डेवलपर उत्पादकता को बढ़ावा देना: डेलॉइट नो-कोड/लो-कोड मशीन लर्निंग के लिए अमेज़ॅन सेजमेकर कैनवास का उपयोग कैसे करता है | अमेज़न वेब सेवाएँ

आज की डेटा-संचालित दुनिया में मशीन लर्निंग (एमएल) मॉडल को त्वरित रूप से बनाने और तैनात करने की क्षमता तेजी से महत्वपूर्ण होती जा रही है। हालाँकि, एमएल मॉडल के निर्माण के लिए महत्वपूर्ण समय, प्रयास और विशेष विशेषज्ञता की आवश्यकता होती है। डेटा संग्रह और सफाई से लेकर फीचर इंजीनियरिंग, मॉडल निर्माण, ट्यूनिंग और तैनाती तक, एमएल परियोजनाओं को पूरा करने में डेवलपर्स को अक्सर महीनों लग जाते हैं। और अनुभवी डेटा वैज्ञानिकों का मिलना कठिन हो सकता है।

यहीं पर लो-कोड और नो-कोड एमएल सेवाओं का AWS सुइट एक आवश्यक उपकरण बन जाता है। बस कुछ ही क्लिक के उपयोग से अमेज़ॅन सेजमेकर कैनवास, आप बिना कोई कोड लिखे एमएल की शक्ति का लाभ उठा सकते हैं।

गहन एमएल अनुभव के साथ एक रणनीतिक सिस्टम इंटीग्रेटर के रूप में, डेलॉइट डेलॉइट के ग्राहकों और आंतरिक संपत्तियों के लिए एमएल मॉडल को कुशलतापूर्वक बनाने और तैनात करने के लिए एडब्ल्यूएस से नो-कोड और लो-कोड एमएल टूल का उपयोग करता है। ये उपकरण डेलॉइट को मॉडल और पाइपलाइनों को हाथ से कोड करने की आवश्यकता के बिना एमएल समाधान विकसित करने की अनुमति देते हैं। इससे परियोजना वितरण समयसीमा में तेजी लाने में मदद मिल सकती है और डेलॉइट को अधिक ग्राहक कार्य लेने में सक्षम बनाया जा सकता है।

निम्नलिखित कुछ विशिष्ट कारण हैं कि डेलॉइट इन उपकरणों का उपयोग क्यों करता है:

• गैर-प्रोग्रामर के लिए अभिगम्यता - नो-कोड टूल्स एमएल मॉडल बिल्डिंग को गैर-प्रोग्रामर्स के लिए खोलते हैं। केवल डोमेन विशेषज्ञता और बहुत कम कोडिंग कौशल वाले टीम के सदस्य एमएल मॉडल विकसित कर सकते हैं।
• नई प्रौद्योगिकी को तेजी से अपनाना - उपयोग के लिए तैयार मॉडल और ऑटोएमएल पर उपलब्धता और निरंतर सुधार यह सुनिश्चित करने में मदद करता है कि उपयोगकर्ता लगातार अग्रणी श्रेणी की तकनीक का उपयोग कर रहे हैं।
• लागत प्रभावी विकास - नो-कोड टूल एमएल मॉडल विकास के लिए आवश्यक लागत और समय को कम करने में मदद करते हैं, जिससे यह ग्राहकों के लिए अधिक सुलभ हो जाता है, जिससे उन्हें निवेश पर उच्च रिटर्न प्राप्त करने में मदद मिल सकती है।

इसके अतिरिक्त, ये उपकरण निम्नलिखित को सक्षम करते हुए तेज़ वर्कफ़्लो के लिए एक व्यापक समाधान प्रदान करते हैं:

• तेज़ डेटा तैयारी - सेजमेकर कैनवस में 300 से अधिक अंतर्निहित परिवर्तन और प्राकृतिक भाषा का उपयोग करने की क्षमता है जो डेटा तैयारी में तेजी ला सकती है और डेटा को मॉडल निर्माण के लिए तैयार कर सकती है।
• तेज़ मॉडल निर्माण - सेजमेकर कैनवस उपयोग के लिए तैयार मॉडल या प्रदान करता है अमेज़ॅन ऑटोएमएल वह तकनीक जो आपको कुछ ही क्लिक के साथ एंटरप्राइज़ डेटा पर कस्टम मॉडल बनाने में सक्षम बनाती है। यह शुरू से ही कोडिंग मॉडल की तुलना में प्रक्रिया को तेज़ करने में मदद करता है।
• आसान तैनाती - सेजमेकर कैनवस उत्पादन के लिए तैयार मॉडलों को तैनात करने की क्षमता प्रदान करता है अमेज़ॅन सैगमेकर इसे पंजीकृत करते समय कुछ ही क्लिक में समापन बिंदु अमेज़न सैजमेकर मॉडल रजिस्ट्री.

