एडब्ल्यूएस एआई सेवाओं के साथ बुद्धिमान दस्तावेज़ प्रसंस्करण: भाग 2

अमेज़ॅन की बुद्धिमान दस्तावेज़ प्रसंस्करण (आईडीपी) आपको अपने व्यापार निर्णय चक्र को तेज करने और लागत कम करने में मदद करती है। कई उद्योगों में, ग्राहकों को अपने व्यवसाय के दौरान प्रति वर्ष लाखों दस्तावेज़ों को संसाधित करने की आवश्यकता होती है। लाखों दस्तावेज़ों को संसाधित करने वाले ग्राहकों के लिए, यह अंतिम उपयोगकर्ता अनुभव और एक शीर्ष डिजिटल परिवर्तन प्राथमिकता के लिए एक महत्वपूर्ण पहलू है। विभिन्न स्वरूपों के कारण, अधिकांश फर्म मैन्युअल रूप से W2s, दावों, ID दस्तावेज़ों, चालानों और कानूनी अनुबंधों जैसे दस्तावेज़ों को संसाधित करती हैं, या विरासती OCR (ऑप्टिकल कैरेक्टर रिकग्निशन) समाधानों का उपयोग करती हैं जो समय लेने वाली, त्रुटि-प्रवण और महंगी होती हैं। AWS AI सेवाओं के साथ एक IDP पाइपलाइन आपको अधिक सटीक और बहुमुखी सूचना निष्कर्षण के साथ OCR से आगे जाने, दस्तावेज़ों को तेज़ी से संसाधित करने, पैसे बचाने और संसाधनों को उच्च मूल्य वाले कार्यों में स्थानांतरित करने का अधिकार देती है।

इस श्रृंखला में, हम किसी दस्तावेज़ को अंतर्ग्रहण करने में लगने वाले समय और प्रयास को कम करने और डाउनस्ट्रीम सिस्टम में महत्वपूर्ण जानकारी प्राप्त करने के लिए IDP पाइपलाइन का एक सिंहावलोकन देते हैं। निम्न आंकड़ा उन चरणों को दिखाता है जो आमतौर पर एक IDP वर्कफ़्लो का हिस्सा होते हैं।

इस दो-भाग श्रृंखला में, हम चर्चा करते हैं कि आप AWS AI सेवाओं का उपयोग करके दस्तावेज़ों को कैसे स्वचालित और बुद्धिमानी से संसाधित कर सकते हैं। में भाग 1, हमने IDP वर्कफ़्लो के पहले तीन चरणों पर चर्चा की। इस पोस्ट में, हम शेष वर्कफ़्लो चरणों पर चर्चा करते हैं।

समाधान अवलोकन

निम्नलिखित संदर्भ वास्तुकला से पता चलता है कि आप एडब्ल्यूएस एआई सेवाओं का उपयोग कैसे कर सकते हैं जैसे: अमेज़न टेक्सट्रेक और Amazon Comprehend, अन्य AWS सेवाओं के साथ IDP वर्कफ़्लो को लागू करने के लिए। भाग 1 में, हमने डेटा कैप्चर और दस्तावेज़ वर्गीकरण चरणों का वर्णन किया है, जहाँ हमने बैंक स्टेटमेंट, इनवॉइस और रसीद दस्तावेज़ जैसे दस्तावेज़ों को वर्गीकृत और टैग किया है। हमने निष्कर्षण चरण पर भी चर्चा की, जहां आप अपने दस्तावेज़ों से सार्थक व्यावसायिक जानकारी निकाल सकते हैं। इस पोस्ट में, हम एक्सट्रैक्शन चरण में अमेज़ॅन कॉम्प्रिहेंड डिफॉल्ट और कस्टम इकाइयों को देखकर आईडीपी पाइपलाइन का विस्तार करते हैं, दस्तावेज़ संवर्धन करते हैं, और संक्षेप में क्षमताओं को भी देखते हैं अमेज़न संवर्धित ऐ (अमेज़ॅन ए2आई) समीक्षा और सत्यापन चरण में एक मानव समीक्षा कार्यबल को शामिल करने के लिए।

