यह एक अतिथि पोस्ट है स्केलेबल कैपिटल, यूरोप में एक अग्रणी फिनटेक जो डिजिटल धन प्रबंधन और ट्रेडिंग फ्लैट रेट के साथ ब्रोकरेज प्लेटफॉर्म प्रदान करता है।
एक तेजी से बढ़ती कंपनी के रूप में, स्केलेबल कैपिटल का लक्ष्य न केवल एक अभिनव, मजबूत और विश्वसनीय बुनियादी ढांचे का निर्माण करना है, बल्कि हमारे ग्राहकों के लिए सर्वोत्तम अनुभव भी प्रदान करना है, खासकर जब ग्राहक सेवाओं की बात आती है।
स्केलेबल को दैनिक आधार पर हमारे ग्राहकों से सैकड़ों ईमेल पूछताछ प्राप्त होती हैं। आधुनिक प्राकृतिक भाषा प्रसंस्करण (एनएलपी) मॉडल को लागू करके, प्रतिक्रिया प्रक्रिया को अधिक कुशलता से आकार दिया गया है, और ग्राहकों के लिए प्रतीक्षा समय काफी कम हो गया है। मशीन लर्निंग (एमएल) मॉडल नए आने वाले ग्राहक अनुरोधों को आते ही वर्गीकृत करता है और उन्हें पूर्वनिर्धारित कतारों में पुनर्निर्देशित करता है, जो हमारे समर्पित ग्राहक सफलता एजेंटों को उनके कौशल के अनुसार ईमेल की सामग्री पर ध्यान केंद्रित करने और उचित प्रतिक्रिया प्रदान करने की अनुमति देता है।
इस पोस्ट में, हम हगिंग फेस ट्रांसफार्मर के उपयोग के तकनीकी लाभों को प्रदर्शित करते हैं अमेज़न SageMaker, जैसे बड़े पैमाने पर प्रशिक्षण और प्रयोग, और उत्पादकता और लागत-दक्षता में वृद्धि।
समस्या का विवरण
स्केलेबल कैपिटल यूरोप में सबसे तेजी से बढ़ती फिनटेक में से एक है। निवेश को लोकतांत्रिक बनाने के उद्देश्य से, कंपनी अपने ग्राहकों को वित्तीय बाजारों तक आसान पहुंच प्रदान करती है। स्केलेबल के ग्राहक कंपनी के ब्रोकरेज ट्रेडिंग प्लेटफॉर्म के माध्यम से बाजार में सक्रिय रूप से भाग ले सकते हैं, या बुद्धिमान और स्वचालित तरीके से निवेश करने के लिए स्केलेबल वेल्थ मैनेजमेंट का उपयोग कर सकते हैं। 2021 में, स्केलेबल कैपिटल ने अपने ग्राहक आधार में दस गुना वृद्धि का अनुभव किया, दसियों हज़ार से सैकड़ों हज़ार तक।
अपने ग्राहकों को उत्पादों और ग्राहक सेवा में शीर्ष-स्तरीय (और सुसंगत) उपयोगकर्ता अनुभव प्रदान करने के लिए, कंपनी परिचालन उत्कृष्टता बनाए रखते हुए स्केलेबल समाधान के लिए दक्षता उत्पन्न करने के लिए स्वचालित समाधान की तलाश कर रही थी। स्केलेबल कैपिटल की डेटा विज्ञान और ग्राहक सेवा टीमों ने पहचाना कि हमारे ग्राहकों को सेवा देने में सबसे बड़ी बाधाओं में से एक ईमेल पूछताछ का जवाब देना था। विशेष रूप से, बाधा वर्गीकरण चरण थी, जिसमें कर्मचारियों को दैनिक आधार पर अनुरोध पाठ को पढ़ना और लेबल करना था। ईमेल को उनकी उचित कतार में भेजने के बाद, संबंधित विशेषज्ञ तुरंत लगे और मामलों को हल किया।
