Amazon SageMaker ক্যানভাসে নো-কোড মেশিন লার্নিং সমাধান তৈরি করতে Amazon DocumentDB ব্যবহার করুন | আমাজন ওয়েব সার্ভিসেস

আমরা চালু করার ঘোষণা দিতে পেরে আনন্দিত আমাজন ডকুমেন্টডিবি (মঙ্গোডিবি সামঞ্জস্য সহ) সঙ্গে একীকরণ আমাজন সেজমেকার ক্যানভাস, অ্যামাজন ডকুমেন্টডিবি গ্রাহকদের কোড না লিখে জেনারেটিভ এআই এবং মেশিন লার্নিং (এমএল) সমাধান তৈরি এবং ব্যবহার করার অনুমতি দেয়। Amazon DocumentDB হল একটি সম্পূর্ণরূপে পরিচালিত নেটিভ JSON ডকুমেন্ট ডাটাবেস যা পরিকাঠামো পরিচালনা ছাড়াই কার্যত যে কোনও স্কেলে সমালোচনামূলক নথির কাজের চাপগুলি পরিচালনা করা সহজ এবং সাশ্রয়ী করে তোলে৷ Amazon SageMaker Canvas হল একটি নো-কোড এমএল ওয়ার্কস্পেস যা ফাউন্ডেশন মডেল সহ রেডি-টু-ব্যবহারের মডেল এবং ডেটা প্রস্তুত করার এবং কাস্টম মডেল তৈরি ও স্থাপন করার ক্ষমতা প্রদান করে।

এই পোস্টে, আমরা আলোচনা করব কীভাবে অ্যামাজন ডকুমেন্টডিবি-তে সঞ্চিত ডেটা সেজমেকার ক্যানভাসে আনতে হয় এবং ভবিষ্যদ্বাণীমূলক বিশ্লেষণের জন্য এমএল মডেল তৈরি করতে সেই ডেটা ব্যবহার করতে হয়। ডেটা পাইপলাইন তৈরি এবং রক্ষণাবেক্ষণ না করে, আপনি অ্যামাজন ডকুমেন্টডিবি-তে সঞ্চিত আপনার অসংগঠিত ডেটা দিয়ে এমএল মডেলগুলিকে শক্তি দিতে সক্ষম হবেন।

সমাধান ওভারভিউ

একটি খাদ্য বিতরণ কোম্পানির জন্য একটি ব্যবসা বিশ্লেষকের ভূমিকা অনুমান করা যাক। আপনার মোবাইল অ্যাপ অ্যামাজন ডকুমেন্টডিবি-তে রেস্তোরাঁ সম্পর্কে তথ্য সঞ্চয় করে কারণ এর মাপযোগ্যতা এবং নমনীয় স্কিমা ক্ষমতা। আপনি এই ডেটার উপর অন্তর্দৃষ্টি সংগ্রহ করতে চান এবং নতুন রেস্তোঁরাগুলিকে কীভাবে রেট দেওয়া হবে তা ভবিষ্যদ্বাণী করতে একটি ML মডেল তৈরি করতে চান, তবে অসংগঠিত ডেটাতে বিশ্লেষণ সম্পাদন করা কঠিন বলে মনে করেন। আপনি বাধার সম্মুখীন হন কারণ এই লক্ষ্যগুলি অর্জন করতে আপনাকে ডেটা ইঞ্জিনিয়ারিং এবং ডেটা সায়েন্স টিমের উপর নির্ভর করতে হবে।

এই নতুন ইন্টিগ্রেশনটি অ্যামাজন ডকুমেন্টডিবি ডেটা সেজমেকার ক্যানভাসে আনা সহজ করে এবং অবিলম্বে এমএল-এর জন্য ডেটা প্রস্তুত ও বিশ্লেষণ শুরু করে এই সমস্যাগুলি সমাধান করে৷ অতিরিক্তভাবে, সেজমেকার ক্যানভাস উচ্চ-মানের মডেল তৈরি করতে এবং ভবিষ্যদ্বাণী তৈরি করতে এমএল দক্ষতার উপর নির্ভরতা দূর করে।