विश्वेश्वर वासा, डेलॉइट के लिए क्लाउड सीटीओ, कहते हैं:

"एडब्ल्यूएस की नो-कोड एमएल सेवाओं जैसे सेजमेकर कैनवस और सेजमेकर डेटा रैंगलर के माध्यम से, डेलॉइट कंसल्टिंग में हमने नई दक्षताओं को अनलॉक किया है, हमारे क्लाइंट-फेसिंग और आंतरिक परियोजनाओं में विकास और तैनाती उत्पादकता की गति को 30-40% तक बढ़ाया है।"

इस पोस्ट में, हम सेजमेकर कैनवस का उपयोग करके बिना किसी कोड के एंड-टू-एंड एमएल मॉडल बनाने की शक्ति का प्रदर्शन करते हैं, यह दिखाते हुए कि ग्राहक ऋण पर डिफ़ॉल्ट होगा या नहीं, इसकी भविष्यवाणी करने के लिए एक वर्गीकरण मॉडल कैसे बनाया जाए। ऋण चूक की अधिक सटीक भविष्यवाणी करके, मॉडल एक वित्तीय सेवा कंपनी को जोखिम प्रबंधन, उचित मूल्य ऋण, संचालन में सुधार, अतिरिक्त सेवाएं प्रदान करने और प्रतिस्पर्धी लाभ प्राप्त करने में मदद कर सकता है। हम प्रदर्शित करते हैं कि कैसे सेजमेकर कैनवस आपको ऋण डिफ़ॉल्ट भविष्यवाणी के लिए कच्चे डेटा से एक तैनात बाइनरी वर्गीकरण मॉडल तक तेजी से जाने में मदद कर सकता है।

सेजमेकर कैनवस द्वारा संचालित व्यापक डेटा तैयारी क्षमताएं प्रदान करता है अमेज़न SageMaker डेटा रैंगलर सेजमेकर कैनवस कार्यक्षेत्र में। यह आपको एक ही प्लेटफॉर्म पर डेटा तैयारी से लेकर मॉडल निर्माण और तैनाती तक मानक एमएल वर्कफ़्लो के सभी चरणों से गुजरने में सक्षम बनाता है।

डेटा तैयारी आम तौर पर एमएल वर्कफ़्लो का सबसे अधिक समय लेने वाला चरण है। डेटा तैयार करने में लगने वाले समय को कम करने के लिए, सेजमेकर कैनवास आपको 300 से अधिक अंतर्निहित परिवर्तनों का उपयोग करके अपना डेटा तैयार करने की अनुमति देता है। वैकल्पिक रूप से, आप प्राकृतिक भाषा संकेत लिख सकते हैं, जैसे कि "कॉलम सी के लिए उन पंक्तियों को हटा दें जो आउटलेयर हैं," और इस डेटा तैयारी चरण के लिए आवश्यक कोड स्निपेट के साथ प्रस्तुत किया जाए। फिर आप इसे कुछ ही क्लिक में अपने डेटा तैयारी वर्कफ़्लो में जोड़ सकते हैं। हम आपको इस पोस्ट में इसका उपयोग करने का तरीका भी बताते हैं।

समाधान अवलोकन

निम्नलिखित आरेख सेजमेकर लो-कोड और नो-कोड टूल का उपयोग करके ऋण डिफ़ॉल्ट वर्गीकरण मॉडल के लिए आर्किटेक्चर का वर्णन करता है।

