यह पोस्ट स्नोफ्लेक, इंक. के एंड्रीज़ एंगेलब्रेक्ट और जेम्स सन के साथ एक संयुक्त सहयोग है।
क्लाउड कंप्यूटिंग क्रांति ने व्यवसायों को क्षमता योजना या डेटा प्रतिधारण बाधाओं के बिना कॉर्पोरेट और संगठनात्मक डेटा को पकड़ने और बनाए रखने में सक्षम बनाया है। अब, अनुदैर्ध्य डेटा के विविध और विशाल भंडार के साथ, कंपनियां अल्पकालिक और दीर्घकालिक योजना निर्णय लेते समय बेहतर और सूचित निर्णय लेने के लिए अपनी डिजिटल संपत्ति का उपयोग करने के नए और प्रभावशाली तरीके ढूंढने में सक्षम हो रही हैं। समय श्रृंखला पूर्वानुमान एक अनूठा और आवश्यक विज्ञान है जो कंपनियों को इष्टतम लाभप्रदता के अक्सर प्रतिस्पर्धी लक्ष्यों के मुकाबले ग्राहक सेवा के स्तर को संतुलित करने में मदद करने के लिए सर्जिकल योजना निर्णय लेने की अनुमति देता है।
AWS में, हम कभी-कभी उन ग्राहकों के साथ काम करते हैं जिन्होंने हमारे प्रौद्योगिकी भागीदार को चुना है हिमपात का एक खंड क्लाउड डेटा प्लेटफ़ॉर्म अनुभव प्रदान करने के लिए। एक ऐसा मंच होना जो वर्षों के ऐतिहासिक डेटा को याद रख सके, शक्तिशाली है - लेकिन आप इस डेटा का उपयोग आगे देखने के लिए और कल के साक्ष्य का उपयोग कल की योजना बनाने के लिए कैसे कर सकते हैं? कल्पना करें कि स्नोफ्लेक में जो कुछ हुआ है वह न केवल सत्य का आपका एकल संस्करण उपलब्ध है, बल्कि गैर-साइलोएड डेटा का एक आसन्न सेट भी है जो भविष्य में दिनों, हफ्तों या महीनों के लिए संभावित पूर्वानुमान प्रदान करता है।
एक सहयोगी आपूर्ति श्रृंखला में, भागीदारों के बीच जानकारी साझा करने से प्रदर्शन में सुधार हो सकता है, प्रतिस्पर्धात्मकता बढ़ सकती है और संसाधनों की बर्बादी कम हो सकती है। अपने भविष्य के पूर्वानुमानों को साझा करने में सुविधा हो सकती है स्नोफ्लेक डेटा शेयरिंग, जो आपको अपने व्यावसायिक साझेदारों के साथ सुरक्षित रूप से सहयोग करने और व्यावसायिक अंतर्दृष्टि की पहचान करने में सक्षम बनाता है। यदि कई साझेदार अपने पूर्वानुमान साझा करते हैं, तो इससे जुड़ी आपूर्ति श्रृंखला में बुलव्हिप प्रभाव को नियंत्रित करने में मदद मिल सकती है। आप प्रभावी ढंग से उपयोग कर सकते हैं स्नोफ्लेक मार्केटप्लेस में उत्पादित डेटासेट से अपने पूर्वानुमानित विश्लेषण का मुद्रीकरण करने के लिए अमेज़न का पूर्वानुमान.