हम भी उपयोग करते हैं अमेज़न कॉम्प्रिहेंड मेडिकल इस समाधान के हिस्से के रूप में, जो असंरचित चिकित्सा पाठ से जानकारी को सटीक और जल्दी से निकालने और निकाली गई स्वास्थ्य जानकारी के बीच संबंधों की पहचान करने और ICD-10-CM, RxNorm, और SNOMED CT जैसे चिकित्सा ऑन्कोलॉजी से लिंक करने की सेवा है।

Amazon A2I एक मशीन लर्निंग (ML) सेवा है जो मानव समीक्षा के लिए आवश्यक वर्कफ़्लो बनाना आसान बनाती है। Amazon A2I सभी डेवलपर्स के लिए मानव समीक्षा लाता है, मानव समीक्षा प्रणाली के निर्माण से जुड़े अविभाज्य भारी भारोत्तोलन को हटाता है या बड़ी संख्या में मानव समीक्षकों का प्रबंधन करता है चाहे वह AWS पर चलता हो या नहीं। Amazon A2I के साथ एकीकृत करता है अमेज़न टेक्सट्रेक और Amazon Comprehend आपको अपने IDP वर्कफ़्लो में मानवीय समीक्षा चरणों को पेश करने की क्षमता प्रदान करने के लिए।

.. पूर्वापेक्षाएँ

आरंभ करने से पहले, देखें भाग 1 IDP के उच्च-स्तरीय अवलोकन और डेटा कैप्चर, वर्गीकरण और निष्कर्षण चरणों के बारे में विवरण के लिए।

निष्कर्षण चरण

इस श्रृंखला के भाग 1 में, हमने चर्चा की कि हम किसी भी प्रकार के दस्तावेज़ों के लिए सटीक डेटा निष्कर्षण के लिए Amazon Textract सुविधाओं का उपयोग कैसे कर सकते हैं। इस चरण का विस्तार करने के लिए, हम आगे के दस्तावेज़ निष्कर्षण के लिए Amazon Comprehend पूर्व-प्रशिक्षित संस्थाओं और एक Amazon Comprehend कस्टम निकाय पहचानकर्ता का उपयोग करते हैं। कस्टम इकाई पहचानकर्ता का उद्देश्य विशिष्ट संस्थाओं की पहचान करना और सीएसवी या मानव पठनीय प्रारूप में हमारे दस्तावेज़ों के संबंध में कस्टम मेटाडेटा उत्पन्न करना है जिसका बाद में व्यावसायिक उपयोगकर्ताओं द्वारा विश्लेषण किया जाएगा।

नामित संस्था मान्यता

नामांकित इकाई मान्यता (एनईआर) एक प्राकृतिक भाषा प्रसंस्करण (एनएलपी) उप-कार्य है जिसमें संज्ञा वाक्यांशों का पता लगाने के लिए पाठ डेटा के माध्यम से स्थानांतरण करना शामिल है, जिन्हें नामित निकाय कहा जाता है, और प्रत्येक को एक लेबल के साथ वर्गीकृत करना, जैसे ब्रांड, तिथि, घटना, स्थान, संगठन , व्यक्ति, मात्रा, या शीर्षक। उदाहरण के लिए, "मैंने हाल ही में अमेज़ॅन प्राइम की सदस्यता ली है" कथन में, अमेज़ॅन प्राइम नामित इकाई है और इसे एक ब्रांड के रूप में वर्गीकृत किया जा सकता है।

अमेज़ॅन कॉम्प्रिहेंड आपको अपने दस्तावेज़ में ऐसी कस्टम संस्थाओं का पता लगाने में सक्षम बनाता है। प्रत्येक इकाई का एक विश्वास स्तर स्कोर भी होता है जो Amazon Comprehend प्रत्येक इकाई प्रकार के लिए देता है। निम्नलिखित आरेख इकाई मान्यता प्रक्रिया को दर्शाता है।

