आधुनिक डेटा आर्किटेक्चर को लागू करना अलग-अलग स्रोतों से डेटा को एकीकृत करने के लिए एक स्केलेबल विधि प्रदान करता है। डेटा को बुनियादी ढांचे के बजाय व्यावसायिक डोमेन के आधार पर व्यवस्थित करके, प्रत्येक डोमेन अपनी आवश्यकताओं के अनुरूप उपकरण चुन सकता है। संगठन लगातार नवाचार करते हुए जेनेरिक एआई समाधानों के साथ अपने आधुनिक डेटा आर्किटेक्चर के मूल्य को अधिकतम कर सकते हैं।
प्राकृतिक भाषा क्षमताएं गैर-तकनीकी उपयोगकर्ताओं को जटिल SQL के बजाय संवादात्मक अंग्रेजी के माध्यम से डेटा क्वेरी करने की अनुमति देती हैं। हालाँकि, पूर्ण लाभ प्राप्त करने के लिए कुछ चुनौतियों पर काबू पाने की आवश्यकता है। एआई और भाषा मॉडल को उपयुक्त डेटा स्रोतों की पहचान करनी चाहिए, प्रभावी एसक्यूएल क्वेरी उत्पन्न करनी चाहिए, और बड़े पैमाने पर एम्बेडेड परिणामों के साथ सुसंगत प्रतिक्रियाएं उत्पन्न करनी चाहिए। उन्हें प्राकृतिक भाषा के प्रश्नों के लिए एक यूजर इंटरफ़ेस की भी आवश्यकता होती है।
कुल मिलाकर, एडब्ल्यूएस के साथ आधुनिक डेटा आर्किटेक्चर और जेनरेटिव एआई तकनीकों को लागू करना उद्यम पैमाने पर विविध, विस्तृत डेटा से प्रमुख अंतर्दृष्टि प्राप्त करने और प्रसारित करने के लिए एक आशाजनक दृष्टिकोण है। AWS की ओर से जेनरेटिव AI के लिए नवीनतम पेशकश है अमेज़ॅन बेडरॉक, जो एक पूरी तरह से प्रबंधित सेवा है और फाउंडेशन मॉडल के साथ जेनरेटर एआई अनुप्रयोगों को बनाने और स्केल करने का सबसे आसान तरीका है। AWS इसके माध्यम से फाउंडेशन मॉडल भी पेश करता है अमेज़न SageMaker जम्पस्टार्ट as अमेज़न SageMaker समापनबिंदु. बड़े भाषा मॉडल (एलएलएम) का संयोजन, जिसमें अमेज़ॅन बेडरॉक द्वारा प्रदान की जाने वाली एकीकरण की आसानी और एक स्केलेबल, डोमेन-उन्मुख डेटा इंफ्रास्ट्रक्चर शामिल है, इसे विभिन्न एनालिटिक्स डेटाबेस और डेटा लेक में मौजूद प्रचुर जानकारी में टैप करने की एक बुद्धिमान विधि के रूप में स्थापित करता है।
पोस्ट में, हम एक परिदृश्य दिखाते हैं जहां एक कंपनी ने कई डेटाबेस और एपीआई जैसे कानूनी डेटा पर रहने वाले डेटा के साथ एक आधुनिक डेटा आर्किटेक्चर तैनात किया है अमेज़न सरल भंडारण सेवा (अमेज़ॅन S3), मानव संसाधन चालू अमेज़न रिलेशनल डेटाबेस सर्विस (अमेज़ॅन आरडीएस), बिक्री और विपणन चालू अमेज़न रेडशिफ्ट, तीसरे पक्ष के डेटा वेयरहाउस समाधान पर वित्तीय बाज़ार डेटा हिमपात का एक खंड, और एपीआई के रूप में उत्पाद डेटा। इस कार्यान्वयन का उद्देश्य उद्यम के बिजनेस एनालिटिक्स, उत्पाद मालिकों और बिजनेस डोमेन विशेषज्ञों की उत्पादकता को बढ़ाना है। यह सब इस डोमेन मेश आर्किटेक्चर में जेनरेटिव एआई के उपयोग के माध्यम से