इस पोस्ट में, हम चर्चा करते हैं कि स्नोफ्लेक और पूर्वानुमान का उपयोग करके स्वचालित समय श्रृंखला पूर्वानुमान समाधान कैसे लागू किया जाए।
आवश्यक AWS सेवाएँ जो इस समाधान को सक्षम बनाती हैं
पूर्वानुमान कई अत्याधुनिक समय श्रृंखला एल्गोरिदम प्रदान करता है और लगभग किसी भी कार्यभार की जरूरतों को पूरा करने के लिए पर्याप्त वितरित कंप्यूटिंग क्षमता के आवंटन का प्रबंधन करता है। पूर्वानुमान के साथ, आपको एक मॉडल नहीं मिलता है; आपको कई मॉडलों की ताकत मिलती है जिन्हें सेट में प्रत्येक समय श्रृंखला के लिए एक विशिष्ट भारित मॉडल में अनुकूलित किया जाता है। संक्षेप में, सेवा सभी विज्ञान, डेटा प्रबंधन और संसाधन प्रबंधन को एक सरल एपीआई कॉल में वितरित करती है।
AWS स्टेप फ़ंक्शंस एक प्रक्रिया ऑर्केस्ट्रेशन तंत्र प्रदान करता है जो समग्र वर्कफ़्लो का प्रबंधन करता है। सेवा एपीआई कॉल को इनकैप्सुलेट करती है अमेज़न एथेना, AWS लाम्बा, और पूर्वानुमान एक स्वचालित समाधान बनाने के लिए है जो स्नोफ्लेक से डेटा एकत्र करता है, ऐतिहासिक डेटा को भविष्य की भविष्यवाणियों में परिवर्तित करने के लिए पूर्वानुमान का उपयोग करता है, और फिर स्नोफ्लेक के अंदर डेटा बनाता है।
एथेना फ़ेडरेटेड क्वेरीज़ सहित कई एंटरप्राइज़ डेटा स्रोतों से जुड़ सकती हैं अमेज़ॅन डायनेमोडीबी, अमेज़न रेडशिफ्ट, अमेज़न ओपन सर्च सर्विस, MySQL, PostgreSQL, Redis, और अन्य लोकप्रिय तृतीय-पक्ष डेटा स्टोर, जैसे स्नोफ्लेक। डेटा कनेक्टर लैम्ब्डा फ़ंक्शंस के रूप में चलते हैं - लॉन्च करने में सहायता के लिए आप इस स्रोत कोड का उपयोग कर सकते हैं अमेज़ॅन एथेना लैम्ब्डा स्नोफ्लेक कनेक्टर और से जुड़ें एडब्ल्यूएस प्राइवेटलिंक या NAT गेटवे के माध्यम से।
समाधान अवलोकन
AWS में हम अक्सर जो काम करते हैं उनमें से एक है ग्राहकों को उनके लक्ष्यों को साकार करने में मदद करना और साथ ही बिना किसी अंतर के भारी सामान उठाने के बोझ को हटाना। इसे ध्यान में रखते हुए, हम निम्नलिखित का प्रस्ताव करते हैं समाधान AWS और स्नोफ्लेक ग्राहकों की सहायता के लिए निम्नलिखित कदम उठाएं:
- स्नोफ्लेक से डेटा निर्यात करें। आप रेडी-टू-गो वर्कफ़्लो द्वारा संचालित आवश्यक ऐतिहासिक डेटा को अनलोड करने के लिए लचीले मेटाडेटा का उपयोग कर सकते हैं।
- पूर्वानुमान में डेटा आयात करें. उपयोग के मामले, उद्योग या पैमाने से कोई फर्क नहीं पड़ता, तैयार डेटा इनपुट आयात करना आसान और स्वचालित है।
- एक अत्याधुनिक समय श्रृंखला मॉडल को प्रशिक्षित करें। आप अंतर्निहित डेटा विज्ञान या हार्डवेयर प्रावधान को प्रबंधित किए बिना समय श्रृंखला पूर्वानुमान को स्वचालित कर सकते हैं।