टेक्स्ट दस्तावेज़ से निकाय प्राप्त करने के लिए, हम कॉल करते हैं comprehend.detect_entities() विधि और भाषा कोड और पाठ को इनपुट पैरामीटर के रूप में कॉन्फ़िगर करें:

def get_entities(text):
    try:
        #detect entities
        entities = comprehend.detect_entities(LanguageCode="en", Text=text)  
        df = pd.DataFrame(entities["Entities"], columns = ['Text', 'Type'])
        display(HTML(df.to_html(index=False)))
    except Exception as e:
        print(e)

हम चलाते हैं get_entities() बैंक दस्तावेज़ पर विधि और परिणामों में इकाई सूची प्राप्त करें।

हालांकि बैंक दस्तावेज़ में हर चीज़ के लिए डिफ़ॉल्ट इकाई प्रकारों की पहचान करने में निकाय निष्कर्षण ने काफी अच्छा काम किया, हम चाहते हैं कि हमारे उपयोग के मामले में विशिष्ट संस्थाओं को पहचाना जाए। अधिक विशेष रूप से, हमें बैंक स्टेटमेंट में ग्राहक की बचत और चेकिंग खाता संख्या की पहचान करने की आवश्यकता है। हम Amazon Comprehend कस्टम निकाय पहचान का उपयोग करके इन प्रमुख व्यावसायिक शर्तों को निकाल सकते हैं।

अमेज़ॅन कॉम्प्रिहेंड कस्टम एंटिटी रिकग्निशन मॉडल को प्रशिक्षित करें

ग्राहक के बैंक विवरण से उन विशिष्ट निकायों का पता लगाने के लिए, जिनमें हम रुचि रखते हैं, हम दो कस्टम निकायों के साथ एक कस्टम निकाय पहचानकर्ता को प्रशिक्षित करते हैं: SAVINGS_AC और CHECKING_AC.

फिर हम एक कस्टम एंटिटी रिकग्निशन मॉडल को प्रशिक्षित करते हैं। हम Amazon Comprehend को डेटा प्रदान करने के दो तरीकों में से एक चुन सकते हैं: एनोटेशन या निकाय सूचियाँ।

एनोटेशन विधि अक्सर छवि फ़ाइलों, PDF, या Word दस्तावेज़ों के लिए अधिक परिष्कृत परिणाम दे सकती है क्योंकि आप अपने दस्तावेज़ों के साथ एनोटेशन के रूप में अधिक सटीक संदर्भ सबमिट करके एक मॉडल को प्रशिक्षित करते हैं। हालाँकि, एनोटेशन विधि समय लेने वाली और कार्य-गहन हो सकती है। इस ब्लॉग पोस्ट की सरलता के लिए, हम निकाय सूची पद्धति का उपयोग करते हैं, जिसका उपयोग आप केवल सादा पाठ दस्तावेज़ों के लिए कर सकते हैं। यह विधि हमें एक CSV फ़ाइल देती है जिसमें सादा पाठ और उसके संगत निकाय प्रकार होना चाहिए, जैसा कि पिछले उदाहरण में दिखाया गया है। इस फाइल में मौजूद इकाइयां हमारी व्यावसायिक जरूरतों (बचत और खाता संख्या की जांच) के लिए विशिष्ट होने जा रही हैं।

एनोटेशन या इकाई सूची विधियों का उपयोग करके विभिन्न उपयोग के मामलों के लिए प्रशिक्षण डेटा तैयार करने के तरीके के बारे में अधिक जानकारी के लिए देखें प्रशिक्षण डेटा तैयार करना.

