अमेज़ॅन कॉम्प्रिहेंड कस्टम क्लासिफायर के साथ आईटी सेवा अनुरोधों का स्वचालित वर्गीकरण

उद्यम अक्सर बड़ी मात्रा में आईटी सेवा अनुरोधों से निपटते हैं। परंपरागत रूप से, अनुरोधकर्ता पर हर मुद्दे के लिए सही श्रेणी चुनने का बोझ डाला जाता है। मैन्युअल त्रुटि या टिकट का गलत वर्गीकरण आमतौर पर आईटी सेवा अनुरोध को हल करने में देरी का मतलब है। इसके परिणामस्वरूप उत्पादकता में कमी, ग्राहकों की संतुष्टि में कमी, सेवा स्तर के समझौतों (एसएलए) पर प्रभाव और व्यापक परिचालन प्रभाव हो सकते हैं। जैसे-जैसे आपका उद्यम बढ़ता है, सही टीम को सही सेवा अनुरोध प्राप्त करने की समस्या और भी महत्वपूर्ण हो जाती है। मशीन लर्निंग (एमएल) और आर्टिफिशियल इंटेलिजेंस पर आधारित दृष्टिकोण का उपयोग करने से आपके उद्यम की लगातार विकसित होने वाली जरूरतों में मदद मिल सकती है।

पर्यवेक्षित एमएल एक ऐसी प्रक्रिया है जो डेटा को वर्गीकृत करने या परिणाम की भविष्यवाणी करने के तरीके पर सीखने वाले एल्गोरिदम को प्रशिक्षित करने के लिए लेबल किए गए डेटासेट और आउटपुट का उपयोग करती है। Amazon Comprehend एक प्राकृतिक भाषा प्रसंस्करण (एनएलपी) सेवा है जो पाठ में मूल्यवान अंतर्दृष्टि और कनेक्शन को उजागर करने के लिए एमएल का उपयोग करती है। यह प्रमुख वाक्यांशों, संस्थाओं, भावना विश्लेषण, और बहुत कुछ निकालने के लिए एमएल द्वारा संचालित एपीआई प्रदान करता है।

इस पोस्ट में, हम आपको एक पर्यवेक्षित एमएल मॉडल को लागू करने का तरीका दिखाते हैं जो आईटी सेवा अनुरोधों को स्वचालित रूप से वर्गीकृत करने में मदद कर सकता है अमेज़न कस्टम वर्गीकरण को समझें. अमेज़ॅन कॉम्प्रिहेंड कस्टम वर्गीकरण आपको एमएल-आधारित एनएलपी समाधान बनाने के लिए आवश्यक कौशल के बिना आपकी विशिष्ट आवश्यकताओं के लिए अमेज़ॅन कॉम्प्रिहेंड को अनुकूलित करने में मदद करता है। स्वचालित एमएल, या ऑटोएमएल के साथ, अमेज़ॅन कॉम्प्रिहेंड कस्टम वर्गीकरण आपके द्वारा प्रदान किए जाने वाले प्रशिक्षण डेटा का उपयोग करके आपकी ओर से अनुकूलित एनएलपी मॉडल बनाता है।

समाधान का अवलोकन

आईटी सेवा अनुरोध वर्गीकरण को स्पष्ट करने के लिए, यह समाधान का उपयोग करता है SEOSS डेटासेट. यह डेटासेट एक व्यवस्थित रूप से पुनर्प्राप्त किया गया डेटासेट है जिसमें 33 ओपन-सोर्स सॉफ़्टवेयर प्रोजेक्ट शामिल हैं जिनमें बड़ी संख्या में टाइप की गई कलाकृतियाँ हैं और उनके बीच लिंक का पता लगाते हैं। यह समाधान इन 33 ओपन-सोर्स प्रोजेक्ट्स, सारांशों और विवरणों से समस्या डेटा का उपयोग करता है, जैसा कि एंड-यूजर्स द्वारा Amazon Comprehend का उपयोग करके एक कस्टम क्लासिफायर मॉडल बनाने के लिए रिपोर्ट किया गया है।