আমরা নিম্নলিখিত ধাপে সেজমেকার ক্যানভাসে এমএল মডেল তৈরি করতে অ্যামাজন ডকুমেন্টডিবি ডেটা কীভাবে ব্যবহার করতে হয় তা প্রদর্শন করি:

1. সেজমেকার ক্যানভাসে একটি অ্যামাজন ডকুমেন্টডিবি সংযোগকারী তৈরি করুন।
2. জেনারেটিভ এআই ব্যবহার করে ডেটা বিশ্লেষণ করুন।
3. মেশিন লার্নিংয়ের জন্য ডেটা প্রস্তুত করুন।
4. একটি মডেল তৈরি করুন এবং ভবিষ্যদ্বাণী তৈরি করুন।

পূর্বশর্ত

এই সমাধানটি বাস্তবায়ন করতে, নিম্নলিখিত পূর্বশর্তগুলি সম্পূর্ণ করুন:

1. একটি সঙ্গে AWS ক্লাউড অ্যাডমিন অ্যাক্সেস আছে এডাব্লুএস আইডেন্টিটি এবং অ্যাক্সেস ম্যানেজমেন্ট (আমি) ব্যবহারকারী ইন্টিগ্রেশন সম্পূর্ণ করার জন্য প্রয়োজনীয় অনুমতি সহ।
2. ব্যবহার করে পরিবেশ সেটআপ সম্পূর্ণ করুন এডাব্লুএস ক্লাউডফর্মেশন নিম্নলিখিত বিকল্পগুলির যেকোনো একটির মাধ্যমে:
   1. একটি নতুন VPC-তে একটি CloudFormation টেমপ্লেট স্থাপন করুন - এই বিকল্পটি একটি নতুন AWS পরিবেশ তৈরি করে যা ভিপিসি, ব্যক্তিগত সাবনেট, নিরাপত্তা গোষ্ঠী, আইএএম কার্যকর করার ভূমিকা নিয়ে গঠিত। অ্যামাজন ক্লাউড9, প্রয়োজনীয় VPC শেষ পয়েন্ট, এবং সেজমেকার ডোমেইন. এটি তখন এই নতুন ভিপিসিতে অ্যামাজন ডকুমেন্টডিবি স্থাপন করে। ডাউনলোড করুন টেমপ্লেট অথবা বেছে নিয়ে CloudFormation স্ট্যাক দ্রুত লঞ্চ করুন স্ট্যাক চালু করুন:
      
   2. একটি বিদ্যমান ভিপিসিতে একটি ক্লাউডফর্মেশন টেমপ্লেট স্থাপন করুন - এই বিকল্পটি প্রাইভেট সাবনেট সহ বিদ্যমান ভিপিসিতে প্রয়োজনীয় ভিপিসি এন্ডপয়েন্ট, আইএএম এক্সিকিউশন রোল এবং সেজমেকার ডোমেন তৈরি করে। ডাউনলোড করুন টেমপ্লেট অথবা বেছে নিয়ে CloudFormation স্ট্যাক দ্রুত লঞ্চ করুন স্ট্যাক চালু করুন:
      

মনে রাখবেন যে আপনি যদি একটি নতুন SageMaker ডোমেন তৈরি করেন, তাহলে আপনাকে অবশ্যই Amazon DocumentDB-তে সংযোগকারী যুক্ত করতে ইন্টারনেট অ্যাক্সেস ছাড়াই একটি ব্যক্তিগত VPC-তে ডোমেনটি কনফিগার করতে হবে। আরো জানতে, পড়ুন ইন্টারনেট অ্যাক্সেস ছাড়াই ভিপিসিতে অ্যামাজন সেজমেকার ক্যানভাস কনফিগার করুন.