निम्न स्क्रीनशॉट हमारी इकाई सूची का एक उदाहरण दिखाता है।

अमेज़ॅन कॉम्प्रिहेंड कस्टम एनईआर रीयल-टाइम एंडपॉइंट बनाएं

इसके बाद, हम उस मॉडल का उपयोग करके एक कस्टम निकाय पहचानकर्ता रीयल-टाइम एंडपॉइंट बनाते हैं जिसे हमने प्रशिक्षित किया था। हम उपयोग करते हैं बनाने की क्रिया के माध्यम से एपीआई comprehend.create_endpoint() वास्तविक समय समापन बिंदु बनाने की विधि:

#create comprehend endpoint
model_arn = entity_recognizer_arn
ep_name = 'idp-er-endpoint'

try:
    endpoint_response = comprehend.create_endpoint(
        EndpointName=ep_name,
        ModelArn=model_arn,
        DesiredInferenceUnits=1,    
        DataAccessRoleArn=role
    )
    ER_ENDPOINT_ARN=endpoint_response['EndpointArn']
    print(f'Endpoint created with ARN: {ER_ENDPOINT_ARN}')
    %store ER_ENDPOINT_ARN
except Exception as error:
    if error.response['Error']['Code'] == 'ResourceInUseException':
        print(f'An endpoint with the name "{ep_name}" already exists.')
        ER_ENDPOINT_ARN = f'arn:aws:comprehend:{region}:{account_id}:entity-recognizer-endpoint/{ep_name}'
        print(f'The classifier endpoint ARN is: "{ER_ENDPOINT_ARN}"')
        %store ER_ENDPOINT_ARN
    else:
        print(error)

एक कस्टम इकाई पहचानकर्ता को प्रशिक्षित करने के बाद, हम दस्तावेज़ से कुछ समृद्ध जानकारी निकालने के लिए कस्टम रीयल-टाइम एंडपॉइंट का उपयोग करते हैं और फिर Amazon Comprehend द्वारा मान्यता प्राप्त कस्टम संस्थाओं और Amazon Textract से बाउंडिंग बॉक्स जानकारी की सहायता से दस्तावेज़ रीडैक्शन करते हैं।

संवर्धन चरण

दस्तावेज़ संवर्धन चरण में, हम व्यक्तिगत रूप से पहचान योग्य जानकारी (पीआईआई) डेटा, कस्टम व्यापार शब्द निष्कर्षण, आदि को संशोधित करके दस्तावेज़ संवर्धन कर सकते हैं। हमारे पिछले नमूना दस्तावेज़ (एक बैंक स्टेटमेंट) में ग्राहकों की बचत और चेकिंग खाता संख्या शामिल है, जिसे हम संशोधित करना चाहते हैं। चूँकि हम इन कस्टम निकायों को अपने Amazon Comprehend कस्टम NER मॉडल के माध्यम से पहले से ही जानते हैं, इसलिए हम इन PII संस्थाओं को दस्तावेज़ में कहीं भी प्रदर्शित करने के लिए Amazon Textract ज्यामिति डेटा प्रकार का आसानी से उपयोग कर सकते हैं। निम्नलिखित आर्किटेक्चर में, हम बैंक स्टेटमेंट दस्तावेज़ से प्रमुख व्यावसायिक शर्तों (बचत और खातों की जांच) को संशोधित करते हैं।

जैसा कि आप निम्नलिखित उदाहरण में देख सकते हैं, चेकिंग और बचत खाता संख्या अब बैंक विवरण में छिपी हुई है।

पारंपरिक ओसीआर समाधान अधिकांश असंरचित और अर्ध-संरचित दस्तावेजों से डेटा को सटीक रूप से निकालने के लिए संघर्ष करते हैं क्योंकि इन दस्तावेजों के कई संस्करणों और प्रारूपों में डेटा कैसे रखा जाता है, इसमें महत्वपूर्ण भिन्नताएं हैं। फिर आपको कस्टम प्रीप्रोसेसिंग लॉजिक को लागू करने या इन दस्तावेज़ों से जानकारी को मैन्युअल रूप से निकालने की आवश्यकता हो सकती है। इस मामले में, IDP पाइपलाइन दो सुविधाओं का समर्थन करती है जिनका आप उपयोग कर सकते हैं: Amazon Comprehend Custom NER और Amazon Textract क्वेरीज़। दस्तावेजों की सामग्री के बारे में अंतर्दृष्टि निकालने के लिए ये दोनों सेवाएं एनएलपी का उपयोग करती हैं।