यह पोस्ट दर्शाता है कि समाधान का उपयोग करके कैसे कार्यान्वित और परिनियोजित किया जाए AWS क्लाउड डेवलपमेंट किट (एडब्ल्यूएस सीडीके) एक पृथक . में अमेज़ॅन वर्चुअल प्राइवेट क्लाउड (अमेज़ॅन वीपीसी) वातावरण जिसमें केवल निजी सबनेट शामिल हैं। हम कोड का उपयोग यह प्रदर्शित करने के लिए भी करते हैं कि आप AWS CDK का उपयोग कैसे कर सकते हैं प्रदाता ढांचा, एक प्रदाता को लागू करने के लिए एक मिनी-ढांचा एडब्ल्यूएस CloudFormation अमेज़ॅन कॉम्प्रिहेंड एंडपॉइंट जैसे कस्टम संसाधन बनाने, अपडेट करने या हटाने के लिए कस्टम संसाधन। अमेज़ॅन कॉम्प्रिहेंड एंडपॉइंट में प्रबंधित संसाधन शामिल हैं जो आपके कस्टम मॉडल को क्लाइंट मशीन या तृतीय-पक्ष एप्लिकेशन के लिए रीयल-टाइम अनुमान के लिए उपलब्ध कराते हैं। इस समाधान के लिए कोड जीथब पर उपलब्ध है।

आप समाधान के लिए अवसंरचना, अनुप्रयोग कोड और कॉन्फ़िगरेशन परिनियोजित करने के लिए AWS CDK का उपयोग करते हैं। आपको AWS खाते और AWS संसाधन बनाने की क्षमता की भी आवश्यकता है। आप निजी सबनेट के साथ VPC जैसे AWS संसाधन बनाने के लिए AWS CDK का उपयोग करते हैं, अमेज़न वीपीसी समापन बिंदु, अमेज़ॅन इलास्टिक फ़ाइल सिस्टम (अमेज़ॅन ईएफएस), और अमेज़न सरल अधिसूचना सेवा (अमेज़ॅन एसएनएस) विषय, एक अमेज़न सरल भंडारण सेवा (अमेज़ॅन S3) बकेट, Amazon S3 इवेंट नोटिफिकेशन, तथा AWS लाम्बा कार्य। सामूहिक रूप से, ये AWS संसाधन प्रशिक्षण स्टैक का निर्माण करते हैं, जिसका उपयोग आप कस्टम क्लासिफायर मॉडल बनाने और प्रशिक्षित करने के लिए करते हैं।

इन AWS संसाधनों को बनाने के बाद, आप SEOSS डेटासेट डाउनलोड करते हैं और डेटासेट को समाधान द्वारा बनाए गए S3 बकेट में अपलोड करते हैं। यदि आप इस समाधान को AWS क्षेत्र us-east-2 में परिनियोजित कर रहे हैं, तो S3 बकेट नाम का प्रारूप है comprehendcustom--us-east-2-s3stack. समाधान एक लैम्ब्डा फ़ंक्शन को लागू करने के लिए अमेज़ॅन एस 3 मल्टी-पार्ट अपलोड ट्रिगर का उपयोग करता है जो इनपुट डेटा की प्री-प्रोसेसिंग शुरू करता है, और कस्टम क्लासिफायर मॉडल बनाने के लिए अमेज़ॅन कॉम्प्रिहेंड कस्टम क्लासिफायर को प्रशिक्षित करने के लिए प्रीप्रोसेस्ड डेटा का उपयोग करता है। फिर आप अनुमान स्टैक बनाने के लिए कस्टम क्लासिफायर मॉडल के अमेज़ॅन रिसोर्स नेम (एआरएन) का उपयोग करते हैं, जो एडब्ल्यूएस सीडीके का उपयोग करके अमेज़ॅन कॉम्प्रिहेंड एंडपॉइंट बनाता है। प्रदाता ढांचा, जिसे आप तब किसी तृतीय-पक्ष एप्लिकेशन या क्लाइंट मशीन से अनुमान के लिए उपयोग कर सकते हैं।