एक डेटासेट से शुरू करना जिसमें ऋण डिफ़ॉल्ट डेटा के बारे में विवरण है अमेज़न सरल भंडारण सेवा (अमेज़ॅन एस3), हम डेटा के बारे में जानकारी हासिल करने के लिए सेजमेकर कैनवास का उपयोग करते हैं। फिर हम परिवर्तनों को लागू करने के लिए फ़ीचर इंजीनियरिंग करते हैं जैसे कि श्रेणीबद्ध विशेषताओं को एन्कोड करना, उन सुविधाओं को छोड़ना जिनकी आवश्यकता नहीं है, और बहुत कुछ। इसके बाद, हम साफ़ किए गए डेटा को वापस Amazon S3 में संग्रहीत करते हैं। हम ऋण चूक की भविष्यवाणी के लिए एक वर्गीकरण मॉडल बनाने के लिए साफ़ किए गए डेटासेट का उपयोग करते हैं। फिर हमारे पास अनुमान के लिए एक उत्पादन-तैयार मॉडल है।

.. पूर्वापेक्षाएँ

सुनिश्चित करें कि निम्नलिखित आवश्यक शर्तें पूर्ण हैं और आपने इसे सक्षम कर दिया है कैनवास उपयोग के लिए तैयार मॉडल सेजमेकर डोमेन सेट करते समय विकल्प। यदि आपने अपना डोमेन पहले ही सेट कर लिया है, अपनी डोमेन सेटिंग संपादित करें और जाएं कैनवास सेटिंग्स को सक्षम करने के लिए कैनवास रेडी-टू-यूज़ मॉडल सक्षम करें विकल्प। इसके अतिरिक्त, सेट अप करें और सेजमेकर कैनवास एप्लिकेशन बनाएं, फिर अनुरोध करें और सक्षम करें एंथ्रोपिक क्लाउड मॉडल एक्सेस on अमेज़ॅन बेडरॉक.

डेटासेट

हम एक सार्वजनिक डेटासेट का उपयोग करते हैं झपट्टा मारना जिसमें वित्तीय ऋणों के बारे में जानकारी शामिल है। डेटासेट में प्रत्येक पंक्ति एक एकल ऋण का प्रतिनिधित्व करती है, और कॉलम प्रत्येक लेनदेन के बारे में विवरण प्रदान करते हैं। इस डेटासेट को डाउनलोड करें और इसे अपनी पसंद के S3 बकेट में संग्रहीत करें। निम्न तालिका डेटासेट में फ़ील्ड को सूचीबद्ध करती है।

आम नाम	डाटा प्रकार	Description
Person_age	पूर्णांक	ऋण लेने वाले व्यक्ति की आयु
Person_income	पूर्णांक	उधारकर्ता की आय
Person_home_ownership	तार	घर के स्वामित्व की स्थिति (स्वयं या किराया)
Person_emp_length	दशमलव	कितने वर्षों से वे कार्यरत हैं
Loan_intent	तार	ऋण का कारण (व्यक्तिगत, चिकित्सा, शैक्षिक, इत्यादि)
Loan_grade	तार	ऋण ग्रेड (ए-ई)
Loan_int_rate	दशमलव	ब्याज दर
Loan_amnt	पूर्णांक	ऋण की कुल राशि
Loan_status	पूर्णांक	लक्ष्य (चाहे उन्होंने चूक की हो या नहीं)
Loan_percent_income	दशमलव	आय के प्रतिशत की तुलना में ऋण राशि
Cb_person_default_on_file	पूर्णांक	पिछले डिफ़ॉल्ट (यदि कोई हो)
Cb_person_credit_history_length	तार	उनके क्रेडिट इतिहास की लंबाई

सेजमेकर कैनवस के साथ डेटा तैयारी को सरल बनाएं

एमएल परियोजनाओं में डेटा तैयार करने में 80% तक मेहनत लग सकती है. उचित डेटा तैयारी से बेहतर मॉडल प्रदर्शन और अधिक सटीक भविष्यवाणियां होती हैं। सेजमेकर कैनवस किसी भी SQL या पायथन कोड को लिखे बिना इंटरैक्टिव डेटा अन्वेषण, परिवर्तन और तैयारी की अनुमति देता है।

अपना डेटा तैयार करने के लिए निम्नलिखित चरणों को पूरा करें:

1. SageMaker कैनवास कंसोल पर, चुनें डेटा तैयारी नेविगेशन फलक में
2. पर बनाएं मेनू, चुनें दस्तावेज़.
3. के लिए दातासेट नामअपने डेटासेट के लिए एक नाम दर्ज करें।
4. चुनें बनाएं.
   