इस वर्गीकरण प्रक्रिया को सुव्यवस्थित करने के लिए, स्केलेबल की डेटा विज्ञान टीम ने पूर्व-प्रशिक्षित के आधार पर अत्याधुनिक ट्रांसफार्मर आर्किटेक्चर का उपयोग करके एक मल्टीटास्क एनएलपी मॉडल बनाया और तैनात किया। डिस्टिलबर्ट-बेस-जर्मन-केस्ड हगिंग फेस द्वारा प्रकाशित मॉडल। डिस्टिलबर्ट-बेस-जर्मन-केस्ड का उपयोग करता है ज्ञान आसवन मूल BERT बेस मॉडल की तुलना में एक छोटे सामान्य प्रयोजन भाषा प्रतिनिधित्व मॉडल को पूर्व-प्रशिक्षित करने की विधि। आसुत संस्करण छोटा और तेज़ होने के साथ-साथ मूल संस्करण के बराबर प्रदर्शन प्राप्त करता है। हमारी एमएल जीवनचक्र प्रक्रिया को सुविधाजनक बनाने के लिए, हमने अपने मॉडलों के निर्माण, तैनाती, सेवा और निगरानी के लिए सेजमेकर को अपनाने का निर्णय लिया। निम्नलिखित अनुभाग में, हम अपने प्रोजेक्ट आर्किटेक्चर डिज़ाइन का परिचय देते हैं।
समाधान अवलोकन
स्केलेबल कैपिटल के एमएल इंफ्रास्ट्रक्चर में दो एडब्ल्यूएस खाते शामिल हैं: एक विकास चरण के लिए एक वातावरण के रूप में और दूसरा उत्पादन चरण के लिए।
निम्नलिखित आरेख हमारे ईमेल क्लासिफायर प्रोजेक्ट के लिए वर्कफ़्लो दिखाता है, लेकिन इसे अन्य डेटा विज्ञान परियोजनाओं के लिए भी सामान्यीकृत किया जा सकता है।
वर्कफ़्लो में निम्नलिखित घटक होते हैं:
- मॉडल प्रयोग - डेटा वैज्ञानिक उपयोग करते हैं अमेज़ॅन सैजमेकर स्टूडियो डेटा विज्ञान जीवनचक्र में पहला कदम उठाना: खोजपूर्ण डेटा विश्लेषण (ईडीए), डेटा सफाई और तैयारी, और प्रोटोटाइप मॉडल का निर्माण। जब खोजपूर्ण चरण पूरा हो जाता है, तो हम अपने कोड बेस को मॉड्यूलर करने और उत्पादन करने के लिए हमारे दूरस्थ विकास उपकरण के रूप में सेजमेकर नोटबुक द्वारा होस्ट किए गए VSCode की ओर रुख करते हैं। विभिन्न प्रकार के मॉडल और मॉडल कॉन्फ़िगरेशन का पता लगाने के लिए, और साथ ही अपने प्रयोगों पर नज़र रखने के लिए, हम सेजमेकर ट्रेनिंग और सेजमेकर प्रयोगों का उपयोग करते हैं।
- मॉडल निर्माण - हमारे उत्पादन उपयोग के मामले में एक मॉडल पर निर्णय लेने के बाद, इस मामले में एक बहु-कार्य डिस्टिलबर्ट-बेस-जर्मन-केस्ड मॉडल, हगिंग फेस के पूर्व-प्रशिक्षित मॉडल से बेहतर ढंग से ट्यून किया गया, हम अपना कोड प्रतिबद्ध करते हैं और जीथब डेवलप शाखा में भेजते हैं। जीथब मर्ज इवेंट हमारी जेनकिंस सीआई पाइपलाइन को ट्रिगर करता है, जो बदले में परीक्षण डेटा के साथ सेजमेकर पाइपलाइन कार्य शुरू करता है। यह यह सुनिश्चित करने के लिए एक परीक्षण के रूप में कार्य करता है कि कोड अपेक्षा के अनुरूप चल रहे हैं। परीक्षण उद्देश्यों के लिए एक परीक्षण समापन बिंदु तैनात किया गया है।
- मॉडल की तैनाती - यह सुनिश्चित करने के बाद कि सब कुछ उम्मीद के मुताबिक चल रहा है, डेटा वैज्ञानिक विकास शाखा को प्राथमिक शाखा में विलय कर देते हैं। यह मर्ज इवेंट अब प्रशिक्षण उद्देश्यों के लिए उत्पादन डेटा का उपयोग करके सेजमेकर पाइपलाइन कार्य को ट्रिगर करता है। बाद में, मॉडल कलाकृतियों का उत्पादन और आउटपुट में संग्रहीत किया जाता है अमेज़न सरल भंडारण सेवा (अमेज़ॅन S3) बकेट, और एक नया मॉडल संस्करण SageMaker मॉडल रजिस्ट्री में लॉग किया गया है। डेटा वैज्ञानिक नए मॉडल के प्रदर्शन की जांच करते हैं, फिर उम्मीदों के अनुरूप होने पर मंजूरी देते हैं। मॉडल अनुमोदन घटना को कैप्चर किया गया है अमेज़न EventBridge, जो फिर मॉडल को उत्पादन परिवेश में सेजमेकर एंडपॉइंट पर तैनात करता है।