निम्नलिखित आरेख प्रशिक्षण स्टैक की वास्तुकला को दर्शाता है।

वर्कफ़्लो चरण इस प्रकार हैं:

1. प्रशिक्षण स्टैक परिनियोजन प्रक्रिया के भाग के रूप में बनाए गए S3 बकेट में SEOSS डेटासेट अपलोड करें। यह एक ईवेंट ट्रिगर बनाता है जो इसे आमंत्रित करता है etl_lambda समारोह.
2. RSI etl_lambda फ़ंक्शन Amazon S3 से Amazon EFS पर सेट किए गए कच्चे डेटा को डाउनलोड करता है।
3. RSI etl_lambda फ़ंक्शन SEOSS डेटासेट का डेटा प्रीप्रोसेसिंग कार्य करता है।
4. जब फ़ंक्शन निष्पादन पूरा हो जाता है, तो यह रूपांतरित डेटा को अपलोड करता है prepped_data S3 बाल्टी के लिए उपसर्ग।
5. रूपांतरित डेटा का अपलोड पूरा होने के बाद, एक सफल ईटीएल समापन संदेश अमेज़ॅन एसएनएस को भेजा जाता है।
6. अमेज़ॅन कॉम्प्रिहेंड में, आप अपने दस्तावेज़ों को दो मोड का उपयोग करके वर्गीकृत कर सकते हैं: मल्टी-क्लास या मल्टी-लेबल। मल्टी-क्लास मोड प्रत्येक दस्तावेज़ के लिए एक और केवल एक वर्ग की पहचान करता है, और मल्टी-लेबल मोड प्रत्येक दस्तावेज़ के लिए एक या अधिक लेबल की पहचान करता है। क्योंकि हम प्रत्येक दस्तावेज़ के लिए एकल वर्ग की पहचान करना चाहते हैं, हम कस्टम क्लासिफायर मॉडल को मल्टी-क्लास मोड में प्रशिक्षित करते हैं। अमेज़ॅन एसएनएस ट्रिगर करता है train_classifier_lambda फ़ंक्शन, जो अमेज़ॅन कॉम्प्रिहेंड क्लासिफायरियर प्रशिक्षण को एक बहु-वर्ग मोड में आरंभ करता है।
7. RSI train_classifier_lambda फ़ंक्शन अमेज़ॅन कॉम्प्रिहेंड कस्टम क्लासिफायरियर प्रशिक्षण शुरू करता है।
8. अमेज़ॅन कॉम्प्रिहेंड से रूपांतरित डेटा डाउनलोड करता है prepped_data कस्टम क्लासिफायर मॉडल को प्रशिक्षित करने के लिए Amazon S3 में उपसर्ग।
9. जब मॉडल प्रशिक्षण पूरा हो जाता है, तो अमेज़ॅन कॉम्प्रिहेंड अपलोड करता है model.tar.gz के लिए फ़ाइल output_data S3 बाल्टी का उपसर्ग। इस कस्टम क्लासिफायर मॉडल को प्रशिक्षित करने का औसत पूरा होने का समय लगभग 10 घंटे है।
10. Amazon S3 अपलोड ट्रिगर को आमंत्रित करता है extract_comprehend_model_name_lambda फ़ंक्शन, जो कस्टम क्लासिफायर मॉडल ARN को पुनः प्राप्त करता है।
11. फ़ंक्शन S3 ईवेंट पेलोड से कस्टम क्लासिफ़ायर मॉडल ARN को निकालता है और प्रतिक्रिया करता है list-document-classifiers पु का र ना।
12. फ़ंक्शन कस्टम क्लासिफायर मॉडल ARN को उस ईमेल पते पर भेजता है जिसे आपने प्रशिक्षण स्टैक निर्माण प्रक्रिया के भाग के रूप में पहले सब्सक्राइब किया था। फिर आप इस एआरएन का उपयोग अनुमान स्टैक को तैनात करने के लिए करते हैं।