हासिल किया गया है, जो कंपनी को अपने व्यावसायिक उद्देश्यों को अधिक कुशलता से प्राप्त करने में सक्षम बनाता है। इस समाधान में जम्पस्टार्ट से एलएलएम को सेजमेकर एंडपॉइंट के साथ-साथ तीसरे पक्ष के मॉडल के रूप में शामिल करने का विकल्प है। हम एंटरप्राइज़ उपयोगकर्ताओं को डेटा चैनलों के अंतर्निहित ज्ञान के बिना तथ्य-आधारित प्रश्न पूछने का माध्यम प्रदान करते हैं, जिससे सरल से जटिल SQL क्वेरी लिखने की जटिलताओं को दूर किया जा सकता है।
समाधान अवलोकन
AWS पर एक आधुनिक डेटा आर्किटेक्चर कई एनालिटिक्स डेटाबेस को क्वेरी करने के लिए कृत्रिम बुद्धिमत्ता और प्राकृतिक भाषा प्रसंस्करण को लागू करता है। Amazon Redshift, Amazon RDS, स्नोफ्लेक जैसी सेवाओं का उपयोग करके, अमेज़न एथेना, तथा एडब्ल्यूएस गोंद, यह विभिन्न स्रोतों से डेटा को एकीकृत करने के लिए एक स्केलेबल समाधान बनाता है। का उपयोग करते हुए लैंगचैन, एलएलएम के साथ काम करने के लिए एक शक्तिशाली लाइब्रेरी, जिसमें अमेज़ॅन बेडरॉक और जम्पस्टार्ट के फाउंडेशन मॉडल शामिल हैं अमेज़ॅन सैजमेकर स्टूडियो नोटबुक्स, एक ऐसी प्रणाली बनाई गई है जहां उपयोगकर्ता स्वाभाविक अंग्रेजी में व्यावसायिक प्रश्न पूछ सकते हैं और प्रासंगिक डेटाबेस से प्राप्त डेटा के साथ उत्तर प्राप्त कर सकते हैं।
निम्नलिखित आरेख वास्तुकला को दर्शाता है।
हाइब्रिड आर्किटेक्चर डेटा स्रोत पहचान, एसक्यूएल जेनरेशन और परिणामों के साथ टेक्स्ट जेनरेशन के लिए अमेज़ॅन बेडरॉक और जम्पस्टार्ट के फाउंडेशन मॉडल के साथ कई डेटाबेस और एलएलएम का उपयोग करता है।
निम्नलिखित चित्र हमारे समाधान के लिए विशिष्ट वर्कफ़्लो चरणों को दर्शाता है।
चरण इस प्रकार हैं:
- एक व्यावसायिक उपयोगकर्ता एक अंग्रेजी प्रश्न संकेत प्रदान करता है।
- डेटाबेस से मेटाडेटा निकालने और तालिका परिभाषाएँ बनाने के लिए एक AWS ग्लू क्रॉलर को लगातार अंतराल पर चलाने के लिए निर्धारित किया गया है एडब्ल्यूएस गोंद डेटा कैटलॉग. डेटा कैटलॉग चेन अनुक्रम 1 में इनपुट है (पूर्ववर्ती आरेख देखें)।
- लैंगचेन, एलएलएम और प्रॉम्प्ट के साथ काम करने का एक उपकरण, स्टूडियो नोटबुक में उपयोग किया जाता है। लैंगचेन को परिभाषित करने के लिए एलएलएम की आवश्यकता होती है। चेन अनुक्रम 1 के भाग के रूप में, लैंगचेन का उपयोग करके प्रासंगिक डेटाबेस और तालिका की पहचान करने के लिए, प्रॉम्प्ट और डेटा कैटलॉग मेटाडेटा को सेजमेकर एंडपॉइंट पर होस्ट किए गए एलएलएम को पास किया जाता है।
- शीघ्र और पहचाने गए डेटाबेस और तालिका को चेन अनुक्रम 2 में भेज दिया जाता है।
- लैंगचेन डेटाबेस से कनेक्शन स्थापित करता है और परिणाम प्राप्त करने के लिए SQL क्वेरी चलाता है।