5. डेटा स्रोत के रूप में Amazon S3 चुनें और इसे डेटासेट से कनेक्ट करें।
6. डेटासेट लोड होने के बाद, उस डेटासेट का उपयोग करके डेटा प्रवाह बनाएं।
   
7. विश्लेषण टैब पर जाएँ और एक बनाएं डेटा गुणवत्ता और अंतर्दृष्टि रिपोर्ट.

इनपुट डेटासेट की गुणवत्ता का विश्लेषण करने के लिए यह एक अनुशंसित कदम है। इस रिपोर्ट का आउटपुट तत्काल एमएल-संचालित अंतर्दृष्टि उत्पन्न करता है जैसे डेटा तिरछा, डेटा में डुप्लिकेट, लापता मान और बहुत कुछ। निम्नलिखित स्क्रीनशॉट ऋण डेटासेट के लिए जेनरेट की गई रिपोर्ट का एक नमूना दिखाता है।

आपकी ओर से इन जानकारियों को उत्पन्न करके, सेजमेकर कैनवस आपको डेटा में उन समस्याओं का एक सेट प्रदान करता है जिन्हें डेटा तैयारी चरण में सुधार की आवश्यकता होती है। सेजमेकर कैनवस द्वारा पहचाने गए शीर्ष दो मुद्दों को चुनने के लिए, आपको श्रेणीगत विशेषताओं को एनकोड करना होगा और डुप्लिकेट पंक्तियों को हटाना होगा ताकि आपके मॉडल की गुणवत्ता उच्च हो। आप सेजमेकर कैनवस के साथ विज़ुअल वर्कफ़्लो में ये दोनों और बहुत कुछ कर सकते हैं।

1. सबसे पहले, वन-हॉट एनकोड करें loan_intent, loan_grade, तथा person_home_ownership
2. आप गिरा सकते हैं cb_person_cred_history_length कॉलम क्योंकि उस कॉलम में सबसे कम पूर्वानुमान लगाने की शक्ति होती है, जैसा कि डेटा गुणवत्ता और अंतर्दृष्टि रिपोर्ट में दिखाया गया है।
   
   सेजमेकर कैनवस ने हाल ही में एक जोड़ा है डेटा के साथ चैट करें विकल्प। यह सुविधा प्राकृतिक भाषा प्रश्नों की व्याख्या करने और फीचर इंजीनियरिंग परिवर्तनों को लागू करने के लिए पायथन-आधारित कोड उत्पन्न करने के लिए फाउंडेशन मॉडल की शक्ति का उपयोग करती है। यह सुविधा अमेज़ॅन बेडरॉक द्वारा संचालित है, और इसे आपके वीपीसी में पूरी तरह से चलाने के लिए कॉन्फ़िगर किया जा सकता है ताकि डेटा कभी भी आपके वातावरण को न छोड़े।
3. डुप्लिकेट पंक्तियों को हटाने के लिए इस सुविधा का उपयोग करने के लिए, के आगे धन चिह्न चुनें स्तंभ छोड़ें रूपांतरित करें, फिर चुनें डेटा के साथ चैट करें.
   
4. अपनी क्वेरी प्राकृतिक भाषा में दर्ज करें (उदाहरण के लिए, "डेटासेट से डुप्लिकेट पंक्तियाँ हटाएँ")।
5. उत्पन्न परिवर्तन की समीक्षा करें और चुनें चरणों में जोड़ें प्रवाह में परिवर्तन जोड़ने के लिए.
   
6. अंत में, इन परिवर्तनों के आउटपुट को Amazon S3 या वैकल्पिक रूप से निर्यात करें अमेज़न SageMaker फ़ीचर स्टोर एकाधिक परियोजनाओं में इन सुविधाओं का उपयोग करने के लिए।

आप बड़े डेटासेट के लिए वर्कफ़्लो को स्केल करने के लिए डेटासेट के लिए अमेज़ॅन S3 गंतव्य बनाने के लिए एक और चरण भी जोड़ सकते हैं। निम्नलिखित आरेख दृश्य परिवर्तनों को जोड़ने के बाद सेजमेकर कैनवास डेटा प्रवाह को दर्शाता है।

