किनारे पर दृश्य गुणवत्ता निरीक्षण के लिए एंड-टू-एंड एमएलओपीएस पाइपलाइन बनाएं - भाग 1 | अमेज़ॅन वेब सेवाएँ

उत्पादन परिवेश में मशीन लर्निंग (एमएल) मॉडल की सफल तैनाती काफी हद तक एंड-टू-एंड एमएल पाइपलाइन पर निर्भर करती है। हालाँकि ऐसी पाइपलाइन विकसित करना चुनौतीपूर्ण हो सकता है, लेकिन इससे निपटते समय यह और भी जटिल हो जाता है एज एमएल उपयोग मामला. किनारे पर मशीन लर्निंग एक अवधारणा है जो स्थानीय स्तर पर किनारे के उपकरणों पर एमएल मॉडल चलाने की क्षमता लाती है। इन मॉडलों को किनारे पर तैनात करने, निगरानी करने और बनाए रखने के लिए एक मजबूत एमएलओपीएस पाइपलाइन की आवश्यकता होती है। एक एमएलओपीएस पाइपलाइन डेटा लेबलिंग से लेकर मॉडल प्रशिक्षण और तैनाती तक पूर्ण एमएल जीवनचक्र को स्वचालित करने की अनुमति देती है।

किनारे पर एमएलओपीएस पाइपलाइन को लागू करने से अतिरिक्त जटिलताएं आती हैं जो बढ़े हुए परिचालन ओवरहेड के कारण स्वचालन, एकीकरण और रखरखाव प्रक्रियाओं को और अधिक चुनौतीपूर्ण बनाती हैं। हालाँकि, उद्देश्य-निर्मित सेवाओं का उपयोग करना जैसे अमेज़न SageMaker और AWS IoT ग्रीनग्रास आपको इस प्रयास को महत्वपूर्ण रूप से कम करने की अनुमति देता है। इस श्रृंखला में, हम आपको सेजमेकर, एडब्ल्यूएस आईओटी ग्रीनग्रास और का उपयोग करके किनारे पर कंप्यूटर विज़न उपयोग के मामले के लिए एक एकीकृत एंड-टू-एंड एमएलओपीएस पाइपलाइन के आर्किटेक्चर और निर्माण की प्रक्रिया के बारे में बताते हैं। AWS क्लाउड डेवलपमेंट किट (एडब्ल्यूएस सीडीके)।

यह पोस्ट समग्र एमएलओपीएस पाइपलाइन वास्तुकला को डिजाइन करने पर केंद्रित है; भाग 2 और भाग 3 इस श्रृंखला का ध्यान व्यक्तिगत घटकों के कार्यान्वयन पर है। हमने संलग्न में एक नमूना कार्यान्वयन प्रदान किया है गिटहब भंडार आपके लिए खुद को आजमाने के लिए. यदि आप अभी AWS पर किनारे पर MLOps के साथ शुरुआत कर रहे हैं, तो देखें अमेज़ॅन सेजमेकर एज मैनेजर और एडब्ल्यूएस आईओटी ग्रीनग्रास के साथ किनारे पर एमएलओप्स एक सिंहावलोकन और संदर्भ वास्तुकला के लिए।

