেশাদার পরিষেবাগুলির সাথে একজন DevOps পরামর্শদাতা৷ তিনি স্বাস্থ্যসেবা এবং জীবন বিজ্ঞান, বিমান চালনা এবং উত্পাদন জুড়ে গ্রাহকদের সাথে কাজ করেছেন। তিনি সমস্ত কিছুর অটোমেশন সম্পর্কে উত্সাহী এবং AWS-এ এন্টারপ্রাইজ-স্কেল গ্রাহক সমাধানগুলি ডিজাইন এবং তৈরিতে তার ব্যাপক অভিজ্ঞতা রয়েছে৷ কাজের বাইরে, তিনি ফটোগ্রাফি এবং সূর্যোদয় ধরার জন্য তার আবেগকে অনুসরণ করেন।
- 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/promote-pipelines-in-a-multi-environment-setup-using-amazon-sagemaker-model-registry-hashicorp-terraform-github-and-jenkins-ci-cd/
- : আছে
- : হয়
- :না
- :কোথায়
- $ ইউপি
- 1
- 10
- 100
- 12
- 13
- 14
- 16
- 17
- 19
- 23
- 27
- 31
- 320
- 7
- 8
- 9
- a
- সম্পর্কে
- খানি
- গ্রহণযোগ্যতা
- প্রবেশ
- হিসাব
- অ্যাকাউন্টস
- দিয়ে
- কর্ম
- খাপ খাওয়ানো
- যোগ
- ঠিকানা
- প্রশাসনিক
- গ্রহণ
- পর
- বয়স
- AI
- শ্রেণীবদ্ধ করা
- সব
- অনুমতি
- অনুমতি
- বরাবর
- এছাড়াও
- মর্দানী স্ত্রীলোক
- আমাজন সেজমেকার
- অ্যামাজন ওয়েব সার্ভিসেস
- an
- এবং
- অন্য
- কোন
- আবেদন
- যথাযথ
- অনুমোদন করা
- অনুমোদিত
- স্থাপত্য
- রয়েছি
- এলাকার
- কাছাকাছি
- কৃত্রিম
- কৃত্রিম বুদ্ধিমত্তা
- কৃত্রিম বুদ্ধিমত্তা (এআই)
- AS
- জিজ্ঞাসা
- যুক্ত
- অনুমান
- সংযুক্ত
- গাড়ী
- অটোমেটেড
- স্বয়ংক্রিয়
- স্বয়ংক্রিয়তা
- স্বয়ংচালিত
- সহজলভ্য
- বিমানচালনা
- এড়াতে
- ডেস্কটপ AWS
- AWS গ্রাহক
- AWS প্রফেশনাল সার্ভিসেস
- পিছনে
- ভিত্তি
- ভিত্তি
- BE
- কারণ
- হয়েছে
- আগে
- হচ্ছে
- সর্বোত্তম
- সেরা অভ্যাস
- মধ্যে
- বিশাল
- বড় ডেটা
- উভয়
- শাখা
- গণনার জমকালো অনুষ্ঠান
- আনয়ন
- নির্মাণ করা
- ভবন
- নির্মিত
- ব্যবসায়
- কিন্তু
- by
- হিসাব
- ক্যালিফোর্নিয়া
- নামক
- CAN
- কেস
- মধ্য
- পরিবর্তন
- পরিবর্তিত
- পরিবর্তন
- চার্জ
- চেক
- পছন্দ
- বেছে নিন
- কোড
- সহযোগিতা
- সংগ্রহ করা
- কলোরাডো
- স্তম্ভ
- কলাম
- এর COM
- সমাহার
- সম্পূর্ণ
- সম্মতি
- উপাদান
- ব্যাপক
- কম্পিউটার
- কম্পিউটার বিজ্ঞান
- শর্ত
- কনফিগারেশন
- নিশ্চিত করা
- কনসোল
- পরামর্শকারী
- আধার
- ধারণ
- নিয়ন্ত্রণ
- সম্মেলন
- রূপান্তর
- অনুরূপ
- সৃষ্টি
- নির্মিত
- তৈরি করা হচ্ছে
- পরিচয়পত্র
- ক্রস
- ক্রেতা
- গ্রাহক সমাধান
- গ্রাহকদের
- দৈনিক
- ড্যাশবোর্ড
- উপাত্ত
- ডেটা লেক
- তথ্য বিজ্ঞান
- তথ্য বিজ্ঞানী
- ডেটাসেট
- ডিক্রিপ্ট করুন