आपने सेजमेकर कैनवस में विज़ुअल वर्कफ़्लो का उपयोग करके संपूर्ण डेटा प्रोसेसिंग और फ़ीचर इंजीनियरिंग चरण पूरा कर लिया है। इससे डेटा इंजीनियर को मॉडल विकास के लिए डेटा को साफ करने और तैयार करने में हफ्तों से लेकर दिनों तक लगने वाले समय को कम करने में मदद मिलती है। अगला कदम एमएल मॉडल बनाना है।

सेजमेकर कैनवस के साथ एक मॉडल बनाएं

अमेज़ॅन सेजमेकर कैनवस इस बाइनरी वर्गीकरण मॉडल के निर्माण, विश्लेषण, परीक्षण और तैनाती के लिए एक नो-कोड एंड-टू-एंड वर्कफ़्लो प्रदान करता है। निम्नलिखित चरणों को पूरा करें:

1. सेजमेकर कैनवस में एक डेटासेट बनाएं।
2. या तो वह S3 स्थान निर्दिष्ट करें जिसका उपयोग डेटा निर्यात करने के लिए किया गया था या वह S3 स्थान निर्दिष्ट करें जो SageMaker कैनवास कार्य के गंतव्य पर है।
   
   अब आप मॉडल बनाने के लिए तैयार हैं.
3. चुनें मॉडल नेविगेशन फलक में और चुनें नए मॉडल.
4. मॉडल को नाम दें और चुनें भविष्यवाणी का विश्लेषण मॉडल प्रकार के रूप में।
5. पिछले चरण में बनाया गया डेटासेट चुनें।
   
   अगला चरण मॉडल प्रकार को कॉन्फ़िगर करना है।
6. लक्ष्य कॉलम चुनें और मॉडल प्रकार स्वचालित रूप से सेट हो जाएगा 2 श्रेणी की भविष्यवाणी.
7. अपना निर्माण प्रकार चुनें, मानक निर्माण or त्वरित निर्माण.
   
   जैसे ही आप मॉडल बनाना शुरू करते हैं, सेजमेकर कैनवास अपेक्षित निर्माण समय प्रदर्शित करता है। मानक निर्माण में आमतौर पर 2-4 घंटे लगते हैं; आप छोटे डेटासेट के लिए त्वरित निर्माण विकल्प का उपयोग कर सकते हैं, जिसमें केवल 2-15 मिनट लगते हैं। इस विशेष डेटासेट के लिए, मॉडल निर्माण को पूरा करने में लगभग 45 मिनट का समय लगना चाहिए। सेजमेकर कैनवस आपको निर्माण प्रक्रिया की प्रगति से अवगत कराता है।
8. मॉडल बनने के बाद, आप मॉडल के प्रदर्शन को देख सकते हैं।
   
   सेजमेकर कैनवस मॉडल के प्रकार के आधार पर सटीकता, परिशुद्धता और एफ1 स्कोर जैसे विभिन्न मेट्रिक्स प्रदान करता है। निम्नलिखित स्क्रीनशॉट इस बाइनरी वर्गीकरण मॉडल के लिए सटीकता और कुछ अन्य उन्नत मीट्रिक दिखाता है।
9. अगला कदम परीक्षण भविष्यवाणियाँ करना है।
   सेजमेकर कैनवस आपको मॉडल की गुणवत्ता को शीघ्रता से सत्यापित करने के लिए एकाधिक इनपुट या एकल भविष्यवाणी पर बैच भविष्यवाणियां करने की अनुमति देता है। निम्नलिखित स्क्रीनशॉट एक नमूना अनुमान दिखाता है।
   
10. अंतिम चरण प्रशिक्षित मॉडल को तैनात करना है।
    सेजमेकर कैनवस मॉडल को सेजमेकर एंडपॉइंट्स पर तैनात करता है, और अब आपके पास अनुमान के लिए एक उत्पादन मॉडल तैयार है। निम्नलिखित स्क्रीनशॉट परिनियोजित समापन बिंदु को दर्शाता है।
    

मॉडल तैनात होने के बाद, आप इसे AWS SDK के माध्यम से कॉल कर सकते हैं AWS कमांड लाइन इंटरफ़ेस (एडब्ल्यूएस सीएलआई) या संभावित उधारकर्ता के जोखिम का आत्मविश्वास से अनुमान लगाने के लिए अपनी पसंद के किसी भी एप्लिकेशन पर एपीआई कॉल करें। अपने मॉडल के परीक्षण के बारे में अधिक जानकारी के लिए देखें वास्तविक समय के समापन बिंदुओं को लागू करें.