उपयोग का मामला: धातु टैग की गुणवत्ता का निरीक्षण करना

एक एमएल इंजीनियर के रूप में, आप जिस व्यावसायिक मामले पर काम कर रहे हैं उसे समझना महत्वपूर्ण है। तो इससे पहले कि हम एमएलओपीएस पाइपलाइन आर्किटेक्चर में उतरें, आइए इस पोस्ट के लिए नमूना उपयोग के मामले को देखें। एक निर्माता की उत्पादन लाइन की कल्पना करें जो अनुकूलित सामान टैग बनाने के लिए धातु टैग उकेरता है। गुणवत्ता आश्वासन प्रक्रिया महंगी है क्योंकि खरोंच जैसे दोषों के लिए कच्चे धातु टैग का मैन्युअल रूप से निरीक्षण करने की आवश्यकता होती है। इस प्रक्रिया को और अधिक कुशल बनाने के लिए, हम प्रक्रिया की शुरुआत में ही दोषपूर्ण टैग का पता लगाने के लिए एमएल का उपयोग करते हैं। इससे उत्पादन प्रक्रिया के बाद के चरणों में महंगी खराबी से बचने में मदद मिलती है। मॉडल को लगभग वास्तविक समय में खरोंच जैसे संभावित दोषों की पहचान करनी चाहिए और उन्हें चिह्नित करना चाहिए। विनिर्माण दुकान के माहौल में, आपको अक्सर कनेक्टिविटी न होने या सीमित बैंडविड्थ और बढ़ी हुई विलंबता से जूझना पड़ता है। इसलिए, हम दृश्य गुणवत्ता निरीक्षण के लिए एक ऑन-एज एमएल समाधान लागू करना चाहते हैं जो दुकान के फर्श पर स्थानीय स्तर पर अनुमान चला सकता है और कनेक्टिविटी के संबंध में आवश्यकताओं को कम कर सकता है। अपने उदाहरण को सीधा रखने के लिए, हम एक मॉडल को प्रशिक्षित करते हैं जो बाउंडिंग बॉक्स के साथ पाए गए खरोंच को चिह्नित करता है। निम्नलिखित छवि हमारे डेटासेट से एक टैग का एक उदाहरण है जिसमें तीन खरोंचें चिह्नित हैं।

पाइपलाइन वास्तुकला को परिभाषित करना

अब हमने अपने उपयोग के मामले और उस विशिष्ट एमएल समस्या के बारे में स्पष्टता प्राप्त कर ली है जिसका हम समाधान करना चाहते हैं, जो कि किनारे पर वस्तु का पता लगाने के इर्द-गिर्द घूमती है। अब हमारी एमएलओपीएस पाइपलाइन के लिए एक आर्किटेक्चर का मसौदा तैयार करने का समय आ गया है। इस स्तर पर, हम अभी प्रौद्योगिकियों या विशिष्ट सेवाओं पर नहीं, बल्कि अपनी पाइपलाइन के उच्च-स्तरीय घटकों पर ध्यान दे रहे हैं। शीघ्रता से पुनः प्रशिक्षित करने और तैनात करने के लिए, हमें संपूर्ण एंड-टू-एंड प्रक्रिया को स्वचालित करने की आवश्यकता है: डेटा लेबलिंग से लेकर प्रशिक्षण तक, अनुमान तक। हालाँकि, कुछ चुनौतियाँ हैं जो एज केस के लिए पाइपलाइन स्थापित करना विशेष रूप से कठिन बनाती हैं:

• इस प्रक्रिया के विभिन्न भागों के निर्माण के लिए अलग-अलग कौशल सेट की आवश्यकता होती है। उदाहरण के लिए, डेटा लेबलिंग और प्रशिक्षण में एक मजबूत डेटा विज्ञान फोकस होता है, एज परिनियोजन के लिए इंटरनेट ऑफ थिंग्स (IoT) विशेषज्ञ की आवश्यकता होती है, और पूरी प्रक्रिया को स्वचालित करना आमतौर पर DevOps कौशल सेट वाले किसी व्यक्ति द्वारा किया जाता है।
• आपके संगठन के आधार पर, यह पूरी प्रक्रिया कई टीमों द्वारा भी कार्यान्वित की जा सकती है। हमारे उपयोग के मामले में, हम इस धारणा के तहत काम कर रहे हैं कि लेबलिंग, प्रशिक्षण और तैनाती के लिए अलग-अलग टीमें जिम्मेदार हैं।
• जब टूलींग और प्रक्रियाओं की बात आती है तो अधिक भूमिकाएं और कौशल सेट का मतलब अलग-अलग आवश्यकताएं होती हैं। उदाहरण के लिए, डेटा वैज्ञानिक अपने परिचित नोटबुक वातावरण की निगरानी और उसके साथ काम करना चाह सकते हैं। एमएलओपीएस इंजीनियर बुनियादी ढांचे को कोड (आईएसी) टूल के रूप में उपयोग करके काम करना चाहते हैं और इससे अधिक परिचित हो सकते हैं एडब्ल्यूएस प्रबंधन कंसोल.