अमेज़ॅन टेक्स्टट्रैक्ट प्रश्नों के साथ निष्कर्षण

Amazon Textract के साथ किसी दस्तावेज़ को संसाधित करते समय, आप अपने विश्लेषण में नई क्वेरी सुविधा जोड़ सकते हैं ताकि यह निर्दिष्ट किया जा सके कि आपको कौन सी जानकारी चाहिए। इसमें एक एनएलपी प्रश्न पास करना शामिल है, जैसे "ग्राहक की सामाजिक सुरक्षा संख्या क्या है?" अमेज़ॅन टेक्सट्रैक्ट के लिए। Amazon Textract उस प्रश्न के लिए दस्तावेज़ में जानकारी ढूंढता है और उसे दस्तावेज़ की बाकी जानकारी से अलग प्रतिक्रिया संरचना में लौटाता है। प्रश्नों को अकेले या किसी अन्य के संयोजन में संसाधित किया जा सकता है FeatureTypeइस तरह के रूप में, Tables or Forms.

अमेज़ॅन टेक्स्टट्रैक्ट प्रश्नों के साथ, आप दस्तावेज़ संरचना में डेटा कैसे रखा गया है, जैसे फॉर्म, टेबल और चेकबॉक्स, या दस्तावेज़ में नेस्टेड अनुभागों में रखे गए हैं, इस पर ध्यान दिए बिना आप उच्च सटीकता के साथ जानकारी निकाल सकते हैं।

क्वेरी फ़ीचर को प्रदर्शित करने के लिए, हम COVID-19 टीकाकरण कार्ड जैसे दस्तावेज़ों से रोगी के पहले और अंतिम नाम, खुराक निर्माता, और इसी तरह की अन्य महत्वपूर्ण जानकारी निकालते हैं।

हम उपयोग textract.analyze_document() कार्य करें और निर्दिष्ट करें FeatureType as QUERIES साथ ही प्रश्नों को प्राकृतिक भाषा के प्रश्नों के रूप में जोड़ें QueriesConfig.

सरलीकरण उद्देश्यों के लिए निम्नलिखित कोड को छोटा कर दिया गया है। पूर्ण कोड के लिए, GitHub देखें नमूना कोड एसटी analyze_document().

response = None
with open(image_filename, 'rb') as document:
    imageBytes = bytearray(document.read())

# Call Textract
response = textract.analyze_document(
    Document={'Bytes': imageBytes},
    FeatureTypes=["QUERIES"],
    QueriesConfig={
            "Queries": [{
                "Text": "What is the date for the 1st dose covid-19?",
                "Alias": "COVID_VACCINATION_FIRST_DOSE_DATE"
            },
# code trimmed down for simplification
#..
]
}) 

प्रश्नों की सुविधा के लिए, textract.analyze_document() फ़ंक्शन सभी OCR WORDS और LINES, ज्यामिति जानकारी और प्रतिक्रिया JSON में आत्मविश्वास स्कोर को आउटपुट करता है। हालाँकि, हम केवल उस जानकारी का प्रिंट आउट ले सकते हैं जिसके लिए हमने पूछताछ की थी।

Document एक रैपर फ़ंक्शन है जिसका उपयोग API से JSON प्रतिक्रिया को पार्स करने में मदद करने के लिए किया जाता है। यह एक उच्च-स्तरीय अमूर्तता प्रदान करता है और एपीआई आउटपुट को चलने योग्य और जानकारी प्राप्त करने में आसान बनाता है। अधिक जानकारी के लिए, देखें टेक्स्टट्रैक्ट रिस्पांस पार्सर और टेक्सट्रेक्टर गिटहब रेपो। प्रतिक्रिया को संसाधित करने के बाद, हमें स्क्रीनशॉट में दिखाए गए अनुसार निम्नलिखित जानकारी मिलती है।

import trp.trp2 as t2
from tabulate import tabulate

d = t2.TDocumentSchema().load(response)
page = d.pages[0]

query_answers = d.get_query_answers(page=page)

print(tabulate(query_answers, tablefmt="github"))