यह परिनियोजन एक अनुमान स्टैक बनाता है, जैसा कि निम्नलिखित आकृति में दिखाया गया है। अनुमान स्टैक आपको एक REST API प्रदान करता है जो a . द्वारा सुरक्षित है AWS पहचान और अभिगम प्रबंधन (IAM) ऑथराइज़र, जिसका उपयोग आप किसी तृतीय-पक्ष एप्लिकेशन या क्लाइंट मशीन से दिए गए इनपुट टेक्स्ट के आधार पर लेबल के कॉन्फिडेंस स्कोर बनाने के लिए कर सकते हैं।

.. पूर्वापेक्षाएँ

इस डेमो के लिए, आपके पास निम्नलिखित पूर्वापेक्षाएँ होनी चाहिए:

• An AWS खाता.
• पायथन 3.7 या बाद में, Node.js, तथा जाना विकास मशीन में। AWS CDK Node.js (>=10.13.0, संस्करण 13.0.0 - 13.6.0 को छोड़कर) के विशिष्ट संस्करणों का उपयोग करता है। सक्रिय दीर्घकालिक समर्थन (LTS) में एक संस्करण की सिफारिश की जाती है।
  Node.js के सक्रिय एलटीएस संस्करण को स्थापित करने के लिए, आप निम्नलिखित का उपयोग कर सकते हैं: स्क्रिप्ट स्थापित करें एसटी nvm और उपयोग करें nvm सेवा मेरे स्थापित Node.js LTS संस्करण। आप अपनी पसंद के ऑपरेटिंग सिस्टम के आधार पर पैकेज मैनेजर के माध्यम से वर्तमान सक्रिय एलटीएस नोड.जेएस भी स्थापित कर सकते हैं।

  MacOS के लिए, आप निम्नलिखित का उपयोग करके पैकेज मैनेजर के माध्यम से Node.js स्थापित कर सकते हैं: निर्देश.

  विंडोज़ के लिए, आप निम्नलिखित का उपयोग करके पैकेज मैनेजर के माध्यम से Node.js स्थापित कर सकते हैं: निर्देश.

• यदि आप किसी का उपयोग कर रहे हैं तो AWS CDK v2 पूर्व-स्थापित है AWS क्लाउड 9 आईडीई। यदि आप AWS Cloud9 IDE का उपयोग कर रहे हैं, तो आप इस चरण को छोड़ सकते हैं। यदि आपके पास विकास मशीन में AWS CDK स्थापित नहीं है, तो Node Package Manager कमांड का उपयोग करके विश्व स्तर पर AWS CDK v2 स्थापित करें। npm install -g aws-cdk. इस चरण के लिए विकास मशीन में Node.js को स्थापित करना आवश्यक है।
• AWS CDK का उपयोग करके AWS संसाधनों तक पहुँचने और बनाने के लिए अपने AWS क्रेडेंशियल्स को कॉन्फ़िगर करें। निर्देशों के लिए, देखें क्रेडेंशियल और क्षेत्र निर्दिष्ट करना.
• डाउनलोड SEOSS डेटासेट आवश्यकताओं, बग रिपोर्ट, कोड इतिहास, और 33 ओपन-सोर्स सॉफ़्टवेयर प्रोजेक्ट के ट्रेस लिंक से मिलकर बनता है। फ़ाइल सहेजें dataverse_files.zip अपने स्थानीय मशीन पर।

AWS CDK प्रशिक्षण स्टैक परिनियोजित करें

AWS CDK परिनियोजन के लिए, हम प्रशिक्षण स्टैक से शुरू करते हैं। निम्नलिखित चरणों को पूरा करें:

1. GitHub रिपॉजिटरी को क्लोन करें:

$ git clone https://github.com/aws-samples/amazon-comprehend-custom-automate-classification-it-service-request.git

2. पर नेविगेट करें amazon-comprehend-custom-automate-classification-it-service-request फ़ोल्डर:

$ cd amazon-comprehend-custom-automate-classification-it-service-request/

निम्नलिखित सभी आदेश के भीतर चलाए जाते हैं amazon-comprehend-custom-automate-classification-it-service-request निर्देशिका.

3. अमेज़ॅन-समझ-कस्टम-ऑटोमेट-वर्गीकरण-इट-सर्विस-अनुरोध निर्देशिका में, पायथन वर्चुअल वातावरण को इनिशियलाइज़ करें और पाइप के साथ आवश्यकताएँ। txt स्थापित करें:

$ python3 -m venv .venv
$ source .venv/bin/activate
$ pip install -r requirements.txt

4. यदि आप पहली बार किसी विशिष्ट AWS खाते और क्षेत्र में AWS CDK का उपयोग कर रहे हैं, तो इसके लिए निर्देश देखें अपने एडब्ल्यूएस सीडीके पर्यावरण को बूटस्ट्रैप करना:

$ cdk bootstrap aws:///

5. का उपयोग करके इस समाधान के लिए CloudFormation टेम्प्लेट को संश्लेषित करें cdk synth और उपयोग करें cdk deploy पहले बताए गए AWS संसाधन बनाने के लिए:

$ cdk synth
$ cdk deploy VPCStack EFSStack S3Stack SNSStack ExtractLoadTransformEndPointCreateStack --parameters SNSStack:emailaddressarnnotification=

दर्ज करने के बाद cdk deploy, AWS CDK संकेत देता है कि क्या आप cdk परिनियोजन कमांड में कहे गए प्रत्येक स्टैक के लिए परिवर्तन परिनियोजित करना चाहते हैं।

6. दर्ज y प्रत्येक स्टैक निर्माण संकेत के लिए, फिर cdk परिनियोजन चरण इन स्टैक्स को बनाता है। सीडीके परिनियोजन के हिस्से के रूप में बनाए गए एसएनएस विषय के लिए आपके द्वारा प्रदान किए गए ईमेल पते की सदस्यता लें।
7. सीडीके परिनियोजन सफलतापूर्वक पूर्ण होने के बाद, एक फ़ोल्डर बनाएं जिसे कहा जाता है raw_data S3 बाल्टी में comprehendcustom---s3stack.
8. SEOSS डेटासेट अपलोड करें dataverse_files.zip जिसे आपने पहले इस फ़ोल्डर में डाउनलोड किया था।

अपलोड पूर्ण होने के बाद, समाधान को आमंत्रित करता है etl_lambda एक्सट्रेक्ट, ट्रांसफॉर्म और लोड (ETL) प्रक्रिया शुरू करने के लिए Amazon S3 इवेंट ट्रिगर का उपयोग करके फ़ंक्शन। ETL प्रक्रिया के सफलतापूर्वक पूर्ण होने के बाद, SNS विषय पर एक संदेश भेजा जाता है, जो इनवोक करता है train_classifier_lambda समारोह। यह फ़ंक्शन अमेज़ॅन कॉम्प्रिहेंड कस्टम क्लासिफायर मॉडल प्रशिक्षण को ट्रिगर करता है। इस पर निर्भर करते हुए कि आप अपने मॉडल को संपूर्ण SEOSS डेटासेट पर प्रशिक्षित करते हैं, प्रशिक्षण में 10 घंटे तक का समय लग सकता है। जब प्रशिक्षण प्रक्रिया पूरी हो जाती है, तो अमेज़ॅन कॉम्प्रिहेंड अपलोड करता है model.tar.gz के लिए फ़ाइल output_data S3 बाल्टी में उपसर्ग।