- डेटा के साथ अंग्रेजी उत्तर तैयार करने के लिए परिणाम एलएलएम को भेज दिए जाते हैं।
- उपयोगकर्ता को विभिन्न डेटाबेस से डेटा क्वेरी करते हुए, उनके संकेत का अंग्रेजी उत्तर प्राप्त होता है।
यह निम्नलिखित अनुभाग संबंधित कोड के साथ कुछ प्रमुख चरणों की व्याख्या करता है। यहां दिखाए गए सभी चरणों के समाधान और कोड के बारे में गहराई से जानने के लिए, देखें गीथहब रेपो. निम्नलिखित चित्र अनुसरण किए गए चरणों का क्रम दिखाता है:
.. पूर्वापेक्षाएँ
आप किसी भी ऐसे डेटाबेस का उपयोग कर सकते हैं जो इसके साथ संगत हो SQLAlchemy एलएलएम और लैंगचेन से प्रतिक्रियाएँ उत्पन्न करने के लिए। हालाँकि, इन डेटाबेस का मेटाडेटा AWS ग्लू डेटा कैटलॉग के साथ पंजीकृत होना चाहिए। इसके अतिरिक्त, आपको जंपस्टार्ट या एपीआई कुंजियों के माध्यम से एलएलएम तक पहुंच की आवश्यकता होगी।
SQLAlchemy का उपयोग करके डेटाबेस से कनेक्ट करें
लैंगचेन SQL डेटाबेस से कनेक्ट करने के लिए SQLAlchemy का उपयोग करता है। हम एक इंजन बनाकर और प्रत्येक डेटा स्रोत के लिए एक कनेक्शन स्थापित करके लैंगचेन के SQLDatabase फ़ंक्शन को प्रारंभ करते हैं। किसी से कैसे जुड़ें इसका एक नमूना निम्नलिखित है Amazon Aurora MySQL-संगत संस्करण सर्वर रहित डेटाबेस और केवल कर्मचारी तालिका शामिल है:
इसके बाद, हम उपयोगकर्ता के प्रश्न के आधार पर डेटाबेस और तालिका नाम की पहचान करने के लिए चेन अनुक्रम 1 द्वारा उपयोग किए जाने वाले संकेतों का निर्माण करते हैं।
डायनामिक प्रॉम्प्ट टेम्पलेट जनरेट करें
हम AWS ग्लू डेटा कैटलॉग का उपयोग करते हैं, जिसे मेटाडेटा जानकारी को संग्रहीत और प्रबंधित करने, उपयोगकर्ता क्वेरी के लिए डेटा के स्रोत की पहचान करने और चेन अनुक्रम 1 के लिए संकेत बनाने के लिए डिज़ाइन किया गया है, जैसा कि निम्नलिखित चरणों में बताया गया है:
- हम इसका उपयोग करके कई डेटा स्रोतों के मेटाडेटा को क्रॉल करके एक डेटा कैटलॉग बनाते हैं जेडीबीसी कनेक्शन प्रदर्शन में उपयोग किया गया।
- Boto3 लाइब्रेरी के साथ, हम कई डेटा स्रोतों से डेटा कैटलॉग का एक समेकित दृश्य बनाते हैं। ऑरोरा MySQL डेटाबेस के लिए डेटा कैटलॉग से कर्मचारी तालिका का मेटाडेटा कैसे प्राप्त करें, इसका एक नमूना निम्नलिखित है:
एक समेकित डेटा कैटलॉग में डेटा स्रोत पर विवरण होता है, जैसे स्कीमा, तालिका नाम और कॉलम नाम। समेकित डेटा कैटलॉग के आउटपुट का एक नमूना निम्नलिखित है:
- हम समेकित डेटा कैटलॉग को प्रॉम्प्ट टेम्पलेट में पास करते हैं और लैंगचेन द्वारा उपयोग किए गए प्रॉम्प्ट को परिभाषित करते हैं:
श्रृंखला अनुक्रम 1: लैंगचेन और एलएलएम का उपयोग करके उपयोगकर्ता क्वेरी के लिए स्रोत मेटाडेटा का पता लगाएं
