यह Kustomer के वरिष्ठ सॉफ्टवेयर और मशीन लर्निंग इंजीनियर, इयान लैंट्ज़ी और AWS टीम के उमेश कलासपुरकर, प्रसाद शेट्टी और जोनाथन ग्रीफेनबर्गर द्वारा एक अतिथि पोस्ट है।
कस्टमर के अपने शब्दों में, “कस्टमर एक ओमनीचैनल SaaS CRM प्लेटफ़ॉर्म है जो उत्कृष्ट अनुभव प्रदान करने के लिए उद्यम ग्राहक सेवा की पुनर्कल्पना करता है। बुद्धिमान स्वचालन के साथ निर्मित, हम कई स्रोतों से डेटा को एकीकृत करके और कंपनियों को एक ही टाइमलाइन दृश्य के माध्यम से सहज, सुसंगत और वैयक्तिकृत सेवा और समर्थन प्रदान करने में सक्षम बनाकर किसी भी संपर्क केंद्र और व्यवसाय की जरूरतों को पूरा करने के लिए स्केल करते हैं।
ग्राहक अपने व्यावसायिक ग्राहकों - ग्राहक अनुभव और सेवा संगठनों - के लिए बड़ी मात्रा में समर्थन संचार का तेजी से विश्लेषण करने की क्षमता चाहते थे और अंतिम ग्राहक के इरादे, ग्राहक सेवा मुद्दे और उपभोक्ता से संबंधित अन्य प्रासंगिक अंतर्दृष्टि जैसी जानकारी की स्वचालित खोज करना चाहते थे। इन विशेषताओं को समझने से सीएक्स संगठनों को सामग्री को स्वचालित रूप से वर्गीकृत और वर्गीकृत करके हजारों इन-बाउंड समर्थन ईमेल प्रबंधित करने में मदद मिल सकती है। ग्राहक लाभ उठाता है अमेज़न SageMaker अपने AI आधारित के माध्यम से आने वाले समर्थन संचार के विश्लेषण का प्रबंधन करना ग्राहक बुद्धि प्लैटफ़ॉर्म। कस्टमर आईक्यू की वार्तालाप वर्गीकरण सेवा बातचीत को प्रासंगिक बनाने और अन्यथा थकाऊ और दोहराव वाले कार्यों को स्वचालित करने में सक्षम है, जिससे एजेंट का ध्यान भटकता है और प्रति संपर्क कुल लागत कम हो जाती है। इसने और Kustomer की अन्य IQ सेवाओं ने इसके व्यावसायिक ग्राहकों के लिए उत्पादकता और स्वचालन में वृद्धि की है।
इस पोस्ट में, हम इस बारे में बात करते हैं कि कस्टमर सेजमेकर प्रशिक्षण और अनुमान के लिए कस्टम डॉकर छवियों का उपयोग कैसे करता है, जो एकीकरण को आसान बनाता है और प्रक्रिया को सुव्यवस्थित करता है। इस दृष्टिकोण के साथ, कस्टमर के व्यावसायिक ग्राहक स्वचालित रूप से 50% सटीकता के साथ हर महीने 70k से अधिक समर्थन ईमेल वर्गीकृत कर रहे हैं।
पृष्ठभूमि और चुनौतियाँ
कस्टमर अपनी वार्तालाप वर्गीकरण सेवा के लिए एक कस्टम टेक्स्ट वर्गीकरण पाइपलाइन का उपयोग करता है। इससे उन्हें सेजमेकर के प्रशिक्षण और अनुमान ऑर्केस्ट्रेशन का उपयोग करके स्वचालित वर्गीकरण और वर्गीकरण के माध्यम से एक दिन में हजारों अनुरोधों को प्रबंधित करने में मदद मिलती है। वार्तालाप वर्गीकरण प्रशिक्षण इंजन डेटा को संसाधित करने और ऐतिहासिक वार्तालापों का उपयोग करके मॉडल को प्रशिक्षित करने के लिए कस्टम डॉकर छवियों का उपयोग करता है और फिर वार्तालापों को वर्गीकृत करने के लिए किसी विशेष एजेंट के लिए आवश्यक विषयों, श्रेणियों या अन्य कस्टम लेबल की भविष्यवाणी करता है। फिर भविष्यवाणी इंजन बातचीत को वर्गीकृत करने के लिए एक अन्य कस्टम डॉकर छवि के साथ प्रशिक्षित मॉडल का उपयोग करता है, जिसका उपयोग संगठन अपने विषय के आधार पर रिपोर्टिंग को स्वचालित करने या बातचीत को किसी विशिष्ट टीम तक रूट करने के लिए करते हैं।