यह अपलोड ट्रिगर करता है extract_comprehend_model_name_lambda एक S3 इवेंट ट्रिगर का उपयोग करके कार्य करता है जो कस्टम क्लासिफायर मॉडल ARN को निकालता है और इसे आपके द्वारा पहले सब्सक्राइब किए गए ईमेल पते पर भेजता है। यह कस्टम क्लासिफायर मॉडल एआरएन का उपयोग तब अनुमान स्टैक बनाने के लिए किया जाता है। जब मॉडल प्रशिक्षण पूरा हो जाता है, तो आप अमेज़ॅन कॉम्प्रिहेंड कंसोल में संस्करण विवरण अनुभाग पर नेविगेट करके या अमेज़ॅन कॉम्प्रिहेंड का उपयोग करके कस्टम क्लासिफायर मॉडल के प्रदर्शन मेट्रिक्स को देख सकते हैं। Boto3 एसडीके.

एडब्ल्यूएस सीडीके अनुमान स्टैक तैनात करें

अब आप अनुमान स्टैक को परिनियोजित करने के लिए तैयार हैं।

1. आपको प्राप्त ईमेल से कस्टम क्लासिफायर मॉडल ARN को कॉपी करें और निम्नलिखित का उपयोग करें cdk deploy अनुमान स्टैक बनाने के लिए आदेश।

यह कमांड एक आईएएम प्राधिकरण द्वारा सुरक्षित एपीआई गेटवे आरईएसटी एपीआई को तैनात करता है, जिसका उपयोग आप एडब्ल्यूएस उपयोगकर्ता आईडी या आईएएम भूमिका के अनुमान के लिए करते हैं जिसमें केवल निष्पादन-एपीआई: आईएएम विशेषाधिकार शामिल है। निम्नलिखित cdk परिनियोजन आदेश अनुमान स्टैक को परिनियोजित करता है। यह स्टैक एडब्ल्यूएस सीडीके का उपयोग करता है प्रदाता ढांचा अमेज़ॅन कॉम्प्रिहेंड एंडपॉइंट को एक कस्टम संसाधन के रूप में बनाने के लिए, ताकि अमेज़ॅन कॉम्प्रिहेंड एंडपॉइंट को बनाना, हटाना और अपडेट करना सीडीके परिनियोजन और सीडीके नष्ट कमांड का उपयोग करके अनुमान स्टैक जीवनचक्र के हिस्से के रूप में किया जा सके।

चूंकि मॉडल प्रशिक्षण पूरा होने के बाद आपको निम्न कमांड चलाने की आवश्यकता होती है, जिसमें 10 घंटे तक लग सकते हैं, सुनिश्चित करें कि आप पाइथन वर्चुअल वातावरण में हैं जिसे आपने पहले चरण में और पहले चरण में प्रारंभ किया था। amazon-comprehend-custom-automate-classification-it-service-request निर्देशिका:

$ cdk deploy APIGWInferenceStack --parameters APIGWInferenceStack:documentclassifierarn=

उदाहरण के लिए:

$ cdk deploy APIGWInferenceStack --parameters APIGWInferenceStack:documentclassifierarn=arn:aws:comprehend:us-east-2:111122223333:document-classifier/ComprehendCustomClassifier-11111111-2222-3333-4444-abc5d67e891f/version/v1

2. के बाद cdk deploy आदेश सफलतापूर्वक पूरा हुआ, कॉपी करें APIGWInferenceStack.ComprehendCustomClassfierInvokeAPI कंसोल आउटपुट से मूल्य, और क्लाइंट मशीन या किसी तृतीय-पक्ष एप्लिकेशन से अनुमान उत्पन्न करने के लिए इस आरईएसटी एपीआई का उपयोग करें execute-api:Invoke आईएएम विशेषाधिकार। यदि आप इस समाधान को us-east-2 में चला रहे हैं, तो इस REST API का प्रारूप है https://.execute-api.us-east-2.amazonaws.com/prod/invokecomprehendV1.