प्रश्न का उत्तर देने के लिए सबसे अच्छा डेटा स्रोत खोजने के लिए, हम पिछले चरण में उत्पन्न प्रॉम्प्ट टेम्पलेट को लैंगचेन मॉडल में उपयोगकर्ता क्वेरी के साथ प्रॉम्प्ट में पास करते हैं। स्रोत मेटाडेटा का पता लगाने के लिए लैंगचेन हमारी पसंद के एलएलएम मॉडल का उपयोग करता है।
जम्पस्टार्ट या तृतीय-पक्ष मॉडल से एलएलएम का उपयोग करने के लिए निम्नलिखित कोड का उपयोग करें:
उत्पन्न पाठ में डेटाबेस और तालिका नाम जैसी जानकारी होती है जिसके विरुद्ध उपयोगकर्ता क्वेरी चलती है। उदाहरण के लिए, उपयोगकर्ता की क्वेरी के लिए "इस महीने जन्मतिथि वाले सभी कर्मचारियों के नाम बताएं" generated_text
जानकारी है database == rdsmysql
और database.table == rdsmysql.employees
.
इसके बाद, हम मानव संसाधन डोमेन, ऑरोरा MySQL डेटाबेस और कर्मचारी तालिका का विवरण चेन अनुक्रम 2 में पास करते हैं।
श्रृंखला अनुक्रम 2: उपयोगकर्ता की क्वेरी का उत्तर देने के लिए डेटा स्रोतों से प्रतिक्रियाएँ प्राप्त करें
इसके बाद, हम टेक्स्ट को एसक्यूएल में परिवर्तित करने के लिए लैंगचेन की एसक्यूएल डेटाबेस श्रृंखला चलाते हैं और सरल पठनीय भाषा में डेटाबेस परिणामों को पुनः प्राप्त करने के लिए डेटाबेस के विरुद्ध जेनरेट किए गए एसक्यूएल को चलाते हैं।
हम एक प्रॉम्प्ट टेम्पलेट को परिभाषित करने से शुरू करते हैं जो एलएलएम को वाक्यात्मक रूप से सही बोली में एसक्यूएल उत्पन्न करने का निर्देश देता है और फिर इसे डेटाबेस के विरुद्ध चलाता है:
अंत में, हम एलएलएम, डेटाबेस कनेक्शन और प्रॉम्प्ट को SQL डेटाबेस श्रृंखला में पास करते हैं और SQL क्वेरी चलाते हैं:
उदाहरण के लिए, उपयोगकर्ता की क्वेरी "इस महीने जन्मतिथि के साथ सभी कर्मचारियों के नाम बताएं" का उत्तर इस प्रकार है:
क्लीन अप
जेनेरेटिव एआई के साथ आधुनिक डेटा आर्किटेक्चर चलाने के बाद, उन सभी संसाधनों को साफ़ करना सुनिश्चित करें जिनका उपयोग नहीं किया जाएगा। उपयोग किए गए डेटाबेस को बंद करें और हटाएं (अमेज़ॅन रेडशिफ्ट, अमेज़ॅन आरडीएस, स्नोफ्लेक)। इसके अलावा, अमेज़ॅन S3 में डेटा हटाएं और किसी भी स्टूडियो नोटबुक इंस्टेंस को रोक दें ताकि कोई अतिरिक्त शुल्क न लगे। यदि आपने एलएलएम को सेजमेकर रीयल-टाइम एंडपॉइंट के रूप में तैनात करने के लिए जम्पस्टार्ट का उपयोग किया है, तो सेजमेकर कंसोल या स्टूडियो के माध्यम से एंडपॉइंट को हटा दें।
निष्कर्ष