- एमएलओपीएस - क्योंकि सेजमेकर एंडपॉइंट निजी है और वीपीसी के बाहर की सेवाओं द्वारा उस तक नहीं पहुंचा जा सकता है, एक AWS लाम्बा समारोह और अमेज़ॅन एपीआई गेटवे सीआरएम के साथ संचार करने के लिए सार्वजनिक समापन बिंदु की आवश्यकता होती है। जब भी सीआरएम इनबॉक्स में नए ईमेल आते हैं, सीआरएम एपीआई गेटवे सार्वजनिक एंडपॉइंट को आमंत्रित करता है, जो बदले में निजी सेजमेकर एंडपॉइंट को लागू करने के लिए लैम्ब्डा फ़ंक्शन को ट्रिगर करता है। फिर फ़ंक्शन एपीआई गेटवे पब्लिक एंडपॉइंट के माध्यम से वर्गीकरण को सीआरएम पर वापस भेज देता है। हमारे तैनात मॉडल के प्रदर्शन की निगरानी के लिए, हम मॉडल से भविष्यवाणी मेट्रिक्स का ट्रैक रखने के लिए सीआरएम और डेटा वैज्ञानिकों के बीच एक फीडबैक लूप लागू करते हैं। मासिक आधार पर, सीआरएम प्रयोग और मॉडल प्रशिक्षण के लिए उपयोग किए गए ऐतिहासिक डेटा को अपडेट करता है। हम उपयोग करते हैं Apache Airflow के लिए Amazon प्रबंधित वर्कफ़्लो (अमेज़ॅन MWAA) हमारे मासिक पुनर्प्रशिक्षण के लिए एक शेड्यूलर के रूप में।
निम्नलिखित अनुभागों में, हम डेटा तैयारी, मॉडल प्रयोग और मॉडल परिनियोजन चरणों को अधिक विस्तार से विभाजित करते हैं।
डेटा तैयारी
स्केलेबल कैपिटल ईमेल डेटा के प्रबंधन और भंडारण के लिए सीआरएम टूल का उपयोग करता है। प्रासंगिक ईमेल सामग्री में विषय, निकाय और संरक्षक बैंक शामिल हैं। प्रत्येक ईमेल को निर्दिष्ट करने के लिए तीन लेबल हैं: ईमेल किस व्यवसाय क्षेत्र से है, कौन सी कतार उपयुक्त है, और ईमेल का विशिष्ट विषय।
इससे पहले कि हम किसी भी एनएलपी मॉडल का प्रशिक्षण शुरू करें, हम यह सुनिश्चित करते हैं कि इनपुट डेटा साफ है और लेबल अपेक्षा के अनुसार दिए गए हैं।
स्केलेबल क्लाइंट से स्वच्छ पूछताछ सामग्री प्राप्त करने के लिए, हम कच्चे ईमेल डेटा और अतिरिक्त टेक्स्ट और प्रतीकों को हटा देते हैं, जैसे ईमेल हस्ताक्षर, इंप्रेशन, ईमेल श्रृंखला में पिछले संदेशों के उद्धरण, सीएसएस प्रतीक, इत्यादि। अन्यथा, हमारे भविष्य के प्रशिक्षित मॉडल खराब प्रदर्शन का अनुभव कर सकते हैं।
ईमेल के लिए लेबल समय के साथ विकसित होते हैं क्योंकि स्केलेबल क्लाइंट सेवा टीमें व्यावसायिक आवश्यकताओं को समायोजित करने के लिए नए लेबल जोड़ती हैं और मौजूदा लेबल को परिष्कृत करती हैं या हटा देती हैं। यह सुनिश्चित करने के लिए कि प्रशिक्षण डेटा के लिए लेबल और साथ ही भविष्यवाणी के लिए अपेक्षित वर्गीकरण अद्यतित हैं, डेटा विज्ञान टीम लेबल की शुद्धता सुनिश्चित करने के लिए ग्राहक सेवा टीम के साथ मिलकर काम करती है।
मॉडल प्रयोग