समीक्षा और सत्यापन चरण

यह हमारी आईडीपी पाइपलाइन का अंतिम चरण है। इस चरण में, हम किसी दस्तावेज़ की पूर्णता की जाँच करने के लिए अपने व्यावसायिक नियमों का उपयोग कर सकते हैं। उदाहरण के लिए, बीमा दावों के दस्तावेज़ से, दावा आईडी सही और सफलतापूर्वक निकाली जाती है। हम AWS सर्वर रहित तकनीकों का उपयोग कर सकते हैं जैसे AWS लाम्बा इन व्यावसायिक नियमों के और स्वचालन के लिए। इसके अलावा, हम यह सुनिश्चित करने के लिए कि भविष्यवाणियां सटीक हैं, हम दस्तावेज़ समीक्षाओं के लिए एक मानव कार्यबल को शामिल कर सकते हैं। Amazon A2I ML भविष्यवाणियों के लिए मानव समीक्षा के लिए आवश्यक वर्कफ़्लोज़ के निर्माण में तेजी लाता है।

Amazon A2I के साथ, आप मानव समीक्षकों को उस स्थिति में कदम रखने की अनुमति दे सकते हैं जब कोई मॉडल उच्च आत्मविश्वास की भविष्यवाणी करने में असमर्थ हो या निरंतर आधार पर अपनी भविष्यवाणियों का ऑडिट करने में असमर्थ हो। IDP पाइपलाइन का लक्ष्य आपके निर्णय प्रणाली में सटीक जानकारी प्राप्त करने के लिए आवश्यक मानव इनपुट की मात्रा को कम करना है। IDP के साथ, आप अपनी दस्तावेज़ प्रक्रियाओं के लिए मानव इनपुट की मात्रा के साथ-साथ दस्तावेज़ प्रसंस्करण की कुल लागत को कम कर सकते हैं।

आपके पास दस्तावेज़ों से निकाली गई सभी सटीक जानकारी के बाद, आप लैम्ब्डा फ़ंक्शंस का उपयोग करके व्यवसाय-विशिष्ट नियम जोड़ सकते हैं और अंत में डाउनस्ट्रीम डेटाबेस या एप्लिकेशन के साथ समाधान को एकीकृत कर सकते हैं।

Amazon A2I वर्कफ़्लो बनाने के तरीके के बारे में अधिक जानकारी के लिए, के निर्देशों का पालन करें मॉड्यूल 4 . के लिए तैयारी के अंत में कदम 03-idp-document-enrichment.ipynb हमारे में गीथहब रेपो.

क्लीन अप

अपने एडब्ल्यूएस खाते पर भविष्य के शुल्कों को रोकने के लिए, उन संसाधनों को हटा दें जिन्हें हमने भंडार के सेटअप में प्रावधानित किया है। सफाई अनुभाग हमारे रेपो में।