हमारी पाइपलाइन वास्तुकला के लिए इसका क्या अर्थ है?

सबसे पहले, एंड-टू-एंड सिस्टम के प्रमुख घटकों को स्पष्ट रूप से परिभाषित करना महत्वपूर्ण है जो विभिन्न टीमों को स्वतंत्र रूप से काम करने की अनुमति देता है। दूसरे, सहयोग दक्षता बढ़ाने के लिए टीमों के बीच अच्छी तरह से परिभाषित इंटरफेस को परिभाषित किया जाना चाहिए। ये इंटरफ़ेस टीमों के बीच व्यवधानों को कम करने में मदद करते हैं, जिससे उन्हें आवश्यकतानुसार अपनी आंतरिक प्रक्रियाओं को संशोधित करने में मदद मिलती है, जब तक वे परिभाषित इंटरफेस का पालन करते हैं। निम्नलिखित चित्र दिखाता है कि यह हमारी कंप्यूटर विज़न पाइपलाइन के लिए कैसा दिख सकता है।

आइए एमएलओपीएस पाइपलाइन की समग्र वास्तुकला की विस्तार से जांच करें:

1. यह प्रक्रिया धातु टैग की कच्ची छवियों के संग्रह से शुरू होती है, जिन्हें प्रारंभिक प्रशिक्षण डेटासेट बनाने के लिए उत्पादन वातावरण में एक एज कैमरा डिवाइस का उपयोग करके कैप्चर किया जाता है।
2. अगले चरण में इन छवियों को लेबल करना और बाउंडिंग बॉक्स का उपयोग करके दोषों को चिह्नित करना शामिल है। उपयोग किए गए प्रशिक्षण डेटा के लिए ट्रेसेबिलिटी और जवाबदेही सुनिश्चित करते हुए, लेबल किए गए डेटासेट का संस्करण बनाना आवश्यक है।
3. हमारे पास एक लेबल डेटासेट होने के बाद, हम अपने मॉडल को प्रशिक्षण, फाइन-ट्यूनिंग, मूल्यांकन और वर्जनिंग के साथ आगे बढ़ा सकते हैं।
4. जब हम अपने मॉडल के प्रदर्शन से खुश होते हैं, तो हम मॉडल को एक किनारे वाले डिवाइस पर तैनात कर सकते हैं और किनारे पर लाइव अनुमान चला सकते हैं।
5. जबकि मॉडल उत्पादन में काम करता है, एज कैमरा डिवाइस पहले से अनदेखे दोषों और एज मामलों वाले मूल्यवान छवि डेटा उत्पन्न करता है। हम इस डेटा का उपयोग अपने मॉडल के प्रदर्शन को और बेहतर बनाने के लिए कर सकते हैं। इसे पूरा करने के लिए, हम उन छवियों को सहेजते हैं जिनके लिए मॉडल कम आत्मविश्वास के साथ भविष्यवाणी करता है या गलत भविष्यवाणियां करता है। फिर इन छवियों को हमारे कच्चे डेटासेट में वापस जोड़ दिया जाता है, जिससे पूरी प्रक्रिया फिर से शुरू हो जाती है।