हम अपना प्रयोग आसानी से उपलब्ध पूर्व-प्रशिक्षित के साथ शुरू करते हैं डिस्टिलबर्ट-बेस-जर्मन-केस्ड हगिंग फेस द्वारा प्रकाशित मॉडल। क्योंकि पूर्व-प्रशिक्षित मॉडल एक सामान्य-उद्देश्य भाषा प्रतिनिधित्व मॉडल है, हम तंत्रिका नेटवर्क में उपयुक्त प्रमुखों को जोड़कर विशिष्ट डाउनस्ट्रीम कार्यों - जैसे वर्गीकरण और प्रश्न उत्तर - को करने के लिए वास्तुकला को अनुकूलित कर सकते हैं। हमारे उपयोग के मामले में, जिस डाउनस्ट्रीम कार्य में हम रुचि रखते हैं वह अनुक्रम वर्गीकरण है। बिना संशोधित किये मौजूदा वास्तुकला, हम अपनी प्रत्येक आवश्यक श्रेणी के लिए तीन अलग-अलग पूर्व-प्रशिक्षित मॉडल को बेहतर बनाने का निर्णय लेते हैं। साथ सेजमेकर हगिंग फेस डीप लर्निंग कंटेनर्स (डीएलसी), एनएलपी प्रयोगों को शुरू करना और प्रबंधित करना हगिंग फेस कंटेनर और सेजमेकर एक्सपेरिमेंट एपीआई के साथ सरल बना दिया गया है।
निम्नलिखित का एक कोड स्निपेट है train.py
:
निम्नलिखित कोड हगिंग फेस अनुमानक है:
सुव्यवस्थित मॉडलों को मान्य करने के लिए, हम इसका उपयोग करते हैं एफ 1-स्कोर हमारे ईमेल डेटासेट की असंतुलित प्रकृति के कारण, बल्कि सटीकता, परिशुद्धता और रिकॉल जैसे अन्य मैट्रिक्स की गणना करने के लिए भी। प्रशिक्षण कार्य के मेट्रिक्स को पंजीकृत करने के लिए सेजमेकर एक्सपेरिमेंट्स एपीआई के लिए, हमें पहले मेट्रिक्स को प्रशिक्षण कार्य स्थानीय कंसोल में लॉग करना होगा, जिसे उठाया जाता है अमेज़ॅन क्लाउडवॉच. फिर हम क्लाउडवॉच लॉग को कैप्चर करने के लिए सही रेगेक्स प्रारूप को परिभाषित करते हैं। मीट्रिक परिभाषाओं में प्रशिक्षण कार्य से मेट्रिक्स निकालने के लिए मेट्रिक्स का नाम और रेगेक्स सत्यापन शामिल है:
क्लासिफायर मॉडल के लिए प्रशिक्षण पुनरावृत्ति के भाग के रूप में, हम परिणाम का मूल्यांकन करने के लिए एक भ्रम मैट्रिक्स और वर्गीकरण रिपोर्ट का उपयोग करते हैं। निम्नलिखित आंकड़ा व्यापार भविष्यवाणी की रेखा के लिए भ्रम मैट्रिक्स को दर्शाता है।
निम्नलिखित स्क्रीनशॉट व्यवसाय भविष्यवाणी की रेखा के लिए वर्गीकरण रिपोर्ट का एक उदाहरण दिखाता है।
अपने प्रयोग की अगली पुनरावृत्ति के रूप में, हम इसका लाभ उठाएंगे बहु-कार्य सीखना हमारे मॉडल को बेहतर बनाने के लिए. मल्टी-टास्क लर्निंग प्रशिक्षण का एक रूप है जहां एक मॉडल एक साथ कई कार्यों को हल करना सीखता है, क्योंकि कार्यों के बीच साझा की गई जानकारी सीखने की क्षमता में सुधार कर सकती है। मूल डिस्टिलबर्ट आर्किटेक्चर में दो और वर्गीकरण प्रमुखों को जोड़कर, हम मल्टी-टास्क फ़ाइन-ट्यूनिंग कर सकते हैं, जो हमारी ग्राहक सेवा टीम के लिए उचित मेट्रिक्स प्राप्त करता है।
मॉडल की तैनाती
हमारे उपयोग के मामले में, ईमेल क्लासिफायरियर को एक समापन बिंदु पर तैनात किया जाना है, जिस पर हमारी सीआरएम पाइपलाइन अवर्गीकृत ईमेल का एक बैच भेज सकती है और भविष्यवाणियां प्राप्त कर सकती है। क्योंकि हमारे पास हगिंग फेस मॉडल अनुमान के अलावा अन्य तर्क हैं - जैसे इनपुट डेटा सफाई और बहु-कार्य भविष्यवाणियां, हमें एक कस्टम अनुमान स्क्रिप्ट लिखने की ज़रूरत है जो इसका पालन करती है सेजमेकर मानक.