- प्रशिक्षित मॉडल के विरुद्ध अनुमान उत्पन्न करें। पूर्वानुमान-निर्मित आउटपुट का किसी भी उद्देश्य के लिए उपभोग करना आसान है। वे साधारण CSV या Parquet फ़ाइलों के रूप में उपलब्ध हैं अमेज़न सरल भंडारण सेवा (अमेज़न S3)।
- स्नोफ्लेक में सीधे इतिहास और भविष्य की भविष्यवाणियों का एक साथ उपयोग करें।
निम्नलिखित आरेख दिखाता है कि एक स्वचालित वर्कफ़्लो को कैसे कार्यान्वित किया जाए जो स्नोफ्लेक ग्राहकों को एडब्ल्यूएस प्रबंधित सेवा, पूर्वानुमान द्वारा समर्थित अत्यधिक सटीक समय श्रृंखला भविष्यवाणियों से लाभ उठाने में सक्षम बनाता है। उपयोग के मामले और उद्योग से परे, यहां पेश किया गया डिज़ाइन सबसे पहले स्नोफ्लेक से ऐतिहासिक डेटा निकालता है। इसके बाद, वर्कफ़्लो समय श्रृंखला गणना के लिए तैयार डेटा सबमिट करता है। अंत में, भविष्य की अवधि की भविष्यवाणियाँ स्नोफ्लेक में मूल रूप से उपलब्ध हैं, जो संयुक्त एडब्ल्यूएस और स्नोफ्लेक ग्राहकों के लिए एक सहज उपयोगकर्ता अनुभव बनाती हैं।
हालाँकि यह आर्किटेक्चर केवल प्रमुख तकनीकी विवरणों पर प्रकाश डालता है, समाधान को एक साथ रखना आसान है, कभी-कभी 1-2 व्यावसायिक दिनों के भीतर। हम आपको अकेले और बिना किसी शुरुआत के समाधान तैयार करने की अविभाजित भारी उठापटक को दूर करने में मदद करने के लिए कार्यशील नमूना कोड प्रदान करते हैं। एक कार्यभार के लिए इस पैटर्न को लागू करने का तरीका जानने के बाद, आप स्नोफ्लेक में रखे गए किसी भी डेटा के लिए पूर्वानुमान प्रक्रिया को दोहरा सकते हैं। आगे आने वाले अनुभागों में, हम उन प्रमुख चरणों की रूपरेखा प्रस्तुत करते हैं जो आपको एक स्वचालित पाइपलाइन बनाने में सक्षम बनाते हैं।
स्नोफ्लेक से ऐतिहासिक डेटा निकालें
इस पहले चरण में, आप SQL का उपयोग यह परिभाषित करने के लिए करते हैं कि आप किस डेटा का पूर्वानुमान लगाना चाहते हैं और एथेना फ़ेडरेटेड क्वेरी को स्नोफ्लेक से कनेक्ट करने दें, अपना अनुकूलित SQL चलाएँ, और परिणामी रिकॉर्ड सेट को Amazon S3 पर जारी रखें। पूर्वानुमान के लिए आवश्यक है कि अंतर्ग्रहण से पहले ऐतिहासिक प्रशिक्षण डेटा Amazon S3 पर उपलब्ध हो; इसलिए, अमेज़ॅन एस3 स्नोफ्लेक और फोरकास्ट के बीच एक मध्यवर्ती भंडारण बफर के रूप में कार्य करता है। स्नोफ्लेक और अन्य विविध डेटा स्रोतों को सक्षम करने के लिए हम इस डिज़ाइन में एथेना को शामिल करते हैं। यदि आप चाहें, तो एक अन्य तरीका अमेज़ॅन S3 पर क्वेरी परिणाम लिखने के लिए स्नोफ्लेक COPY कमांड और स्टोरेज एकीकरण का उपयोग करना है।
उपयोग किए गए परिवहन तंत्र के बावजूद, अब हम यह रेखांकित करते हैं कि किस प्रकार के डेटा पूर्वानुमान की आवश्यकता है और डेटा को कैसे परिभाषित, तैयार और निकाला जाता है। अगले अनुभाग में, हम वर्णन करते हैं कि पूर्वानुमान में डेटा कैसे आयात किया जाए।