यह ध्यान रखना महत्वपूर्ण है कि कच्ची छवि डेटा, लेबल डेटासेट और प्रशिक्षित मॉडल अलग-अलग पाइपलाइनों के बीच अच्छी तरह से परिभाषित इंटरफेस के रूप में काम करते हैं। एमएलओपीएस इंजीनियरों और डेटा वैज्ञानिकों के पास अपनी पाइपलाइनों के भीतर प्रौद्योगिकियों को चुनने का लचीलापन है, जब तक वे लगातार इन कलाकृतियों का उत्पादन करते हैं। सबसे महत्वपूर्ण बात यह है कि हमने एक बंद फीडबैक लूप स्थापित किया है। उत्पादन में की गई दोषपूर्ण या कम-विश्वास वाली भविष्यवाणियों का उपयोग हमारे डेटासेट को नियमित रूप से बढ़ाने और मॉडल को स्वचालित रूप से फिर से प्रशिक्षित करने और बढ़ाने के लिए किया जा सकता है।

लक्ष्य वास्तुकला

अब जब उच्च-स्तरीय आर्किटेक्चर स्थापित हो गया है, तो एक स्तर और गहराई तक जाने और यह देखने का समय आ गया है कि हम AWS सेवाओं के साथ इसे कैसे बना सकते हैं। ध्यान दें कि इस पोस्ट में दिखाया गया आर्किटेक्चर मानता है कि आप संपूर्ण डेटा विज्ञान प्रक्रिया पर पूर्ण नियंत्रण रखना चाहते हैं। हालाँकि, यदि आप किनारे पर गुणवत्ता निरीक्षण के साथ शुरुआत कर रहे हैं, तो हम अनुशंसा करते हैं अमेज़ॅन लुकआउट फॉर विज़न. यह एमएल कोड बनाने, बनाए रखने या समझने के बिना आपके स्वयं के गुणवत्ता निरीक्षण मॉडल को प्रशिक्षित करने का एक तरीका प्रदान करता है। अधिक जानकारी के लिए देखें अमेज़ॅन लुकआउट फॉर विज़न अब किनारे पर उत्पाद दोषों के दृश्य निरीक्षण का समर्थन करता है.

हालाँकि, यदि आप पूर्ण नियंत्रण लेना चाहते हैं, तो निम्नलिखित चित्र दिखाता है कि एक आर्किटेक्चर कैसा दिख सकता है।

पहले की तरह, आइए चरण दर चरण वर्कफ़्लो पर चलें और पहचानें कि कौन सी AWS सेवाएँ हमारी आवश्यकताओं के अनुरूप हैं:

1. अमेज़न सरल भंडारण सेवा (अमेज़ॅन S3) का उपयोग कच्चे छवि डेटा को संग्रहीत करने के लिए किया जाता है क्योंकि यह हमें कम लागत वाला भंडारण समाधान प्रदान करता है।
2. लेबलिंग वर्कफ़्लो का उपयोग करके व्यवस्थित किया जाता है AWS स्टेप फ़ंक्शंस, एक सर्वर रहित वर्कफ़्लो इंजन जो लेबलिंग वर्कफ़्लो के चरणों को व्यवस्थित करना आसान बनाता है। इस वर्कफ़्लो के भाग के रूप में, हम उपयोग करते हैं अमेज़ॅन सैजमेकर ग्राउंड ट्रुथ लेबलिंग नौकरियों और प्रबंधित मानव कार्यबलों का उपयोग करके लेबलिंग को पूरी तरह से स्वचालित करना। AWS लाम्बा इसका उपयोग डेटा तैयार करने, लेबलिंग कार्य शुरू करने और लेबल को संग्रहीत करने के लिए किया जाता है अमेज़न SageMaker फ़ीचर स्टोर.
3. सेजमेकर फ़ीचर स्टोर लेबल संग्रहीत करता है। यह हमें अपनी सुविधाओं को केंद्रीय रूप से प्रबंधित और साझा करने की अनुमति देता है और हमें अंतर्निहित डेटा संस्करण क्षमताएं प्रदान करता है, जो हमारी पाइपलाइन को और अधिक मजबूत बनाता है।
4. हम मॉडल निर्माण और प्रशिक्षण पाइपलाइन का उपयोग करके योजना बनाते हैं अमेज़न SageMaker पाइपलाइन. यह अंतर्निहित चरणों के माध्यम से आवश्यक अन्य सेजमेकर सुविधाओं के साथ एकीकृत होता है। सेज मेकर ट्रेनिंग जॉब्स मॉडल प्रशिक्षण को स्वचालित करने के लिए उपयोग किया जाता है, और सेजमेकर प्रोसेसिंग जॉब डेटा तैयार करने और मॉडल प्रदर्शन का मूल्यांकन करने के लिए उपयोग किया जाता है। इस उदाहरण में, हम इसका उपयोग कर रहे हैं अल्ट्रालिटिक्स YOLOv8 ऑब्जेक्ट डिटेक्शन मॉडल को प्रशिक्षित करने और निर्यात करने के लिए पायथन पैकेज और मॉडल आर्किटेक्चर ओएनएनएक्स पोर्टेबिलिटी के लिए एमएल मॉडल प्रारूप।
5. यदि प्रदर्शन स्वीकार्य है, तो प्रशिक्षित मॉडल को पंजीकृत किया जाता है अमेज़न सैजमेकर मॉडल रजिस्ट्री एक वृद्धिशील संस्करण संख्या संलग्न के साथ। यह मॉडल प्रशिक्षण और एज परिनियोजन चरणों के बीच हमारे इंटरफ़ेस के रूप में कार्य करता है। हम यहां मॉडलों की अनुमोदन स्थिति का भी प्रबंधन करते हैं। उपयोग की जाने वाली अन्य सेवाओं के समान, यह पूरी तरह से प्रबंधित है, इसलिए हमें अपने स्वयं के बुनियादी ढांचे को चलाने का ध्यान नहीं रखना पड़ता है।
6. एज परिनियोजन वर्कफ़्लो को लेबलिंग वर्कफ़्लो के समान, स्टेप फ़ंक्शंस का उपयोग करके स्वचालित किया जाता है। हम नए मॉडल घटकों को बनाने और बाद में एज डिवाइस पर घटकों को तैनात करने के लिए एडब्ल्यूएस आईओटी ग्रीनग्रास जैसे विभिन्न आवश्यक एडब्ल्यूएस सेवा एपीआई को आसानी से कॉल करने के लिए स्टेप फ़ंक्शंस के एपीआई एकीकरण का उपयोग कर सकते हैं।
7. AWS IoT ग्रीनग्रास का उपयोग एज डिवाइस रनटाइम वातावरण के रूप में किया जाता है। यह हमारे मॉडल और किनारे पर अनुमान घटकों के लिए तैनाती जीवनचक्र का प्रबंधन करता है। यह हमें सरल एपीआई कॉल का उपयोग करके अपने मॉडल के नए संस्करणों और अनुमान घटकों को आसानी से तैनात करने की अनुमति देता है। इसके अलावा, किनारे पर एमएल मॉडल आमतौर पर अलगाव में नहीं चलते हैं; हम विभिन्न का उपयोग कर सकते हैं एडब्ल्यूएस और समुदाय अन्य सेवाओं से जुड़ने के लिए AWS IoT ग्रीनग्रास के घटक प्रदान किए गए।

उल्लिखित वास्तुकला पहले दिखाए गए हमारे उच्च-स्तरीय वास्तुकला से मिलती जुलती है। अमेज़ॅन एस3, सेजमेकर फ़ीचर स्टोर और सेजमेकर मॉडल रजिस्ट्री विभिन्न पाइपलाइनों के बीच इंटरफेस के रूप में कार्य करते हैं। समाधान को चलाने और संचालित करने के प्रयास को कम करने के लिए, हम जहां भी संभव हो प्रबंधित और सर्वर रहित सेवाओं का उपयोग करते हैं।