निम्नलिखित का एक कोड स्निपेट है inference.py
:
जब सब कुछ तैयार हो जाता है, तो हम अपनी प्रशिक्षण पाइपलाइन को प्रबंधित करने और अपने एमएलओपीएस सेटअप को पूरा करने के लिए इसे अपने बुनियादी ढांचे से जोड़ने के लिए सेजमेकर पाइपलाइन का उपयोग करते हैं।
तैनात मॉडल के प्रदर्शन की निगरानी के लिए, हम एक फीडबैक लूप बनाते हैं ताकि सीआरएम हमें मामले बंद होने पर वर्गीकृत ईमेल की स्थिति प्रदान कर सके। इस जानकारी के आधार पर, हम तैनात मॉडल को बेहतर बनाने के लिए समायोजन करते हैं।
निष्कर्ष
इस पोस्ट में, हमने साझा किया कि कैसे सेजमेकर स्केलेबल में डेटा साइंस टीम को डेटा साइंस प्रोजेक्ट, अर्थात् ईमेल क्लासिफायर प्रोजेक्ट के जीवनचक्र को कुशलतापूर्वक प्रबंधित करने की सुविधा प्रदान करता है। जीवनचक्र सेजमेकर स्टूडियो के साथ डेटा विश्लेषण और अन्वेषण के प्रारंभिक चरण से शुरू होता है; सेजमेकर प्रशिक्षण, अनुमान और हगिंग फेस डीएलसी के साथ मॉडल प्रयोग और तैनाती की ओर बढ़ता है; और अन्य एडब्ल्यूएस सेवाओं के साथ एकीकृत सेजमेकर पाइपलाइन के साथ एक प्रशिक्षण पाइपलाइन के साथ पूरा होता है। इस बुनियादी ढांचे के लिए धन्यवाद, हम नए मॉडलों को अधिक कुशलता से दोहराने और तैनात करने में सक्षम हैं, और इसलिए स्केलेबल के साथ-साथ हमारे ग्राहकों के अनुभवों के भीतर मौजूदा प्रक्रियाओं को बेहतर बनाने में सक्षम हैं।
हगिंग फेस और सेजमेकर के बारे में अधिक जानने के लिए, निम्नलिखित संसाधन देखें:
लेखक के बारे में
डॉ. सैंड्रा श्मिड स्केलेबल जीएमबीएच में डेटा एनालिटिक्स के प्रमुख हैं। वह अपनी टीमों के साथ कंपनी में डेटा-संचालित दृष्टिकोण और उपयोग के मामलों के लिए जिम्मेदार है। उनका मुख्य ध्यान मशीन लर्निंग और डेटा साइंस मॉडल और व्यावसायिक लक्ष्यों का सर्वोत्तम संयोजन ढूंढना है ताकि डेटा से जितना संभव हो उतना व्यावसायिक मूल्य और दक्षता हासिल की जा सके।
हुई डांग स्केलेबल जीएमबीएच में डेटा वैज्ञानिक। उनकी जिम्मेदारियों में डेटा एनालिटिक्स, मशीन लर्निंग मॉडल का निर्माण और तैनाती, साथ ही डेटा साइंस टीम के लिए बुनियादी ढांचे का विकास और रखरखाव शामिल है। अपने खाली समय में, उन्हें पढ़ना, लंबी पैदल यात्रा, रॉक क्लाइंबिंग और नवीनतम मशीन लर्निंग विकास के साथ अपडेट रहना पसंद है।
मिया चांग अमेज़ॅन वेब सर्विसेज के लिए एमएल स्पेशलिस्ट सॉल्यूशंस आर्किटेक्ट हैं। वह ईएमईए में ग्राहकों के साथ काम करती है और अनुप्रयुक्त गणित, कंप्यूटर विज्ञान और एआई/एमएल में अपनी पृष्ठभूमि के साथ क्लाउड पर एआई/एमएल वर्कलोड चलाने के लिए सर्वोत्तम प्रथाओं को साझा करती है। वह एनएलपी-विशिष्ट कार्यभार पर ध्यान केंद्रित करती है, और एक सम्मेलन वक्ता और एक पुस्तक लेखक के रूप में अपना अनुभव साझा करती है। अपने खाली समय में, वह योग, बोर्ड गेम और कॉफी बनाना पसंद करती हैं।