3. অনুসরণ করা অভিভাবকসংবঁধীয় Amazon DocumentDB-তে রেস্টুরেন্টের নমুনা ডেটা লোড করতে।
4. অ্যামাজন বেডরক এবং এর মধ্যে অ্যানথ্রপিক ক্লড মডেলে অ্যাক্সেস যোগ করুন। আরও তথ্যের জন্য, দেখুন মডেল অ্যাক্সেস যোগ করুন.

সেজমেকার ক্যানভাসে একটি অ্যামাজন ডকুমেন্টডিবি সংযোগকারী তৈরি করুন

আপনি আপনার সেজমেকার ডোমেন তৈরি করার পরে, নিম্নলিখিত পদক্ষেপগুলি সম্পূর্ণ করুন:

1. অ্যামাজন ডকুমেন্টডিবি কনসোলে, নির্বাচন করুন নো-কোড মেশিন লার্নিং নেভিগেশন ফলকে।
2. অধীনে একটি ডোমেন এবং প্রোফাইল চয়ন করুন¸ আপনার SageMaker ডোমেন এবং ব্যবহারকারী প্রোফাইল চয়ন করুন৷
3. বেছে নিন ক্যানভাস চালু করুন একটি নতুন ট্যাবে সেজমেকার ক্যানভাস চালু করতে।
   

সেজমেকার ক্যানভাস লোডিং শেষ হলে, আপনি অবতরণ করবেন ডেটা প্রবাহ ট্যাব।

4. বেছে নিন সৃষ্টি একটি নতুন ডেটা প্রবাহ তৈরি করতে।
   
5. আপনার ডেটা প্রবাহের জন্য একটি নাম লিখুন এবং নির্বাচন করুন সৃষ্টি.
6. বেছে নিয়ে একটি নতুন Amazon DocumentDB সংযোগ যোগ করুন তথ্য আমদানি, তাহলে বেছে নাও ফলকাকার উন্নত ডেটাসেটের ধরন.
7. উপরে তথ্য আমদানি পৃষ্ঠা, জন্য তথ্য উৎসনির্বাচন ডকুমেন্টডিবি এবং সংযোগ যোগ করুন.
   
8. একটি সংযোগের নাম লিখুন যেমন ডেমো এবং আপনার পছন্দসই Amazon DocumentDB ক্লাস্টার বেছে নিন।

মনে রাখবেন যে সেজমেকার ক্যানভাস আপনার সেজমেকার ডোমেনের মতো একই ভিপিসিতে ক্লাস্টার সহ ড্রপ-ডাউন মেনুটি প্রিপুলেশন করবে।

9. একটি ব্যবহারকারীর নাম, পাসওয়ার্ড এবং ডাটাবেসের নাম লিখুন।
10. অবশেষে, আপনার পড়ার পছন্দ নির্বাচন করুন।

প্রাথমিক দৃষ্টান্তের কর্মক্ষমতা রক্ষা করতে, সেজমেকার ক্যানভাস ডিফল্ট করে মাধ্যমিক, মানে এটি শুধুমাত্র গৌণ উদাহরণ থেকে পড়া হবে। যখন পড়া পছন্দ হয় মাধ্যমিক পছন্দ, সেজমেকার ক্যানভাস উপলব্ধ সেকেন্ডারি ইনস্ট্যান্স থেকে পড়ে, কিন্তু যদি সেকেন্ডারি ইনস্ট্যান্স উপলব্ধ না হয় তাহলে প্রাথমিক ইনস্ট্যান্স থেকে পড়বে। একটি Amazon DocumentDB সংযোগ কীভাবে কনফিগার করবেন সে সম্পর্কে আরও তথ্যের জন্য, দেখুন AWS-এ সংরক্ষিত একটি ডাটাবেসের সাথে সংযোগ করুন.

11. বেছে নিন সংযোগ যোগ করুন.
    