वैकल्पिक रूप से, आप परीक्षण क्लाइंट का उपयोग कर सकते हैं apiclientinvoke.py कस्टम क्लासिफायरियर मॉडल के लिए अनुरोध भेजने के लिए GitHub रिपॉजिटरी से। Apiclientinvoke.py का उपयोग करने से पहले, सुनिश्चित करें कि निम्नलिखित पूर्वापेक्षाएँ मौजूद हैं:

• आपके पास है boto3 और requests क्लाइंट मशीन पर पाइप का उपयोग करके पायथन पैकेज स्थापित किया गया।
• आपने Boto3 क्रेडेंशियल कॉन्फ़िगर किया है। डिफ़ॉल्ट रूप से, परीक्षण क्लाइंट मानता है कि डिफ़ॉल्ट नाम की एक प्रोफ़ाइल मौजूद है और उसके पास है execute-api:Invoke आरईएसटी एपीआई पर आईएएम विशेषाधिकार।
• SigV4Auth उस क्षेत्र की ओर इशारा करता है जहां REST API तैनात है। अपडेट करें मूल्य us-east-2 in apiclientinvoke.py यदि आपका REST API us-east-2 में परिनियोजित है।
• आपने असाइन किया है raw_data पाठ के साथ चर जिस पर आप कक्षा की भविष्यवाणी या वर्गीकरण अनुरोध करना चाहते हैं:

raw_data="""Spark is a unified analytics engine for large-scale data processing. It provides high-level APIs in Scala, Java, Python, and R, and an optimized engine that supports general computation graphs for data analysis."""

• आपने असाइन किया है restapi आरईएसटी एपीआई के साथ चर पहले कॉपी किया गया:

restapi="https://.execute-api.us-east-2.amazonaws.com/prod/invokecomprehendV1"

3. चलाएं apiclientinvoke.py पिछले अपडेट के बाद:

$ python3 apiclientinvoke.py

आपको कस्टम क्लासिफायरियर मॉडल से निम्नलिखित प्रतिक्रिया मिलती है:

{
 "statusCode": 200,
 "body": [
	{
	 "Name": "SPARK",
	 "Score": 0.9999773502349854
	},
	{
	 "Name": "HIVE",
	 "Score": 1.1613215974648483e-05
	},
	{
	 "Name": "DROOLS",
	 "Score": 1.1110682862636168e-06
	}
   ]
}

अमेज़ॅन कॉम्प्रिहेंड प्रत्येक लेबल के लिए विश्वास स्कोर देता है जिसे उसने सही तरीके से जिम्मेदार ठहराया है। यदि सेवा किसी लेबल के बारे में अत्यधिक आश्वस्त है, तो स्कोर 1 के करीब होगा। इसलिए, अमेज़ॅन कॉम्प्रिहेंड कस्टम क्लासिफायर मॉडल के लिए जिसे SEOSS डेटासेट का उपयोग करके प्रशिक्षित किया गया था, कस्टम क्लासिफायर मॉडल भविष्यवाणी करता है कि टेक्स्ट स्पार्क क्लास से संबंधित है। अमेज़ॅन कॉम्प्रिहेंड कस्टम क्लासिफायर मॉडल द्वारा लौटाए गए इस वर्गीकरण का उपयोग आईटी सेवा अनुरोधों को वर्गीकृत करने या आईटी सेवा अनुरोधों की सही श्रेणी की भविष्यवाणी करने के लिए किया जा सकता है, जिससे मैन्युअल त्रुटियों या सेवा अनुरोधों के गलत वर्गीकरण को कम किया जा सकता है।