इस पोस्ट में, हमने सेजमेकर के भीतर जेनरेटिव एआई और एलएलएम के साथ एक आधुनिक डेटा आर्किटेक्चर को एकीकृत किया है। यह समाधान जम्पस्टार्ट के विभिन्न टेक्स्ट-टू-टेक्स्ट फाउंडेशन मॉडल के साथ-साथ तृतीय-पक्ष मॉडल का उपयोग करता है। यह हाइब्रिड दृष्टिकोण डेटा स्रोतों की पहचान करता है, SQL क्वेरी लिखता है, और क्वेरी परिणामों के साथ प्रतिक्रियाएँ उत्पन्न करता है। यह Amazon Redshift, Amazon RDS, स्नोफ्लेक और LLM का उपयोग करता है। समाधान को बेहतर बनाने के लिए, आप अधिक डेटाबेस, अंग्रेजी प्रश्नों के लिए यूआई, प्रॉम्प्ट इंजीनियरिंग और डेटा टूल जोड़ सकते हैं। यह अनेक डेटा स्टोरों से जानकारी प्राप्त करने का एक बुद्धिमान, एकीकृत तरीका बन सकता है। समाधान और इस पोस्ट में दिखाए गए कोड के बारे में गहराई से जानने के लिए, इसे देखें गीथहब रेपो . साथ ही, देखें अमेज़ॅन बेडरॉक जेनरेटिव एआई, फाउंडेशन मॉडल और बड़े भाषा मॉडल पर उपयोग के मामलों के लिए।
परिशिष्ट
उदाहरण संकेत देता है
डोमेन | डेटाबेस/एपीआई | शीघ्र | एसक्यूएल (एलएलएम द्वारा निर्मित) | उत्पादन |
खरीद और बिक्री | अमेज़ॅन रेडशिफ्ट | कितनी टिकटें बिकीं? | SELECT COUNT(*) AS total_sales FROM tickit.sales; |
There are 172,456 ticket sales. |
खरीद और बिक्री | अमेज़ॅन रेडशिफ्ट | वर्ष 2008 में टिकट बिक्री का कुल कमीशन कितना था? | SELECT SUM(commission) AS total_commission FROM tickit.sales WHERE EXTRACT(YEAR FROM saletime) = 2008 |
The total commission for ticket sales in the year 2008 was $16,614,814.65. |
कानूनी | S3 | साल 2023 में कितने फ्रॉड हुए? | SELECT count(*) FROM claims WHERE extract(year from write_time) = 2023 AND fraud = 1; |
There were 164 fraud claims in 2023. |
कानूनी | S3 | इस वर्ष कितनी पॉलिसियों का दावा किया गया? | SELECT count(*) FROM claims; |
There were 5000 claims made this year. |
मानव संसाधन | अमेज़न ऑरोरा MySQL | इस महीने सभी कर्मचारियों के नाम जन्मतिथि सहित बताएं | SELECT * FROM employees WHERE MONTH(birth_date) = MONTH(CURRENT_DATE()); |
The employees with birthdays this month are: Christian Koblick Tzvetan Zielinski Kazuhito Cappelletti Yinghua Dredge |
मानव संसाधन | अमेज़न ऑरोरा MySQL | 1990 से पहले कितने कर्मचारियों को काम पर रखा गया था? | SELECT COUNT(*) AS 'Number of employees hired before 1990' FROM employees WHERE hire_date < '1990-01-01' |
29 employees were hired before 1990. |
वित्त और निवेश | हिमपात का एक खंड | मई 2013 में किस स्टॉक ने सबसे अच्छा और सबसे खराब प्रदर्शन किया? | SELECT name, MAX(close) AS max_close, MIN(close) AS min_close FROM all_stocks_5yr WHERE date BETWEEN '2013-05-01' AND '2013-05-31' GROUP BY name ORDER BY max_close DESC, min_close ASC |