সংযোগ সফল হলে, আপনি টেবিল হিসাবে দেখানো আপনার Amazon DocumentDB ডাটাবেসে সংগ্রহ দেখতে পাবেন।

12. আপনার পছন্দের টেবিলটি ফাঁকা ক্যানভাসে টেনে আনুন। এই পোস্টের জন্য, আমরা আমাদের রেস্টুরেন্ট ডেটা যোগ করি।

প্রথম 100টি সারি একটি পূর্বরূপ হিসাবে প্রদর্শিত হয়।

13. আপনার ডেটা বিশ্লেষণ এবং প্রস্তুতি শুরু করতে, নির্বাচন করুন তথ্য আমদানি.
    
14. একটি ডেটাসেটের নাম লিখুন এবং নির্বাচন করুন তথ্য আমদানি.

জেনারেটিভ এআই ব্যবহার করে ডেটা বিশ্লেষণ করুন

এর পরে, আমরা আমাদের ডেটা সম্পর্কে কিছু অন্তর্দৃষ্টি পেতে এবং নিদর্শনগুলি সন্ধান করতে চাই৷ সেজমেকার ক্যানভাস ডেটা বিশ্লেষণ এবং প্রস্তুত করার জন্য একটি প্রাকৃতিক ভাষা ইন্টারফেস প্রদান করে। যখন উপাত্ত ট্যাব লোড হলে, আপনি নিম্নলিখিত পদক্ষেপগুলি সহ আপনার ডেটার সাথে চ্যাটিং শুরু করতে পারেন:

1. বেছে নিন ডেটা প্রস্তুতির জন্য চ্যাট করুন.
   
2. নিম্নলিখিত স্ক্রিনশটগুলিতে দেখানো নমুনার মতো প্রশ্ন জিজ্ঞাসা করে আপনার ডেটা সম্পর্কে অন্তর্দৃষ্টি সংগ্রহ করুন৷
   

ডেটা অন্বেষণ এবং প্রস্তুত করার জন্য কীভাবে প্রাকৃতিক ভাষা ব্যবহার করবেন সে সম্পর্কে আরও জানতে, পড়ুন Amazon SageMaker Canvas-এর একটি নতুন ক্ষমতা সহ ডেটা অন্বেষণ এবং প্রস্তুত করতে প্রাকৃতিক ভাষা ব্যবহার করুন.

আসুন সেজমেকার ক্যানভাস ডেটা কোয়ালিটি এবং ইনসাইটস রিপোর্ট ব্যবহার করে আমাদের ডেটার গুণমান সম্পর্কে আরও গভীর ধারণা লাভ করি, যা স্বয়ংক্রিয়ভাবে ডেটার গুণমানকে মূল্যায়ন করে এবং অস্বাভাবিকতা সনাক্ত করে।

3. উপরে বিশ্লেষণ ট্যাব, চয়ন করুন ডেটা গুণমান এবং অন্তর্দৃষ্টি রিপোর্ট.
4. বেছে নিন rating লক্ষ্য কলাম হিসাবে এবং প্রত্যাগতি সমস্যার ধরন হিসাবে, তারপর নির্বাচন করুন সৃষ্টি.

এটি মডেল প্রশিক্ষণকে অনুকরণ করবে এবং আমরা কীভাবে মেশিন লার্নিংয়ের জন্য আমাদের ডেটা উন্নত করতে পারি সে সম্পর্কে অন্তর্দৃষ্টি প্রদান করবে। সম্পূর্ণ প্রতিবেদন কয়েক মিনিটের মধ্যে তৈরি করা হয়।

আমাদের রিপোর্ট দেখায় যে আমাদের টার্গেটের 2.47% সারির মান অনুপস্থিত রয়েছে—আমরা পরবর্তী ধাপে সেটির সমাধান করব। উপরন্তু, বিশ্লেষণ দেখায় যে address line 2, name, এবং type_of_food বৈশিষ্ট্যগুলি আমাদের ডেটাতে সবচেয়ে বেশি ভবিষ্যদ্বাণী করার ক্ষমতা রাখে। এটি নির্দেশ করে যে রেস্তোরাঁর মৌলিক তথ্য যেমন অবস্থান এবং রন্ধনপ্রণালী রেটিংয়ের উপর একটি বড় প্রভাব ফেলতে পারে।