मोरित्ज़ गुर्टलर AWS में डिजिटल नेटिव बिजनेस सेगमेंट में एक अकाउंट एक्जीक्यूटिव है। वह फिनटेक क्षेत्र में ग्राहकों पर ध्यान केंद्रित करते हैं और सुरक्षित और स्केलेबल क्लाउड इंफ्रास्ट्रक्चर के माध्यम से नवाचार में तेजी लाने में उनका समर्थन करते हैं।
- एसईओ संचालित सामग्री और पीआर वितरण। आज ही प्रवर्धित हो जाओ।
- प्लेटोडेटा.नेटवर्क वर्टिकल जेनरेटिव एआई। स्वयं को शक्तिवान बनाएं। यहां पहुंचें।
- प्लेटोआईस्ट्रीम। Web3 इंटेलिजेंस। ज्ञान प्रवर्धित। यहां पहुंचें।
- प्लेटोईएसजी. ऑटोमोटिव/ईवीएस, कार्बन, क्लीनटेक, ऊर्जा, पर्यावरण, सौर, कचरा प्रबंधन। यहां पहुंचें।
- प्लेटोहेल्थ। बायोटेक और क्लिनिकल परीक्षण इंटेलिजेंस। यहां पहुंचें।
- चार्टप्राइम. चार्टप्राइम के साथ अपने ट्रेडिंग गेम को उन्नत करें। यहां पहुंचें।
- BlockOffsets. पर्यावरणीय ऑफसेट स्वामित्व का आधुनिकीकरण। यहां पहुंचें।
- स्रोत: https://aws.amazon.com/blogs/machine-learning/accelerate-client-success-management-through-email-classification-with-hugging-face-on-amazon-sagemaker/
- :हैस
- :है
- :नहीं
- :कहाँ
- $यूपी
- 1
- 100
- 13
- 15% तक
- 17
- 2021
- 26% तक
- 32
- 500
- 7
- a
- योग्य
- About
- ऊपर
- में तेजी लाने के
- तेज
- स्वीकार करें
- पहुँच
- समायोजित
- अनुसार
- लेखा
- अकौन्टस(लेखा)
- शुद्धता
- प्राप्त
- के पार
- सक्रिय रूप से
- कार्य करता है
- अनुकूलन
- जोड़ना
- इसके अलावा
- समायोजन
- अपनाना
- लाभ
- बाद
- बाद में
- एजेंटों
- ऐ / एमएल
- उद्देश्य
- की अनुमति देता है
- भी
- वीरांगना
- अमेज़न SageMaker
- अमेज़ॅन वेब सेवा
- के बीच में
- an
- विश्लेषण
- विश्लेषिकी
- और
- कोई
- अपाचे
- एपीआई
- लागू
- दृष्टिकोण
- उपयुक्त
- अनुमोदन
- अनुमोदन करना
- स्थापत्य
- हैं
- तर्क
- AS
- सौंपा
- At
- संलग्न करना
- लेखक
- स्वचालित
- उपलब्ध
- एडब्ल्यूएस
- वापस
- पृष्ठभूमि
- बैंकों
- आधार
- आधारित
- आधार
- BE
- क्योंकि
- किया गया
- जा रहा है
- लाभ
- BEST
- सर्वोत्तम प्रथाओं
- के बीच
- मंडल
- बोर्ड खेल
- परिवर्तन
- किताब
- शाखा
- टूटना
- दलाली
- निर्माण
- इमारत
- बनाया गया
- व्यापार
- व्यवसायों
- लेकिन
- by
- कर सकते हैं
- राजधानी
- राजधानी का
- कब्जा
- पर कब्जा कर लिया
- ले जाना
- मामला
- मामलों
- श्रेणियाँ
- चेन
- वर्गीकरण
- वर्गीकृत
- सफाई
- ग्राहक
- ग्राहकों
- क्लाइम्बिंग
- समापन
- बंद
- बादल
- क्लाउड इन्फ्रास्ट्रक्चर
- कोड
- कोड आधार
- कोड
- कॉफी
- सहयोग
- संयोजन
- आता है
- करना
- संवाद
- कंपनी
- कंपनी का है
- तुलनीय
- पूरा
- पूरा करता है
- घटकों
- गणना करना
- कंप्यूटर
- कम्प्यूटर साइंस