क्लीन अप

इस पोस्ट में बनाए गए सभी संसाधनों को साफ करने के लिए जो प्रशिक्षण स्टैक और अनुमान स्टैक के हिस्से के रूप में बनाए गए थे, निम्न आदेश का उपयोग करें। यह आदेश पिछले cdk परिनियोजन आदेशों के भाग के रूप में बनाए गए सभी AWS संसाधनों को हटा देता है:

$ cdk destroy --all

निष्कर्ष

इस पोस्ट में, हमने आपको दिखाया कि कैसे उद्यम या तो विषय या अंतिम उपयोगकर्ता द्वारा सबमिट किए गए अनुरोध के विवरण के आधार पर आईटी सेवा अनुरोधों की श्रेणी की भविष्यवाणी करने के लिए अमेज़ॅन कॉम्प्रिहेंड कस्टम वर्गीकरण का उपयोग करके एक पर्यवेक्षित एमएल मॉडल को लागू कर सकते हैं। कस्टम क्लासिफायर मॉडल बनाने और प्रशिक्षित करने के बाद, आप एक समापन बिंदु बनाकर कस्टम वर्गीकरण के लिए वास्तविक समय विश्लेषण चला सकते हैं। इस मॉडल को अमेज़ॅन कॉम्प्रिहेंड एंडपॉइंट पर तैनात करने के बाद, इसका उपयोग आईटी सेवा प्रबंधन टूल सहित तृतीय-पक्ष एप्लिकेशन या अन्य क्लाइंट मशीनों द्वारा रीयल-टाइम अनुमान चलाने के लिए किया जा सकता है। फिर आप इस अनुमान का उपयोग दोष श्रेणी की भविष्यवाणी करने और मैन्युअल त्रुटियों या टिकटों के गलत वर्गीकरण को कम करने के लिए कर सकते हैं। यह टिकट समाधान के लिए देरी को कम करने में मदद करता है और संकल्प सटीकता और ग्राहक उत्पादकता को बढ़ाता है, जिसके परिणामस्वरूप अंततः ग्राहकों की संतुष्टि में वृद्धि होती है।

आप इस पोस्ट में अवधारणाओं को अन्य उपयोग के मामलों में विस्तारित कर सकते हैं, जैसे कि व्यापार या आईटी टिकट को विभिन्न आंतरिक टीमों जैसे कि व्यावसायिक विभागों, ग्राहक सेवा एजेंटों, और टीयर 2/3 आईटी समर्थन, जो या तो अंतिम-उपयोगकर्ताओं द्वारा या स्वचालित के माध्यम से बनाया गया है। साधन।

संदर्भ

• रथ, माइकल; Mäder, पैट्रिक, 2019, "द SEOSS डेटासेट - आवश्यकताएँ, बग रिपोर्ट, कोड इतिहास, और संपूर्ण परियोजनाओं के लिए ट्रेस लिंक", https://doi.org/10.7910/DVN/PDDZ4Q, हार्वर्ड डेटावर्स, V1

लेखक के बारे में

अर्नब चक्रवर्ती सिनसिनाटी, ओहियो में स्थित एडब्ल्यूएस में सीनियर सॉल्यूशंस आर्किटेक्ट हैं। वह एंटरप्राइज एंड सॉल्यूशन आर्किटेक्चर, डेटा एनालिटिक्स, सर्वरलेस और मशीन लर्निंग के विषयों के बारे में भावुक हैं। अपने खाली समय में, वह फिल्में, यात्रा शो और खेल देखना पसंद करते हैं।

वायरल देसाई AWS में प्रिंसिपल सॉल्यूशंस आर्किटेक्ट हैं। सूचना प्रौद्योगिकी में 25 से अधिक वर्षों के अनुभव के साथ, वह ग्राहकों को एडब्ल्यूएस अपनाने और उनके आर्किटेक्चर का आधुनिकीकरण करने में मदद कर रहे हैं। उसे हाइकिंग पसंद है, और एडब्ल्यूएस की सभी चीजों पर ग्राहकों के साथ गहरी गोता लगाने का आनंद लेता है।