মেশিন লার্নিংয়ের জন্য ডেটা প্রস্তুত করুন

সেজমেকার ক্যানভাস আপনার আমদানি করা ডেটা প্রস্তুত করতে 300 টিরও বেশি অন্তর্নির্মিত রূপান্তর অফার করে। সেজমেকার ক্যানভাসের রূপান্তর বৈশিষ্ট্য সম্পর্কে আরও তথ্যের জন্য, পড়ুন উন্নত রূপান্তর সহ ডেটা প্রস্তুত করুন. একটি ML মডেল প্রশিক্ষণের জন্য আমাদের ডেটা প্রস্তুত করতে কিছু রূপান্তর যোগ করা যাক।

1. ফিরে নেভিগেট করুন তথ্য প্রবাহ পৃষ্ঠার শীর্ষে আপনার ডেটা প্রবাহের নাম নির্বাচন করে পৃষ্ঠা।
2. পাশের প্লাস চিহ্নটি বেছে নিন তথ্যের ধরণ এবং নির্বাচন করুন রূপান্তর যোগ করুন.
   
3. বেছে নিন ধাপ যোগ করুন.
4. এর নাম পরিবর্তন করা যাক address line 2 কলাম থেকে cities.
   1. বেছে নিন কলাম পরিচালনা করুন.
   2. বেছে নিন কলামটির নাম পরিবর্তন করুন উন্নত রুপান্তর.
   3. বেছে নিন address line 2 উন্নত ইনপুট কলামপ্রবেশ করান cities উন্নত নতুন নাম, এবং চয়ন করুন বিজ্ঞাপন.
      
5. অতিরিক্তভাবে, কিছু অপ্রয়োজনীয় কলাম বাদ দেওয়া যাক।
   1. একটি নতুন রূপান্তর যোগ করুন।
   2. জন্য রুপান্তরনির্বাচন কলাম ড্রপ করুন.
   3. জন্য কলাম ড্রপনির্বাচন URL এবং restaurant_id.
   4. বেছে নিন বিজ্ঞাপন.
      [
6. আমাদের rating বৈশিষ্ট্য কলামে কিছু অনুপস্থিত মান আছে, তাই আসুন এই কলামের গড় মান দিয়ে সেই সারিগুলি পূরণ করি।
   1. একটি নতুন রূপান্তর যোগ করুন।
   2. জন্য রুপান্তরনির্বাচন অভিযুক্ত করা.
   3. জন্য কলামের ধরননির্বাচন সাংখ্যিক.
   4. জন্য ইনপুট কলাম, পছন্দ করা rating কলাম।
   5. জন্য ইম্পুটিং কৌশলনির্বাচন গড়.
   6. জন্য আউটপুট কলামপ্রবেশ করান rating_avg_filled.
   7. বেছে নিন বিজ্ঞাপন.
      
7. আমরা ড্রপ করতে পারেন rating কলাম কারণ আমাদের ভরাট মান সহ একটি নতুন কলাম রয়েছে।
8. কারণ type_of_food প্রকৃতিতে স্পষ্ট, আমরা এটিকে সংখ্যাগতভাবে এনকোড করতে চাই। এক-হট এনকোডিং কৌশল ব্যবহার করে এই বৈশিষ্ট্যটি এনকোড করা যাক।
   1. একটি নতুন রূপান্তর যোগ করুন।
   2. জন্য রুপান্তরনির্বাচন এক-গরম এনকোড.
   3. ইনপুট কলামের জন্য, নির্বাচন করুন type_of_food.
   4. জন্য অবৈধ হ্যান্ডলিং কৌশলপছন্দ করা রাখা.
   5. জন্য আউটপুট শৈলীপছন্দ করা কলাম.
   6. জন্য আউটপুট কলামপ্রবেশ করান encoded.
   7. বেছে নিন বিজ্ঞাপন.
      