- सम्मेलन
- भ्रम
- संगत
- होते हैं
- कंसोल
- कंटेनरों
- सामग्री
- अंतर्वस्तु
- सही
- सीआरएम
- सीएसएस
- संरक्षक
- रिवाज
- ग्राहक
- ग्राहक
- दैनिक
- तिथि
- डेटा विश्लेषण
- डेटा विश्लेषण
- डेटा तैयारी
- डेटा विज्ञान
- आँकड़े वाला वैज्ञानिक
- डेटा पर ही आधारित
- तारीख
- तय
- का फैसला किया
- समर्पित
- गहरा
- ध्यान लगा के पढ़ना या सीखना
- चूक
- परिभाषित
- परिभाषित
- परिभाषाएँ
- प्रजातंत्रीय बनाना
- दिखाना
- तैनात
- तैनात
- तैनाती
- तैनाती
- तैनात
- डिज़ाइन
- विस्तार
- विकसित करना
- विकासशील
- विकास
- के घटनाक्रम
- विभिन्न
- डिजिटल
- डिजिटल धन प्रबंधन
- नीचे
- दो
- से प्रत्येक
- आसान
- क्षमता
- कुशलता
- अन्य
- ईमेल
- ईमेल
- ईएमईए
- कर्मचारियों
- सक्षम
- endpoint
- लगे हुए
- सुनिश्चित
- वातावरण
- युग
- विशेष रूप से
- यूरोप
- मूल्यांकन करें
- मूल्यांकन
- कार्यक्रम
- सब कुछ
- विकसित करना
- की जांच
- उदाहरण
- उत्कृष्टता
- कार्यकारी
- मौजूदा
- उम्मीद
- उम्मीदों
- अपेक्षित
- अनुभव
- अनुभवी
- अनुभव
- प्रयोग
- प्रयोगों
- अन्वेषण
- अन्वेषणात्मक डेटा विश्लेषण
- का पता लगाने
- अतिरिक्त
- f1
- चेहरा
- की सुविधा
- की सुविधा
- फैशन
- और तेज
- सबसे तेजी से
- सबसे तेजी से बढ़ रही है
- प्रतिक्रिया
- आकृति
- वित्तीय
- खोज
- फींटेच
- fintechs
- प्रथम
- पहला चरण
- फ्लैट
- फोकस
- केंद्रित
- निम्नलिखित
- के लिए
- प्रपत्र
- प्रारूप
- मुक्त
- से
- समारोह
- भविष्य
- लाभ
- Games
- प्रवेश द्वार
- सामान्य उद्देश्य
- उत्पन्न
- मिल
- GitHub
- जीएमबीएच
- लक्ष्यों
- बढ़ रहा है
- अतिथि
- अतिथि पोस्ट
- था
- है
- he
- सिर
- सिर
- उसे
- उसके
- ऐतिहासिक
- मेजबानी
- कैसे
- एचटीएमएल
- http
- HTTPS
- सैकड़ों
- पहचान
- if
- लागू करने के
- कार्यान्वयन
- में सुधार
- in
- शामिल
- आवक
- बढ़ना
- वृद्धि हुई
- करें-
- इंफ्रास्ट्रक्चर
- प्रारंभिक
- नवोन्मेष
- अभिनव
- निवेश
- पूछताछ
- जांच
- एकीकृत
- बुद्धिमान
- रुचि
- में
- परिचय कराना
- निवेश करना
- निवेश
- का आह्वान
- IT
- यात्रा
- आईटी इस
- काम
- JSON
- रखना
- कुंजी
- लेबल
- लेबल
- भाषा
- सबसे बड़ा
- ताज़ा
- प्रमुख
- जानें
- सीख रहा हूँ
- जीवन चक्र
- लाइन
- भार
- स्थानीय
- लॉग इन
- लॉग इन
- देख
- बंद
- मशीन
- यंत्र अधिगम
- बनाया गया
- को बनाए रखने के
- बनाना
- निर्माण
- प्रबंधन
- कामयाब
- प्रबंध
- प्रबंध
- बाजार
- Markets
- गणित
- मैट्रिक्स
- मर्ज
- मर्ज घटना
- संदेश
- तरीका
- मीट्रिक
- मेट्रिक्स
- हो सकता है
- ML
- एमएलओपीएस
- आदर्श
- मॉडल
- आधुनिक
- मॉनिटर
- मासिक
- अधिक
- चाल
- बहुत
- विभिन्न
- नाम
- यानी
- देशी
- प्राकृतिक
- प्राकृतिक भाषा संसाधन
- प्रकृति
- आवश्यकता
- की जरूरत है