निम्नलिखित स्क्रीनशॉट दर्शाता है कि डेटा का एक सेट अपने मूल स्नोफ्लेक स्कीमा में कैसा दिख सकता है।
हालाँकि यह स्क्रीनशॉट दिखाता है कि डेटा अपनी प्राकृतिक स्थिति में कैसा दिखता है, पूर्वानुमान के लिए डेटा को तीन अलग-अलग डेटासेट में आकार देने की आवश्यकता होती है:
- लक्ष्य समय श्रृंखला - यह एक आवश्यक डेटासेट है जिसमें लक्ष्य चर होता है और इसका उपयोग भविष्य के मूल्य को प्रशिक्षित करने और भविष्यवाणी करने के लिए किया जाता है। अकेले, यह डेटासेट एक अविभाज्य समय श्रृंखला मॉडल के रूप में कार्य करता है।
- संबंधित समय श्रृंखला - यह एक वैकल्पिक डेटासेट है जिसमें अस्थायी चर शामिल हैं जिनका लक्ष्य चर से संबंध होना चाहिए। उदाहरणों में परिवर्तनीय मूल्य निर्धारण, प्रचार प्रयास, हाइपरलोकल ईवेंट ट्रैफ़िक, आर्थिक दृष्टिकोण डेटा शामिल हैं - आपको लगता है कि कुछ भी लक्ष्य समय श्रृंखला में भिन्नता को समझाने और बेहतर पूर्वानुमान देने में मदद कर सकता है। संबंधित समय श्रृंखला डेटासेट सटीकता में सुधार करने में मदद के लिए आपके यूनीवेरिएट मॉडल को मल्टीवेरिएट में बदल देता है।
- आइटम मेटाडेटा - यह एक वैकल्पिक डेटासेट है जिसमें पूर्वानुमानित आइटम के बारे में श्रेणीबद्ध डेटा शामिल है। आइटम मेटाडेटा अक्सर नए लॉन्च किए गए उत्पादों के प्रदर्शन को बढ़ावा देने में मदद करता है, जिसे हम कहते हैं ठंडी शुरुआत.
परिभाषित प्रत्येक पूर्वानुमान डेटासेट के दायरे के साथ, आप स्नोफ्लेक में क्वेरीज़ लिख सकते हैं जो डेटा के वांछित उपसमूह को प्राप्त करने के लिए उचित फ़िल्टर के साथ आवश्यक स्रोत तालिकाओं से सही डेटा फ़ील्ड का स्रोत बनाते हैं। निम्नलिखित तीन उदाहरण SQL क्वेरी हैं जिनका उपयोग प्रत्येक डेटासेट को उत्पन्न करने के लिए किया जाता है जिसे एक विशिष्ट खाद्य मांग योजना परिदृश्य के लिए पूर्वानुमान की आवश्यकता होती है।
हम लक्ष्य समय श्रृंखला क्वेरी से शुरू करते हैं:
वैकल्पिक संबंधित समय श्रृंखला क्वेरी मूल्य और प्रचार जैसे सहसंयोजकों को खींचती है:
आइटम मेटाडेटा क्वेरी विशिष्ट श्रेणीबद्ध मान प्राप्त करती है जो आयाम देने और पूर्वानुमानित आइटम को और अधिक परिभाषित करने में मदद करती है:
परिभाषित स्रोत प्रश्नों के साथ, हम प्रश्नों को सबमिट करने और पूर्वानुमान के उपयोग के लिए परिणामी डेटासेट को जारी रखने के लिए एथेना फ़ेडरेटेड क्वेरी के माध्यम से स्नोफ्लेक से जुड़ सकते हैं। अधिक जानकारी के लिए देखें एथेना फ़ेडरेटेड क्वेरी का उपयोग करके स्नोफ्लेक को क्वेरी करें और अपने Amazon S3 डेटा लेक में डेटा के साथ जुड़ें.