একটি মডেল তৈরি করুন এবং ভবিষ্যদ্বাণী তৈরি করুন

এখন যেহেতু আমরা আমাদের ডেটা রুপান্তরিত করেছি, আসুন রেস্তোরাঁর রেটিংগুলির পূর্বাভাস দেওয়ার জন্য একটি সংখ্যাসূচক ML মডেলকে প্রশিক্ষণ দিই৷

1. বেছে নিন মডেল তৈরি করুন.
2. জন্য ডাটাসেটের নাম, ডেটাসেট এক্সপোর্টের জন্য একটি নাম লিখুন।
3. বেছে নিন রপ্তানি এবং রূপান্তরিত ডেটা রপ্তানির জন্য অপেক্ষা করুন।
   
4. পছন্দ মডেল তৈরি করুন পৃষ্ঠার নীচে বাম কোণে লিঙ্ক।

আপনি পৃষ্ঠার বাম দিকে ডেটা র্যাংলার বৈশিষ্ট্য থেকে ডেটাসেট নির্বাচন করতে পারেন।

5. একটি মডেলের নাম লিখুন।
6. বেছে নিন ভবিষ্যদ্বাণীমূলক বিশ্লেষণ, তাহলে বেছে নাও সৃষ্টি.
7. বেছে নিন rating_avg_filled লক্ষ্য কলাম হিসাবে।

সেজমেকার ক্যানভাস স্বয়ংক্রিয়ভাবে একটি উপযুক্ত মডেলের ধরন নির্বাচন করে।

8. বেছে নিন প্রিভিউ মডেল কোন তথ্য মানের সমস্যা আছে তা নিশ্চিত করতে.
9. বেছে নিন দ্রুত বিল্ড মডেল তৈরি করতে।
   

মডেল তৈরি সম্পূর্ণ হতে প্রায় 2-15 মিনিট সময় লাগবে৷

মডেল প্রশিক্ষণ শেষ করার পরে আপনি মডেলের অবস্থা দেখতে পারেন। আমাদের মডেলের 0.422 এর একটি RSME রয়েছে, যার মানে মডেলটি প্রায়ই একটি রেস্তোরাঁর রেটিং প্রকৃত মানের +/- 0.422 এর মধ্যে ভবিষ্যদ্বাণী করে, এটি 1-6 রেটিং স্কেলের জন্য একটি কঠিন আনুমানিক।

10. অবশেষে, আপনি নেভিগেট করে নমুনা ভবিষ্যদ্বাণী তৈরি করতে পারেন৷ ভবিষ্যদ্বাণী করা ট্যাব।
    

পরিষ্কার কর

ভবিষ্যতের চার্জ এড়াতে, এই পোস্টটি অনুসরণ করার সময় আপনার তৈরি সংস্থানগুলি মুছুন। সেজমেকার ক্যানভাস আপনাকে সেশনের সময়কালের জন্য বিল দেয় এবং আপনি যখন এটি ব্যবহার করছেন না তখন আমরা সেজমেকার ক্যানভাস থেকে লগ আউট করার পরামর্শ দিই। নির্দেশ করে Amazon SageMaker ক্যানভাস থেকে লগ আউট করা হচ্ছে আরো বিস্তারিত জানার জন্য.

উপসংহার

এই পোস্টে, আমরা আলোচনা করেছি কিভাবে আপনি Amazon DocumentDB-তে সংরক্ষিত ডেটা সহ জেনারেটিভ AI এবং ML-এর জন্য SageMaker ক্যানভাস ব্যবহার করতে পারেন। আমাদের উদাহরণে, আমরা দেখিয়েছি কিভাবে একজন বিশ্লেষক দ্রুত একটি নমুনা রেস্তোরাঁর ডেটাসেট ব্যবহার করে একটি উচ্চ-মানের ML মডেল তৈরি করতে পারেন।

আমরা অ্যামাজন ডকুমেন্টডিবি থেকে ডেটা আমদানি করা থেকে সেজমেকার ক্যানভাসে একটি এমএল মডেল তৈরি করা পর্যন্ত সমাধানটি বাস্তবায়নের পদক্ষেপগুলি দেখিয়েছি। কোডের একটি লাইন না লিখে পুরো প্রক্রিয়াটি একটি ভিজ্যুয়াল ইন্টারফেসের মাধ্যমে সম্পন্ন হয়েছিল।

আপনার লো-কোড/নো-কোড এমএল যাত্রা শুরু করতে, পড়ুন আমাজন সেজমেকার ক্যানভাস.