- ডিফল্ট
- ডিগ্রী
- স্থাপন
- মোতায়েন
- বিস্তৃতি
- স্থাপন
- ফন্দিবাজ
- বিস্তারিত
- সনাক্ত
- সনাক্ত
- দেব
- উন্নত
- উন্নয়নশীল
- উন্নয়ন
- অভি
- বিভিন্ন
- ডোমেইন
- ডোমেইনের
- সময়
- প্রগতিশীল
- প্রতি
- পূর্বে
- প্রভাব
- পারেন
- ইমেইল
- ইমেল
- সক্ষম করা
- এনক্রিপ্ট করা
- প্রকৌশলী
- নিশ্চিত
- প্রবেশ করান
- পরিবেশ
- পরিবেশের
- অপরিহার্য
- ঘটনাবলী
- নব্য
- ফাঁসি
- প্রত্যাশিত
- অভিজ্ঞতা
- ব্যাখ্যা
- ব্যাখ্যা
- প্রসারিত করা
- সহজতর করা
- ব্যর্থ
- ব্যর্থ
- ব্যর্থ
- ব্যর্থতা
- বৈশিষ্ট্য
- বৈশিষ্ট্য
- কয়েক
- ব্যক্তিত্ব
- ফাইল
- চূড়ান্ত
- আর্থিক
- শেষ
- সংস্থাগুলো
- প্রথম
- প্রথমবার
- অনুসরণ
- জন্য
- পাওয়া
- ফ্রেমওয়ার্ক
- অবকাঠামো
- থেকে
- মেটান
- সম্পূর্ণ
- ক্রিয়া
- কার্মিক
- ভবিষ্যৎ
- ফাঁক
- উত্পাদন করা
- উত্পন্ন
- উত্পন্ন
- পাওয়া
- git
- GitHub
- দাও
- প্রদত্ত
- দেয়
- বিশ্বব্যাপী
- Go
- Goes
- অনুদান
- গ্রুপ
- আছে
- স্বাস্থ্যসেবা
- তার
- ঊর্ধ্বতন
- ঝুলিতে
- হোস্টিং
- কিভাবে
- কিভাবে
- এইচটিএমএল
- HTTP
- HTTPS দ্বারা
- ID
- পরিচয়
- if
- বাস্তবায়ন
- আমদানি
- in
- অন্তর্ভুক্ত
- সুদ্ধ
- সূচক
- পরিকাঠামো
- প্রাথমিকভাবে
- উদ্যোগ
- ইনপুট
- ইনস্টল
- ইনস্টল
- উদাহরণ
- নির্দেশাবলী
- সংহত
- বুদ্ধিমত্তা
- Internet
- মধ্যে
- প্রবর্তন করা
- IT
- কাজ
- জবস
- JPG
- JSON
- চাবি
- কী
- লেবেল
- হ্রদ
- ভূদৃশ্য
- পরে
- সর্বশেষ
- শিক্ষা
- বরফ
- leveraged
- জীবন
- জীবন বিজ্ঞান
- লাইন
- লগ ইন করুন
- দীর্ঘ মেয়াদী
- মেশিন
- মেশিন লার্নিং
- প্রধান
- বজায় রাখা
- করা
- পরিচালিত
- ব্যবস্থাপনা
- উত্পাদন
- মার্জিন
- ভর
- মাস্টার্স
- পদ্ধতি
- সাক্ষাৎ
- মেনু
- মার্জ
- ছন্দোবিজ্ঞান
- অনুপস্থিত
- ML
- এমএলওএস
- মডেল
- মূর্তিনির্মাণ
- মডেল
- পরিবর্তন
- মডিউল
- মারার
- মনিটর
- পর্যবেক্ষণ করা
- পর্যবেক্ষণ
- অধিক
- বহু
- নাম
- নামে
- নামকরণ
- ন্যাভিগেশন
- প্রয়োজন
- প্রয়োজন
- চাহিদা
- নতুন
- পরবর্তী
- সাধারণ
- নোটবই
- প্রজ্ঞাপন
- বিজ্ঞপ্তি
- সংখ্যা
- অসাড়
- of
- প্রায়ই
- on
- ONE
- অপারেশনস
- or
- ক্রম
- সংগঠন
- অন্যান্য
- বাইরে
- বাহিরে
- শেষ
- ওভারভিউ
- নিজের
- প্যাকেজ
- পৃষ্ঠা
- ব্যথা
- পান্ডাস
- শার্সি
- অংশ
- যন্ত্রাংশ
- গৃহীত
- আবেগ
- কামুক
- প্যাটার্ন
- কর্মক্ষমতা
- অনুমতি
- ফটোগ্রাফি
- অবচিত
- পিক
- পাইপলাইন
- মাচা
- Plato
- প্লেটো ডেটা ইন্টেলিজেন্স
- প্লেটোডাটা