RSI एथेना स्नोफ्लेक कनेक्टर गिटहब रेपो स्नोफ्लेक कनेक्टर स्थापित करने में मदद करता है। पूर्वानुमान MLOps GitHub रेपो इस पोस्ट में परिभाषित सभी मैक्रो चरणों को व्यवस्थित करने में मदद करता है, और उन्हें कोड लिखे बिना दोहराने योग्य बनाता है।
पूर्वानुमान में डेटा आयात करें
पिछला चरण पूरा करने के बाद, लक्ष्य समय श्रृंखला डेटासेट अमेज़न S3 में है और पूर्वानुमान में आयात के लिए तैयार है। इसके अलावा, वैकल्पिक संबंधित समय श्रृंखला और आइटम मेटाडेटा डेटासेट भी तैयार किए जा सकते हैं और अंतर्ग्रहण के लिए तैयार किए जा सकते हैं। प्रदान के साथ पूर्वानुमान एमएलओपीएस समाधान, आपको यहां बस इतना करना है कि डेटा आयात करने के लिए जिम्मेदार स्टेप फ़ंक्शंस राज्य मशीन शुरू करें - कोई कोड आवश्यक नहीं है। पूर्वानुमान आपके द्वारा प्रदान किए गए प्रत्येक डेटासेट के लिए एक क्लस्टर लॉन्च करता है और एमएल मॉडल निर्माण और मॉडल अनुमान के लिए उपयोग की जाने वाली सेवा के लिए डेटा को तैयार करता है।
सटीकता आंकड़ों के साथ एक समय श्रृंखला एमएल मॉडल बनाएं
डेटा आयात किए जाने के बाद, केवल एपीआई को कॉल करके अत्यधिक सटीक समय श्रृंखला मॉडल बनाए जाते हैं। यह चरण एक स्टेप फ़ंक्शंस राज्य मशीन के अंदर समाहित है जो मॉडल प्रशिक्षण शुरू करने के लिए पूर्वानुमान एपीआई शुरू करता है। भविष्यवक्ता मॉडल को प्रशिक्षित करने के बाद, राज्य मशीन बैकटेस्ट विंडो के दौरान मॉडल आंकड़ों और भविष्यवाणियों को अमेज़ॅन एस 3 पर निर्यात करती है। बैकटेस्ट निर्यात को स्नोफ्लेक द्वारा बाहरी चरण के रूप में क्वेरी किया जा सकता है, जैसा कि निम्नलिखित स्क्रीनशॉट में दिखाया गया है। यदि आप चाहें, तो आप डेटा को आंतरिक चरण में संग्रहीत कर सकते हैं। मुद्दा आपके द्वारा प्रदान किए गए डेटासेट में समय श्रृंखला के प्रदर्शन प्रसार का मूल्यांकन करने के लिए बैकटेस्ट मेट्रिक्स का उपयोग करना है।
भविष्य की भविष्यवाणियाँ बनाएँ
पिछले चरण से प्रशिक्षित मॉडल के साथ, एक उद्देश्य-निर्मित स्टेप फ़ंक्शंस राज्य मशीन भविष्य-दिनांकित पूर्वानुमान बनाने के लिए पूर्वानुमान एपीआई को कॉल करती है। पूर्वानुमान अनुमान लगाने के लिए एक क्लस्टर का प्रावधान करता है और पिछले चरण में बनाए गए नामित भविष्यवक्ता मॉडल के माध्यम से आयातित लक्ष्य समय श्रृंखला, संबंधित समय श्रृंखला और आइटम मेटाडेटा डेटासेट खींचता है। भविष्यवाणियाँ उत्पन्न होने के बाद, राज्य मशीन उन्हें अमेज़ॅन एस 3 को लिखती है, जहां, एक बार फिर, उन्हें स्नोफ्लेक बाहरी चरण के रूप में पूछताछ की जा सकती है या आंतरिक चरण के रूप में स्नोफ्लेक में ले जाया जा सकता है।
स्नोफ्लेक में सीधे भविष्य-दिनांकित पूर्वानुमान डेटा का उपयोग करें
AWS ने इस चरण के लिए पूर्णतः स्वचालित समाधान नहीं बनाया है; हालाँकि, इस पोस्ट में समाधान के साथ, पिछले दो चरणों में पूर्वानुमान द्वारा डेटा पहले ही तैयार किया जा चुका था। आप आउटपुट को कार्रवाई योग्य घटनाओं के रूप में मान सकते हैं या डेटा पर बिजनेस इंटेलिजेंस डैशबोर्ड बना सकते हैं। आप डेटा का उपयोग भविष्य की विनिर्माण योजनाएं और खरीद ऑर्डर बनाने, भविष्य के राजस्व का अनुमान लगाने, स्टाफिंग संसाधन योजनाएं बनाने आदि के लिए भी कर सकते हैं। प्रत्येक उपयोग का मामला अलग है, लेकिन इस चरण का उद्देश्य आपके संगठन या उससे परे सही उपभोग प्रणालियों तक पूर्वानुमान पहुंचाना है।
निम्नलिखित कोड स्निपेट दिखाता है कि स्नोफ्लेक के भीतर से सीधे अमेज़ॅन S3 डेटा को कैसे क्वेरी किया जाए:
अनुमतियाँ सेट करने के बारे में अधिक जानकारी के लिए, देखें विकल्प 1: अमेज़ॅन एस3 तक पहुंचने के लिए स्नोफ्लेक स्टोरेज इंटीग्रेशन को कॉन्फ़िगर करना. इसके अतिरिक्त, आप का उपयोग कर सकते हैं AWS सेवा सूची अमेज़ॅन S3 भंडारण एकीकरण को कॉन्फ़िगर करने के लिए; अधिक जानकारी पर उपलब्ध है गीथहब रेपो.