एक मजबूत सीआई/सीडी प्रणाली में विलय

डेटा लेबलिंग, मॉडल प्रशिक्षण और एज परिनियोजन चरण हमारे समाधान के मूल हैं। इस प्रकार, उनमें से किसी भी भाग में अंतर्निहित कोड या डेटा से संबंधित कोई भी परिवर्तन संपूर्ण ऑर्केस्ट्रेशन प्रक्रिया के एक नए दौर को ट्रिगर करना चाहिए। इसे प्राप्त करने के लिए, हमें इस पाइपलाइन को सीआई/सीडी सिस्टम में एकीकृत करने की आवश्यकता है जो हमें संस्करण कोड रिपॉजिटरी से उत्पादन में कोड और बुनियादी ढांचे में परिवर्तन को स्वचालित रूप से तैनात करने की अनुमति देता है। पिछली वास्तुकला के समान, टीम स्वायत्तता यहां एक महत्वपूर्ण पहलू है। निम्नलिखित चित्र दिखाता है कि AWS सेवाओं का उपयोग करते समय यह कैसा दिख सकता है।

आइए सीआई/सीडी आर्किटेक्चर पर चलते हैं:

1. AWS कोडकॉमिट हमारे Git भंडार के रूप में कार्य करता है। सरलता के लिए, हमारे प्रदान किए गए नमूने में, हमने एकल गिट रिपॉजिटरी में सबफ़ोल्डर्स के माध्यम से अलग-अलग हिस्सों (लेबलिंग, मॉडल प्रशिक्षण, एज परिनियोजन) को अलग कर दिया। वास्तविक दुनिया के परिदृश्य में, प्रत्येक टीम प्रत्येक भाग के लिए अलग-अलग रिपॉजिटरी का उपयोग कर सकती है।
2. बुनियादी ढांचे की तैनाती एडब्ल्यूएस सीडीके का उपयोग करके स्वचालित की जाती है और प्रत्येक भाग (लेबलिंग, प्रशिक्षण और किनारे) को स्वतंत्र तैनाती की अनुमति देने के लिए अपना स्वयं का एडब्ल्यूएस सीडीके ऐप मिलता है।
3. AWS CDK पाइपलाइन सुविधा का उपयोग करता है AWS कोडपिपलीन बुनियादी ढांचे और कोड परिनियोजन को स्वचालित करने के लिए।
4. AWS CDK प्रत्येक चरण के लिए दो कोड पाइपलाइन तैनात करता है: एक परिसंपत्ति पाइपलाइन और एक वर्कफ़्लो पाइपलाइन। हमने वर्कफ़्लो को एसेट परिनियोजन से अलग कर दिया है ताकि हम एसेट में कोई बदलाव न होने की स्थिति में वर्कफ़्लो को अलग से शुरू कर सकें (उदाहरण के लिए, जब प्रशिक्षण के लिए नई छवियां उपलब्ध हों)।
   • एसेट कोड पाइपलाइन वर्कफ़्लो को सफलतापूर्वक चलाने के लिए आवश्यक सभी बुनियादी ढांचे को तैनात करती है, जैसे AWS पहचान और अभिगम प्रबंधन (IAM) भूमिकाएँ, लैम्ब्डा फ़ंक्शन और प्रशिक्षण के दौरान उपयोग की जाने वाली कंटेनर छवियां।
   • वर्कफ़्लो कोड पाइपलाइन वास्तविक लेबलिंग, प्रशिक्षण, या एज परिनियोजन वर्कफ़्लो चलाती है।
5. एसेट पाइपलाइन स्वचालित रूप से कमिट पर और साथ ही पिछली वर्कफ़्लो पाइपलाइन पूरी होने पर ट्रिगर हो जाती हैं।
6. पूरी प्रक्रिया को एक शेड्यूल पर एक का उपयोग करके ट्रिगर किया जाता है अमेज़न EventBridge नियमित पुनर्प्रशिक्षण के लिए नियम.