The stock that performed the best in May 2013 was AnySock1 (ASTOCK1) with a maximum closing price of $842.50. The stock that performed the worst was AnySock2 (ASTOCK2) with a minimum closing price of $3.22. |
वित्त और निवेश | हिमपात का एक खंड | जुलाई 2013 में शेयरों के कारोबार की औसत मात्रा क्या है? | SELECT AVG(volume) AS average_volume FROM all_stocks_5yr WHERE date BETWEEN '2013-07-01' AND '2013-07-31' |
The average volume of stocks traded in July 2013 was 4,374,177 |
उत्पाद - मौसम | API | न्यूयॉर्क शहर में इस समय डिग्री फ़ारेनहाइट में मौसम कैसा है? |
लेखक के बारे में
नवनीत टुटेजा Amazon Web Services में डेटा विशेषज्ञ हैं। AWS में शामिल होने से पहले, नवनीत ने अपने डेटा आर्किटेक्चर को आधुनिक बनाने और व्यापक AI/ML समाधानों को लागू करने की मांग करने वाले संगठनों के लिए एक सूत्रधार के रूप में काम किया। उनके पास थापर विश्वविद्यालय से इंजीनियरिंग की डिग्री है, साथ ही टेक्सास ए एंड एम विश्वविद्यालय से सांख्यिकी में मास्टर डिग्री है।
सोविक कुमार नाथ AWS के साथ एक AI/ML समाधान वास्तुकार है। उनके पास वित्त, संचालन, विपणन, स्वास्थ्य सेवा, आपूर्ति श्रृंखला प्रबंधन और IoT में एंड-टू-एंड मशीन लर्निंग और बिजनेस एनालिटिक्स समाधान डिजाइन करने का व्यापक अनुभव है। सोविक ने लेख प्रकाशित किए हैं और एमएल मॉडल मॉनिटरिंग में पेटेंट प्राप्त किया है। उनके पास दक्षिण फ्लोरिडा विश्वविद्यालय, फ़्राइबर्ग विश्वविद्यालय, स्विट्जरलैंड से दोहरी स्नातकोत्तर डिग्री और भारतीय प्रौद्योगिकी संस्थान, खड़गपुर से स्नातक की डिग्री है। काम के अलावा, सोविक को यात्रा करना, नौका की सवारी करना और फिल्में देखना पसंद है।
- एसईओ संचालित सामग्री और पीआर वितरण। आज ही प्रवर्धित हो जाओ।
- ईवीएम वित्त। विकेंद्रीकृत वित्त के लिए एकीकृत इंटरफ़ेस। यहां पहुंचें।
- क्वांटम मीडिया समूह। आईआर/पीआर प्रवर्धित। यहां पहुंचें।
- प्लेटोआईस्ट्रीम। Web3 डेटा इंटेलिजेंस। ज्ञान प्रवर्धित। यहां पहुंचें।
- स्रोत: https://aws.amazon.com/blogs/machine-learning/reinventing-the-data-experience-use-generative-ai-and-modern-data-architecture-to-unlock-insights/
- :हैस
- :है
- :नहीं
- :कहाँ
- $3
- $यूपी
- 1
- 100
- 11
- 12
- 13
- 16
- 2008
- 2013
- 2023
- 22
- 32
- 50
- 5000
- 7
- 8
- 9
- a
- प्रचुर
- पहुँच
- पाना
- हासिल
- जोड़ना
- इसके अलावा
- इसके अतिरिक्त
- के खिलाफ
- AI
- ऐ / एमएल
- करना
- सब
- अनुमति देना
- साथ में
- भी
- वीरांगना
- अमेज़ॅन आरडीएस
- अमेज़न रेडशिफ्ट
- अमेज़ॅन वेब सेवा
- an
- विश्लेषिकी
- और