शेड्यूल-आधारित या इवेंट-आधारित वर्कफ़्लो आरंभ करें
अपने विशिष्ट कार्यभार के लिए समाधान स्थापित करने के बाद, आपका अंतिम चरण एक शेड्यूल पर प्रक्रिया को स्वचालित करना है जो आपकी विशिष्ट आवश्यकता के लिए समझ में आता है, जैसे दैनिक या साप्ताहिक। मुख्य बात यह तय करना है कि प्रक्रिया कैसे शुरू की जाए। एक तरीका यह है कि स्टेप फ़ंक्शंस राज्य मशीन को शुरू करने के लिए स्नोफ्लेक का उपयोग करें और फिर चरणों को क्रमिक रूप से व्यवस्थित करें। एक अन्य दृष्टिकोण राज्य मशीनों को एक साथ श्रृंखलाबद्ध करना और एक के माध्यम से समग्र संचालन शुरू करना है अमेज़न EventBridge नियम, जिसे आप किसी ईवेंट या निर्धारित कार्य से चलाने के लिए कॉन्फ़िगर कर सकते हैं—उदाहरण के लिए, प्रत्येक रविवार रात 9:00 बजे जीएमटी-8।
निष्कर्ष
सर्वाधिक अनुभव के साथ; सबसे विश्वसनीय, स्केलेबल और सुरक्षित क्लाउड; और सेवाओं और समाधानों का सबसे व्यापक सेट, AWS आपके डेटा से मूल्य अनलॉक करने और इसे अंतर्दृष्टि में बदलने के लिए सबसे अच्छी जगह है। इस पोस्ट में, हमने आपको दिखाया कि स्वचालित समय श्रृंखला पूर्वानुमान वर्कफ़्लो कैसे बनाया जाए। बेहतर पूर्वानुमान से बेहतर ग्राहक सेवा परिणाम, कम बर्बादी, कम निष्क्रिय इन्वेंट्री और बैलेंस शीट पर अधिक नकदी हो सकती है।
यदि आप पूर्वानुमान को स्वचालित करने और उसमें सुधार करने के लिए तैयार हैं, तो हम आपकी यात्रा में आपकी सहायता के लिए यहां हैं। आज ही आरंभ करने के लिए अपनी AWS या स्नोफ्लेक खाता टीम से संपर्क करें और यह देखने के लिए पूर्वानुमान कार्यशाला का अनुरोध करें कि आप अपने डेटा से किस प्रकार के मूल्य को अनलॉक कर सकते हैं।
लेखक के बारे में
बॉस्को अल्बुकर्क AWS में एक सीनियर पार्टनर सॉल्यूशन आर्किटेक्ट हैं और उनके पास एंटरप्राइज़ डेटाबेस विक्रेताओं और क्लाउड प्रदाताओं के डेटाबेस और एनालिटिक्स उत्पादों के साथ काम करने का 20 से अधिक वर्षों का अनुभव है। उन्होंने प्रौद्योगिकी कंपनियों को डेटा एनालिटिक्स समाधान और उत्पादों को डिजाइन और कार्यान्वित करने में मदद की है।
फ़्रैंक डैलेज़ोटे AWS में एक सीनियर सॉल्यूशंस आर्किटेक्ट हैं और AWS पर स्केलेबल एप्लिकेशन डिजाइन करने और बनाने के लिए स्वतंत्र सॉफ्टवेयर विक्रेताओं के साथ काम करने का शौक रखते हैं। उनके पास सॉफ्टवेयर बनाने, बिल्ड पाइपलाइनों को लागू करने और इन समाधानों को क्लाउड में तैनात करने का अनुभव है।