---

লেখক সম্পর্কে

অ্যাডেলেকে কোকার AWS সহ একজন গ্লোবাল সলিউশন আর্কিটেক্ট। তিনি বিশ্বব্যাপী গ্রাহকদের সাথে কাজ করে AWS-এ স্কেলে উৎপাদন কাজের লোড স্থাপনে নির্দেশনা এবং প্রযুক্তিগত সহায়তা প্রদান করতে। তার অবসর সময়ে, তিনি শেখা, পড়া, গেমিং এবং খেলাধুলার ইভেন্টগুলি দেখতে উপভোগ করেন।

গুরুরাজ এস বেয়ারি AWS-এর একজন সিনিয়র ডকুমেন্টডিবি স্পেশালিস্ট সলিউশন আর্কিটেক্ট। তিনি গ্রাহকদের আমাজনের উদ্দেশ্য-নির্মিত ডাটাবেস গ্রহণে সহায়তা করতে উপভোগ করেন। তিনি গ্রাহকদের তাদের ইন্টারনেট স্কেল এবং NoSQL এবং/অথবা রিলেশনাল ডাটাবেস দ্বারা চালিত উচ্চ কার্যক্ষমতার কাজের চাপ ডিজাইন, মূল্যায়ন এবং অপ্টিমাইজ করতে সাহায্য করেন।

টিম পুসাতেরি AWS-এর একজন সিনিয়র প্রোডাক্ট ম্যানেজার যেখানে তিনি Amazon SageMaker Canvas-এ কাজ করেন। তার লক্ষ্য হল গ্রাহকদের দ্রুত AI/ML থেকে মূল্য পেতে সাহায্য করা। কাজের বাইরে, তিনি বাইরে থাকতে, গিটার বাজাতে, লাইভ মিউজিক দেখতে এবং পরিবার এবং বন্ধুদের সাথে সময় কাটাতে পছন্দ করেন।

প্রতীক দাস AWS এ একজন পণ্য ব্যবস্থাপক। তিনি ক্লাউডে স্থিতিস্থাপক কাজের চাপ এবং শক্তিশালী ডেটা ভিত্তি তৈরি করতে চাওয়া গ্রাহকদের সাথে কাজ করা উপভোগ করেন। তিনি আধুনিকীকরণ, বিশ্লেষণাত্মক এবং ডেটা রূপান্তর উদ্যোগে উদ্যোগের সাথে কাজ করার দক্ষতা নিয়ে আসেন।

ভার্মা গোট্টুমুক্কালা ডালাস ফোর্ট ওয়ার্থ ভিত্তিক AWS-এর একজন সিনিয়র ডেটাবেস স্পেশালিস্ট সলিউশন আর্কিটেক্ট। ভার্মা গ্রাহকদের সাথে তাদের ডাটাবেস কৌশল নিয়ে কাজ করে এবং AWS উদ্দেশ্য নির্মিত ডাটাবেস ব্যবহার করে তাদের কাজের চাপ স্থপতি করে। AWS-এ যোগদানের আগে, তিনি গত 22 বছর ধরে রিলেশনাল ডাটাবেস, NOSQL ডাটাবেস এবং একাধিক প্রোগ্রামিং ভাষা নিয়ে ব্যাপকভাবে কাজ করেছেন।

• 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/use-amazon-documentdb-to-build-no-code-machine-learning-solutions-in-amazon-sagemaker-canvas/