- जवाब
- जवाब
- कोई
- एपीआई
- एपीआई कुंजियाँ
- एपीआई
- अनुप्रयोगों
- दृष्टिकोण
- उपयुक्त
- स्थापत्य
- हैं
- लेख
- कृत्रिम
- कृत्रिम बुद्धिमत्ता
- AS
- जुड़े
- At
- अरोड़ा
- औसत
- एडब्ल्यूएस
- एडब्ल्यूएस गोंद
- आधारित
- BE
- बन
- से पहले
- नीचे
- लाभ
- BEST
- के बीच
- निर्माण
- बनाया गया
- व्यापार
- by
- कर सकते हैं
- क्षमताओं
- मामलों
- सूची
- श्रृंखला
- चुनौतियों
- चैनलों
- प्रभार
- चेक
- चुनाव
- चुनें
- City
- ने दावा किया
- का दावा है
- समापन
- समापन
- कोड
- सुसंगत
- स्तंभ
- स्तंभ
- संयोजन
- आयोग
- कंपनी
- संगत
- जटिल
- जटिलताओं
- व्यापक
- जुडिये
- संबंध
- कंसोल
- शामिल
- शामिल हैं
- लगातार
- संवादी
- बदलना
- सही
- इसी
- सका
- क्रॉलर
- बनाना
- बनाता है
- बनाना
- तिथि
- डेटा अवसंरचना
- डाटाबेस
- डेटाबेस
- तारीख
- और गहरा
- परिभाषित
- परिभाषित करने
- परिभाषाएँ
- डिग्री
- तैनात
- तैनात
- बनाया गया
- डिज़ाइन बनाना
- विस्तृत
- विवरण
- विभिन्न
- मूर्खता
- कई
- डोमेन
- डोमेन
- डबल
- नीचे
- तैयार
- गतिशील
- से प्रत्येक
- आराम
- सबसे आसान
- प्रभावी
- कुशलता
- भी
- एम्बेडेड
- कर्मचारियों
- सक्षम बनाता है
- शुरू से अंत तक
- endpoint
- इंजन
- अभियांत्रिकी
- अंग्रेज़ी
- बढ़ाना
- उद्यम
- स्थापित करता
- स्थापना
- उदाहरण
- प्रशस्त
- अनुभव
- विशेषज्ञों
- समझाना
- व्यापक
- विस्तृत अनुभव
- उद्धरण
- सुविधा
- वित्त
- वित्तीय
- वित्तीय बाजार
- खोज
- प्रथम
- फ्लोरिडा
- पीछा किया
- निम्नलिखित
- इस प्रकार है
- के लिए
- बुनियाद
- धोखा
- बारंबार
- से
- पूर्ण
- पूरी तरह से
- समारोह
- आगे
- उत्पन्न
- उत्पन्न
- उत्पन्न करता है
- पीढ़ी
- उत्पादक
- जनरेटिव एआई
- मिल
- देना
- दी
- हुआ
- है
- होने
- he
- स्वास्थ्य सेवा
- धारित
- यहाँ उत्पन्न करें
- रखती है
- मेजबानी
- कैसे
- How To
- तथापि
- एचटीएमएल
- http
- HTTPS
- मानव
- मानव संसाधन
- संकर
- पहचान
- पहचान
- पहचानती
- पहचान करना
- if
- दिखाता है
- लागू करने के
- कार्यान्वयन
- कार्यान्वयन
- में सुधार
- in
- शामिल
- सहित
- भारतीय
- करें-
- इंफ्रास्ट्रक्चर
- innovating
- निवेश
- अंतर्दृष्टि
- बजाय
- संस्थान
- एकीकृत
- एकीकृत
- एकीकरण
- बुद्धि
- बुद्धिमान
- इंटरफेस
- में
- IOT
- IT
- आईटी इस
- शामिल होने
- जेपीजी
- जुलाई
- कुंजी
- Instagram पर
- ज्ञान
- भाषा
- बड़ा
- ताज़ा
- सीख रहा हूँ
- कानूनी
- पुस्तकालय
- पसंद
- एलएलएम
- देखिए
- मशीन
- यंत्र अधिगम
- बनाया गया
- बनाना
- प्रबंधन
- कामयाब
- प्रबंध
- बहुत
- बाजार
- बाज़ार संबंधी आंकड़े
- विपणन (मार्केटिंग)
- मास्टर की
- अधिकतम करने के लिए
- अधिकतम
- मई..