एंड्रीज़ एंगेलब्रेक्ट स्नोफ्लेक में प्रिंसिपल पार्टनर सॉल्यूशंस आर्किटेक्ट हैं और रणनीतिक साझेदारों के साथ काम करते हैं। वह उत्पाद और सेवा एकीकरण के साथ-साथ भागीदारों के साथ संयुक्त समाधान के विकास का समर्थन करने वाले AWS जैसे रणनीतिक साझेदारों के साथ सक्रिय रूप से जुड़ा हुआ है। एंड्रीज़ के पास डेटा और एनालिटिक्स के क्षेत्र में 20 वर्षों से अधिक का अनुभव है।
चार्ल्स लाफलिन एक प्रिंसिपल एआई/एमएल स्पेशलिस्ट सॉल्यूशंस आर्किटेक्ट हैं और एडब्ल्यूएस में टाइम सीरीज़ एमएल टीम पर काम करते हैं। वह अमेज़ॅन पूर्वानुमान सेवा रोडमैप को आकार देने में मदद करता है और अत्याधुनिक एडब्ल्यूएस प्रौद्योगिकियों और विचार नेतृत्व का उपयोग करके अपने व्यवसायों को बदलने में मदद करने के लिए विभिन्न एडब्ल्यूएस ग्राहकों के साथ दैनिक सहयोग करता है। चार्ल्स के पास आपूर्ति श्रृंखला प्रबंधन में एमएस है और उन्होंने उपभोक्ता पैकेज्ड सामान उद्योग में काम करते हुए पिछला दशक बिताया है।
जेम्स सन स्नोफ्लेक में सीनियर पार्टनर सॉल्यूशंस आर्किटेक्ट हैं। जेम्स के पास भंडारण और डेटा विश्लेषण में 20 वर्षों से अधिक का अनुभव है। स्नोफ्लेक से पहले, उन्होंने AWS और MapR में कई वरिष्ठ तकनीकी पदों पर कार्य किया। जेम्स ने स्टैनफोर्ड यूनिवर्सिटी से पीएचडी की है।
- AI
- ai कला
- ऐ कला जनरेटर
- ऐ रोबोट
- अमेज़न एथेना
- अमेज़न का पूर्वानुमान
- कृत्रिम बुद्धिमत्ता
- कृत्रिम बुद्धिमत्ता प्रमाणन
- बैंकिंग में आर्टिफिशियल इंटेलिजेंस
- आर्टिफिशियल इंटेलिजेंस रोबोट
- आर्टिफिशियल इंटेलिजेंस रोबोट
- कृत्रिम बुद्धि सॉफ्टवेयर
- एडब्ल्यूएस CloudFormation
- AWS मशीन लर्निंग
- AWS स्टेप फ़ंक्शंस
- blockchain
- ब्लॉकचेन सम्मेलन एआई
- कॉइनजीनियस
- संवादी कृत्रिम बुद्धिमत्ता
- CPG
- क्रिप्टो सम्मेलन एआई
- दल-ए
- ध्यान लगा के पढ़ना या सीखना
- इसे गूगल करें
- यंत्र अधिगम
- विनिर्माण
- प्लेटो
- प्लेटो एआई
- प्लेटो डेटा इंटेलिजेंस
- प्लेटो गेम
- प्लेटोडाटा
- प्लेटोगेमिंग
- खुदरा
- स्केल एआई
- वाक्यविन्यास
- तकनीकी
- समय श्रृंखला
- जेफिरनेट