क्लीन अप

अतिरिक्त शुल्क लगने से बचने के लिए, सेजमेकर कैनवस से लॉग आउट करें or सेजमेकर डोमेन हटाएं वह बनाया गया था. इसके अतिरिक्त, सेजमेकर मॉडल एंडपॉइंट को हटाएं और अमेज़ॅन S3 पर अपलोड किया गया डेटासेट हटाएं.

निष्कर्ष

नो-कोड एमएल विकास को गति देता है, तैनाती को सरल बनाता है, प्रोग्रामिंग कौशल की आवश्यकता नहीं होती है, मानकीकरण बढ़ता है और लागत कम होती है। इन लाभों ने डेलॉइट को अपनी एमएल सेवा पेशकशों को बेहतर बनाने के लिए नो-कोड एमएल को आकर्षक बना दिया है, और उन्होंने अपने एमएल मॉडल निर्माण की समयसीमा को 30-40% तक छोटा कर दिया है।

डेलॉइट एक रणनीतिक वैश्विक सिस्टम इंटीग्रेटर है जिसके दुनिया भर में 17,000 से अधिक प्रमाणित AWS प्रैक्टिशनर हैं। यह AWS योग्यता कार्यक्रम में भागीदारी के माध्यम से बार को ऊपर उठाना जारी रखता है मशीन लर्निंग सहित 25 दक्षताएँ. डेलॉइट से जुड़ें अपने उद्यम में AWS नो-कोड और लो-कोड समाधानों का उपयोग शुरू करने के लिए।

---

लेखक के बारे में

चिदा सदायप्पन डेलॉइट के क्लाउड एआई/मशीन लर्निंग अभ्यास का नेतृत्व करता है। वह प्रतिबद्धताओं में मजबूत विचार नेतृत्व अनुभव लाते हैं और एआई/एमएल का उपयोग करके उद्योगों में प्रदर्शन सुधार और आधुनिकीकरण लक्ष्यों को प्राप्त करने में कार्यकारी हितधारकों का समर्थन करते हैं। चिडा एक सीरियल टेक उद्यमी और स्टार्टअप और डेवलपर इकोसिस्टम में एक शौकीन समुदाय निर्माता है।

कुलदीप सिंहप्रौद्योगिकी में 20 से अधिक वर्षों के साथ AWS में एक प्रमुख वैश्विक AI/ML नेता, AI, ML और साइबर सुरक्षा की गहरी समझ के साथ अपनी बिक्री और उद्यमिता विशेषज्ञता को कुशलता से जोड़ते हैं। वह जेनेरिक एआई और जीएसआई पर ध्यान केंद्रित करने के साथ विभिन्न उद्योगों में रणनीतिक वैश्विक साझेदारी बनाने, परिवर्तनकारी समाधान और रणनीतियों को चलाने में उत्कृष्टता प्राप्त करते हैं।

कासी मुथु ह्यूस्टन, TX स्थित AWS में डेटा और AI/ML पर ध्यान केंद्रित करने वाला एक वरिष्ठ भागीदार समाधान वास्तुकार है। उन्हें भागीदारों और ग्राहकों को उनकी क्लाउड डेटा यात्रा को तेज़ करने में मदद करने का शौक है। वह इस क्षेत्र में एक विश्वसनीय सलाहकार हैं और उनके पास क्लाउड में स्केलेबल, लचीले और निष्पादन योग्य वर्कलोड के आर्किटेक्चर और निर्माण का काफी अनुभव है। काम के अलावा, वह अपने परिवार के साथ समय बिताना पसंद 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. कार्बन, क्लीनटेक, ऊर्जा, पर्यावरण, सौर, कचरा प्रबंधन। यहां पहुंचें।
• प्लेटोहेल्थ। बायोटेक और क्लिनिकल परीक्षण इंटेलिजेंस। यहां पहुंचें।
• स्रोत: https://aws.amazon.com/blogs/machine-learning/boosting-developer-productivity-how-deloitte-uses-amazon-sagemaker-canvas-for-no-code-low-code-machine-learning/