- পয়েন্ট
- নীতি
- নীতি
- পোস্ট
- চর্চা
- ভবিষ্যদ্বাণী করা
- ভবিষ্যতবাণী
- প্রস্তুত করা
- পূর্বশর্ত
- আগে
- অধ্যক্ষ
- পূর্বে
- বিশেষাধিকার
- প্রক্রিয়া
- প্রক্রিয়াজাতকরণ
- উত্পাদনের
- পণ্য
- পেশাদারী
- প্রকল্প
- উন্নীত করা
- উন্নীত
- পদোন্নতি
- প্রদান
- প্রদত্ত
- উপলব্ধ
- প্রদানের
- বিধান
- প্রকাশ্যে
- pulls
- সাধনা করে
- ধাক্কা
- পাইথন
- দ্রুত
- দ্রুত
- কাঁচা
- পড়া
- প্রস্তুত
- বাস্তব জগতে
- এলাকা
- খাতা
- নিবন্ধভুক্ত
- খাতাপত্র
- রেজিস্ট্রি
- নিয়ন্ত্রক
- সংশ্লিষ্ট
- সম্পর্ক
- অপসারণ
- সংগ্রহস্থলের
- অনুরোধ
- প্রয়োজনীয়
- আবশ্যকতা
- সংস্থান
- Resources
- প্রতিক্রিয়া
- খুচরা
- প্রত্যাবর্তন
- নদীতীর
- ভূমিকা
- ভূমিকা
- শিকড়
- নিয়ম
- নিয়ম
- চালান
- রান
- ঋষি নির্মাতা
- সেজমেকার পাইপলাইন
- একই
- সংরক্ষণ করুন
- সংরক্ষিত
- মাপযোগ্য
- দৃশ্যকল্প
- তফসিল
- তালিকাভুক্ত
- পূর্বপরিকল্পনা
- বিজ্ঞান
- বিজ্ঞান
- বিজ্ঞানী
- লিপি
- স্ক্রিপ্ট
- নির্বিঘ্নে
- দ্বিতীয়
- অধ্যায়
- নিরাপদ
- নিরাপত্তা
- দেখ
- পাঠান
- পাঠানোর
- পাঠায়
- প্রেরিত
- আলাদা
- সার্ভার
- সেবা
- সেবা
- সেট
- সেটিংস
- সেটআপ
- আকৃতি
- শেয়ার
- সে
- উচিত
- প্রদর্শনী
- শোকেস
- প্রদর্শিত
- শো
- সহজ
- টুকিটাকি
- So
- সমাধান
- সলিউশন
- সমাধানে
- উৎস
- সোর্স
- স্থান
- বিশেষজ্ঞ
- নির্দিষ্ট
- বিভক্ত করা
- রাষ্ট্র
- বিবৃতি
- স্থির
- অবস্থা
- ধাপ
- প্রারম্ভিক ব্যবহারের নির্দেশাবলী
- এখনো
- দোকান
- সঞ্চিত
- দোকান
- স্ট্রিং
- গঠন
- চিত্রশালা
- সফল
- এমন
- সমর্থন
- লক্ষ্য
- দল
- টেলিকম
- Terraform
- পরীক্ষা
- পরীক্ষামূলক
- যে
- সার্জারির
- তাহাদিগকে
- তারপর
- সেখানে।
- এইগুলো
- কিছু
- তৃতীয়
- তৃতীয় পক্ষের
- এই
- তিন
- দ্বারা
- সময়
- থেকে
- টুলসেট
- শীর্ষ
- বিষয়
- পথ
- রেলগাড়ি
- প্রশিক্ষিত
- প্রশিক্ষণ
- রুপান্তর
- ট্রিগার
- আলোড়ন সৃষ্টি
- ট্রিগারিং
- সত্য
- আস্থা
- চালু
- দুই
- ui
- অধীনে
- বিশ্ববিদ্যালয়
- ক্যালিফোর্নিয়া বিশ্ববিদ্যালয়
- আপডেট
- আপডেট
- আপলোড করা
- URL টি
- us
- ব্যবহার
- ব্যবহৃত
- ব্যবহার
- উপযোগ
- মানগুলি
- বিভিন্ন
- সংস্করণ
- সংস্করণ
- মাধ্যমে
- ভিডিও
- দৃশ্যমান
- ওয়াচ
- we
- ওয়েব
- ওয়েব সার্ভিস
- কখন
- যখনই
- যেহেতু
- যে
- যখন
- ইচ্ছা
- সঙ্গে
- মধ্যে
- ছাড়া
- হয়া যাই ?
- কাজ করছে
- কর্মপ্রবাহ
- কাজ
- কাজ
- লেখা
- লিখিত
- আপনি
- আপনার
- ইউটিউব
- zephyrnet