- मतलब
- मध्यम
- जाल
- मेटाडाटा
- तरीका
- न्यूनतम
- ML
- आदर्श
- मॉडल
- आधुनिक
- आधुनिकीकरण
- निगरानी
- महीना
- अधिक
- चलचित्र
- विभिन्न
- चाहिए
- MySQL
- नाम
- नामों
- प्राकृतिक
- प्राकृतिक भाषा संसाधन
- आवश्यकता
- की जरूरत है
- नया
- न्यूयॉर्क
- न्यू यॉर्क शहर
- गैर तकनिकि
- नोटबुक
- अभी
- संख्या
- उद्देश्य
- of
- की पेशकश
- ऑफर
- on
- केवल
- संचालन
- विकल्प
- or
- संगठनों
- आयोजन
- हमारी
- आउट
- उत्पादन
- बाहर
- मालिकों
- भाग
- पास
- पारित कर दिया
- पेटेंट
- प्रदर्शन
- प्लेटो
- प्लेटो डेटा इंटेलिजेंस
- प्लेटोडाटा
- नीतियाँ
- पदों
- पद
- शक्तिशाली
- पिछला
- मूल्य
- प्रसंस्करण
- उत्पादन
- एस्ट्रो मॉल
- उत्पादकता
- होनहार
- प्रदान करना
- प्रदान करता है
- प्रकाशित
- प्रश्नों
- प्रश्न
- प्रशन
- बल्कि
- वास्तविक समय
- साकार
- वास्तव में
- प्राप्त करना
- प्राप्त
- पंजीकृत
- प्रासंगिक
- की आवश्यकता होती है
- उपयुक्त संसाधन चुनें
- प्रतिक्रिया
- प्रतिक्रियाएं
- परिणाम
- वापसी
- सही
- रन
- sagemaker
- विक्रय
- सहेजें
- स्केलेबल
- स्केल
- परिदृश्य
- अनुसूचित
- वर्गों
- देखना
- मांग
- अनुक्रम
- serverless
- सेवा
- सेवाएँ
- वह
- प्रदर्शन
- दिखाया
- दिखाता है
- शट डाउन
- सरल
- समाधान
- समाधान ढूंढे
- कुछ
- कोई
- स्रोत
- सूत्रों का कहना है
- दक्षिण
- दक्षिण फ्लोरिडा
- विशेषज्ञ
- विशिष्ट
- प्रारंभ
- आँकड़े
- कदम
- कदम
- स्टॉक
- स्टॉक्स
- रुकें
- भंडारण
- की दुकान
- भंडार
- स्टूडियो
- ऐसा
- सूट
- आपूर्ति
- आपूर्ति श्रृंखला
- आपूर्ति श्रृंखला प्रबंधन
- स्विजरलैंड
- प्रणाली
- तालिका
- ले जा
- तकनीक
- टेक्नोलॉजी
- टेम्पलेट
- टेक्सास
- से
- कि
- RSI
- जानकारी
- स्रोत
- लेकिन हाल ही
- फिर
- वहाँ।
- जिसके चलते
- इन
- वे
- तीसरे दल
- तृतीय-पक्ष डेटा
- इसका
- इस वर्ष
- यहाँ
- टिकट
- टिकट की बिक्री
- सेवा मेरे
- साधन
- उपकरण
- कुल
- कारोबार
- यात्रा का
- ui
- आधारभूत
- एकीकृत
- विश्वविद्यालय
- अनलॉक
- उपयोग
- प्रयुक्त
- उपयोगकर्ता
- यूजर इंटरफेस
- उपयोगकर्ताओं
- का उपयोग करता है
- का उपयोग
- उपयोग किया
- मूल्य
- विभिन्न
- देखें
- आयतन
- था
- देख
- मार्ग..
- we
- मौसम
- वेब
- वेब सेवाओं
- कुंआ
- थे
- कौन कौन से
- जब
- मर्जी
- साथ में
- अंदर
- बिना
- काम
- काम किया
- वर्कफ़्लो
- काम कर रहे
- वर्स्ट
- लिख रहे हैं
- वर्ष
- यॉर्क
- आप
- आपका
- जेफिरनेट