सीआई/सीडी एकीकरण के साथ, संपूर्ण एंड-टू-एंड श्रृंखला अब पूरी तरह से स्वचालित है। जब भी हमारे गिट रिपॉजिटरी में कोड बदलता है और साथ ही डेटा परिवर्तनों को समायोजित करने के लिए शेड्यूल पर पाइपलाइन चालू हो जाती है।

आगे की सोचना

वर्णित समाधान आर्किटेक्चर किनारे पर एंड-टू-एंड एमएलओपीएस पाइपलाइन बनाने के लिए बुनियादी घटकों का प्रतिनिधित्व करता है। हालाँकि, आपकी आवश्यकताओं के आधार पर, आप अतिरिक्त कार्यक्षमता जोड़ने के बारे में सोच सकते हैं। निम्नलिखित कुछ उदाहरण हैं:

निष्कर्ष

इस पोस्ट में, हमने AWS सेवाओं का उपयोग करके किनारे पर दृश्य गुणवत्ता निरीक्षण के लिए एंड-टू-एंड MLOps पाइपलाइन के निर्माण के लिए अपनी वास्तुकला की रूपरेखा तैयार की है। यह आर्किटेक्चर पूरी प्रक्रिया को सुव्यवस्थित करता है, जिसमें डेटा लेबलिंग, मॉडल विकास और एज परिनियोजन शामिल है, जो हमें मॉडल के नए संस्करणों को तेजी से और विश्वसनीय रूप से प्रशिक्षित और कार्यान्वित करने में सक्षम बनाता है। सर्वर रहित और प्रबंधित सेवाओं के साथ, हम अपना ध्यान बुनियादी ढांचे के प्रबंधन के बजाय व्यावसायिक मूल्य प्रदान करने पर केंद्रित कर सकते हैं।

In भाग 2 इस श्रृंखला में, हम एक स्तर गहराई तक जाएंगे और इस वास्तुकला के कार्यान्वयन को अधिक विस्तार से देखेंगे, विशेष रूप से लेबलिंग और मॉडल निर्माण पर। यदि आप सीधे कोड पर जाना चाहते हैं, तो आप साथ में दिए गए कोड को देख सकते हैं गीथहब रेपो.

---

लेखक के बारे में

माइकल रोथ AWS में एक वरिष्ठ समाधान वास्तुकार हैं जो जर्मनी में विनिर्माण ग्राहकों को AWS प्रौद्योगिकी के माध्यम से उनकी व्यावसायिक चुनौतियों को हल करने में सहायता करते हैं। काम और परिवार के अलावा उनकी रुचि स्पोर्ट्स कारों में है और वह इटैलियन कॉफी का आनंद लेते हैं।

जोर्ग वॉहरले AWS में एक सॉल्यूशन आर्किटेक्ट है, जो जर्मनी में विनिर्माण ग्राहकों के साथ काम करता है। स्वचालन के जुनून के साथ, जोर्ज ने अपने पूर्व-एडब्ल्यूएस जीवन में एक सॉफ्टवेयर डेवलपर, डेवऑप्स इंजीनियर और साइट विश्वसनीयता इंजीनियर के रूप में काम किया है। क्लाउड से परे, वह एक महत्वाकांक्षी धावक है और अपने परिवार के साथ गुणवत्तापूर्ण समय का आनंद लेता है। इसलिए यदि आपके पास DevOps चुनौती है या आप दौड़ना चाहते हैं: तो उसे बताएं।

जोहान्स लैंगर AWS में एक वरिष्ठ समाधान वास्तुकार हैं, जो जर्मनी में उद्यम ग्राहकों के साथ काम करते हैं। जोहान्स को वास्तविक व्यावसायिक समस्याओं को हल करने के लिए मशीन लर्निंग लागू करने का शौक है। अपने निजी जीवन में, जोहान्स को गृह सुधार परियोजनाओं पर काम करना और अपने परिवार के साथ बाहर समय बिताना अच्छा लगता है।

• 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/build-an-end-to-end-mlops-pipeline-for-visual-quality-inspection-at-the-edge-part-1/