निष्कर्ष

इस दो-भाग की पोस्ट में, हमने देखा कि कैसे कम या बिना एमएल अनुभव के एक एंड-टू-एंड आईडीपी पाइपलाइन का निर्माण किया जाए। हमने पाइपलाइन के विभिन्न चरणों और उद्योग-विशिष्ट उपयोग के मामलों के डिजाइन और निर्माण के लिए AWS AI सेवाओं जैसे Amazon Textract, Amazon Comprehend, Amazon Comprehend Medical, और Amazon A2I के साथ एक व्यावहारिक समाधान पर चर्चा की। में पहिला पद श्रृंखला में, हमने दिखाया कि विभिन्न दस्तावेज़ों से जानकारी निकालने के लिए Amazon Textract और Amazon Comprehend का उपयोग कैसे करें। इस पोस्ट में, हमने अपने दस्तावेज़ों से कस्टम इकाइयों को निकालने के लिए अमेज़ॅन कॉम्प्रिहेंड कस्टम इकाई पहचानकर्ता को प्रशिक्षित करने के तरीके के बारे में गहन जानकारी दी। हमने अमेज़ॅन टेक्सट्रेक्ट के साथ-साथ अमेज़ॅन कॉम्प्रिहेंड से इकाई सूची का उपयोग करके दस्तावेज़ संवर्धन तकनीकों का भी प्रदर्शन किया। अंत में, हमने देखा कि आप एक निजी कार्य दल को शामिल करके Amazon Textract के लिए Amazon A2I मानव समीक्षा वर्कफ़्लो का उपयोग कैसे कर सकते हैं।

इस पोस्ट में पूर्ण कोड नमूने के बारे में अधिक जानकारी के लिए देखें गीथहब रेपो.

हम अनुशंसा करते हैं कि आप के सुरक्षा अनुभागों की समीक्षा करें अमेज़न टेक्सट्रेक, Amazon Comprehend, तथा अमेज़न A2I दस्तावेज़ीकरण और प्रदान किए गए दिशानिर्देशों का पालन करें। इसके अलावा, कीमत की समीक्षा करने और समझने के लिए कुछ समय दें अमेज़न टेक्सट्रेक, Amazon Comprehend, तथा अमेज़न A2I.

लेखक के बारे में

चिन राणे Amazon वेब सर्विसेज में AI/ML स्पेशलिस्ट सॉल्यूशंस आर्किटेक्ट हैं। वह अनुप्रयुक्त गणित और मशीन लर्निंग के बारे में भावुक है। वह AWS ग्राहकों के लिए बुद्धिमान दस्तावेज़ प्रसंस्करण समाधान तैयार करने पर ध्यान केंद्रित करती है। काम के अलावा, वह सालसा और बचाटा नृत्य का आनंद लेती है।

सोनाली साहू अमेज़ॅन वेब सर्विसेज में इंटेलिजेंट डॉक्यूमेंट प्रोसेसिंग एआई / एमएल सॉल्यूशंस आर्किटेक्ट टीम का नेतृत्व कर रहा है। वह एक भावुक टेक्नोफाइल है और नवाचार का उपयोग करके जटिल समस्याओं को हल करने के लिए ग्राहकों के साथ काम करना पसंद करती है। उनका मुख्य फोकस आर्टिफिशियल इंटेलिजेंस और इंटेलिजेंट डॉक्यूमेंट प्रोसेसिंग के लिए मशीन लर्निंग है।

अंजन बिस्वास एक एआई/एमएल विशेषज्ञ वरिष्ठ समाधान वास्तुकार हैं। अंजन उद्यम ग्राहकों के साथ काम करता है और एआई/एमएल, डेटा एनालिटिक्स और बड़े डेटा समाधानों को विकसित करने, तैनात करने और समझाने का शौक रखता है। अंजन को वैश्विक आपूर्ति श्रृंखला, विनिर्माण और खुदरा संगठनों के साथ काम करने का 14 से अधिक वर्षों का अनुभव है, और सक्रिय रूप से ग्राहकों को एडब्ल्यूएस पर शुरुआत करने और स्केल करने में मदद कर रहा है।

सुप्रकाश दत्ता Amazon वेब सर्विसेज में सॉल्यूशंस आर्किटेक्ट हैं। वह डिजिटल ट्रांसफॉर्मेशन स्ट्रैटेजी, एप्लिकेशन मॉडर्नाइजेशन एंड माइग्रेशन, डेटा एनालिटिक्स और मशीन लर्निंग पर फोकस करता है। वह एडब्ल्यूएस में एआई/एमएल समुदाय का हिस्सा है और बुद्धिमान दस्तावेज़ प्रसंस्करण समाधान डिजाइन करता है।