- नेटवर्क
- तंत्रिका
- तंत्रिका नेटवर्क
- नया
- अगला
- NLP
- नोटबुक
- अभी
- संख्या
- of
- ऑफर
- on
- ONE
- लोगों
- केवल
- परिचालन
- or
- आदेश
- मूल
- अन्य
- अन्यथा
- हमारी
- आउट
- उत्पादन
- बाहर
- के ऊपर
- भाग
- भाग लेना
- निष्पादन
- प्रदर्शन
- चरण
- उठाया
- पाइपलाइन
- मंच
- प्लेटो
- प्लेटो डेटा इंटेलिजेंस
- प्लेटोडाटा
- संभव
- पद
- प्रथाओं
- शुद्धता
- भविष्यवाणी
- भविष्यवाणियों
- तैयारी
- पिछला
- प्राथमिक
- निजी
- प्रक्रिया
- प्रक्रियाओं
- प्रसंस्करण
- प्रस्तुत
- उत्पादन
- उत्पादकता
- उत्पाद
- परियोजना
- परियोजनाओं
- उचित
- प्रोटोटाइप
- प्रदान करना
- प्रदान करता है
- सार्वजनिक
- प्रकाशित
- प्रयोजनों
- धक्का
- प्रश्न
- जल्दी से
- उद्धरण
- उठाना
- मूल्यांकन करें
- कच्चा
- पहुँचे
- पढ़ना
- पढ़ना
- तैयार
- उचित
- प्राप्त
- अभिलेख
- घटी
- उल्लेख
- को परिष्कृत
- regex
- रजिस्टर
- रजिस्ट्री
- प्रासंगिक
- विश्वसनीय
- दूरस्थ
- हटाना
- रिपोर्ट
- प्रतिनिधित्व
- का अनुरोध
- अनुरोधों
- अपेक्षित
- संकल्प
- उपयुक्त संसाधन चुनें
- कि
- जवाब
- प्रतिक्रिया
- प्रतिक्रियाएं
- जिम्मेदारियों
- जिम्मेदार
- परिणाम
- वापसी
- मजबूत
- चट्टान
- दौड़ना
- sagemaker
- SageMaker पाइपलाइन
- वही
- स्केलेबल
- स्केल
- विज्ञान
- वैज्ञानिक
- वैज्ञानिकों
- लिपि
- अनुभाग
- वर्गों
- सुरक्षित
- खंड
- भेजें
- अलग
- अनुक्रम
- सेवा
- सेवा
- सेवाएँ
- व्यवस्था
- आकार
- साझा
- शेयरों
- वह
- दिखाता है
- हस्ताक्षर
- सरल
- एक साथ
- कौशल
- छोटे
- टुकड़ा
- So
- समाधान
- समाधान ढूंढे
- हल
- जल्दी
- अंतरिक्ष
- वक्ता
- विशेषज्ञ
- विशेषज्ञों
- विशिष्ट
- विशेष रूप से
- ट्रेनिंग
- प्रारंभ
- शुरुआत में
- शुरू होता है
- राज्य के-the-कला
- स्थिति
- रह
- कदम
- कदम
- भंडारण
- संग्रहित
- भंडारण
- सुवीही
- स्टूडियो
- विषय
- सफलता
- ऐसा
- समर्थन करता है
- निश्चित
- लेना
- कार्य
- कार्य
- टीम
- टीमों
- तकनीकी
- है
- परीक्षण
- परीक्षण
- टेक्स्ट
- से
- धन्यवाद
- कि
- RSI
- लेकिन हाल ही
- उन
- फिर
- वहाँ।
- इसलिये
- वे
- इसका
- हजारों
- तीन
- यहाँ
- पहर
- सेवा मेरे
- एक साथ
- साधन
- विषय
- मशाल
- ट्रैक
- व्यापार
- ट्रेडिंग Platform
- रेलगाड़ी
- प्रशिक्षित
- प्रशिक्षण
- ट्रांसफार्मर
- ट्रान्सफ़ॉर्मर
- काफी
- मोड़
- दो
- टाइप
- प्रकार
- अपडेट
- us
- उपयोग
- उदाहरण
- प्रयुक्त
- उपयोगकर्ता
- उपयोगकर्ता अनुभव
- का उपयोग करता है
- का उपयोग
- सत्यापित करें
- सत्यापन
- मूल्य
- संस्करण
- इंतज़ार कर रही
- था
- we
- धन
- धन प्रबंधन
- वेब
- वेब सेवाओं
- कुंआ
- थे
- कब
- जब कभी
- कौन कौन से
- जब
- साथ में
- अंदर
- बिना
- वर्कफ़्लो
- workflows
- कार्य
- लिखना
- योग
- जेफिरनेट