सेजमेकर वर्गीकरण प्रक्रिया एक प्रशिक्षण और अनुमान पाइपलाइन स्थापित करके शुरू होती है जो पाठ वर्गीकरण और प्रासंगिक सिफारिशें प्रदान कर सकती है। जैसे सर्वर रहित दृष्टिकोण के साथ एक विशिष्ट सेटअप लागू किया जाएगा AWS लाम्बा डेटा प्रीप्रोसेसिंग और पोस्टप्रोसेसिंग के लिए क्योंकि इसमें प्रभावी ऑन-डिमांड मूल्य निर्धारण मॉडल के साथ न्यूनतम प्रावधान की आवश्यकता होती है। हालाँकि, TensorFlow, NumPy और Pandas जैसी निर्भरताओं के साथ SageMaker का उपयोग करने से मॉडल पैकेज का आकार तेज़ी से बढ़ सकता है, जिससे समग्र परिनियोजन प्रक्रिया बोझिल और प्रबंधित करना कठिन हो जाता है। इन चुनौतियों से पार पाने के लिए कस्टमर ने कस्टम डॉकर छवियों का उपयोग किया।
कस्टम डॉकर छवियां पर्याप्त लाभ प्रदान करती हैं:
- बड़े संपीड़ित पैकेज आकार (10 जीबी से अधिक) की अनुमति देता है, जिसमें लोकप्रिय मशीन लर्निंग (एमएल) फ्रेमवर्क जैसे कि टेन्सरफ्लो, एमएक्सनेट, पायटोरच, या अन्य शामिल हो सकते हैं।
- आपको स्थानीय स्तर पर विकसित कस्टम कोड या एल्गोरिदम लाने की अनुमति देता है अमेज़ॅन सैजमेकर स्टूडियो तीव्र पुनरावृत्ति और मॉडल प्रशिक्षण के लिए नोटबुक।
- परिनियोजन पैकेजों को अनपैक करते समय लैम्ब्डा में होने वाली प्रीप्रोसेसिंग देरी से बचा जाता है।
- आंतरिक प्रणालियों के साथ निर्बाध रूप से एकीकृत होने के लिए लचीलापन प्रदान करता है।
- भविष्य की अनुकूलता और स्केलेबिलिटी लैम्ब्डा फ़ंक्शन में .zip फ़ाइलों को पैकेज करने के बजाय डॉकर का उपयोग करके किसी सेवा को परिवर्तित करना आसान बनाती है।
- सीआई/सीडी परिनियोजन पाइपलाइन के लिए टर्नअराउंड समय कम कर देता है।
- टीम के भीतर डॉकर को परिचितता और उपयोग में आसानी प्रदान करता है।
- एपीआई और बैकएंड रनटाइम के माध्यम से डेटा स्टोर तक पहुंच प्रदान करता है।
- किसी भी प्रीप्रोसेसिंग या पोस्टप्रोसेसिंग के लिए हस्तक्षेप के लिए बेहतर समर्थन प्रदान करता है कि लैम्ब्डा को प्रत्येक प्रक्रिया (जैसे प्रशिक्षण या तैनाती) के लिए एक अलग गणना सेवा की आवश्यकता होगी।
समाधान अवलोकन
समर्थन ईमेल का वर्गीकरण और लेबलिंग ग्राहक सहायता प्रक्रिया में एक महत्वपूर्ण कदम है। यह कंपनियों को बातचीत को सही टीमों तक ले जाने और उच्च स्तर पर यह समझने की अनुमति देता है कि उनके ग्राहक उनसे किस बारे में संपर्क कर रहे हैं। कस्टमर के व्यावसायिक ग्राहक प्रतिदिन हजारों वार्तालाप संभालते हैं, इसलिए पैमाने पर वर्गीकृत करना एक चुनौती है। इस प्रक्रिया को स्वचालित करने से एजेंटों को अधिक प्रभावी होने और अधिक एकजुट समर्थन प्रदान करने में मदद मिलती है, और अपने ग्राहकों को सही लोगों के साथ तेजी से जोड़कर मदद मिलती है।
निम्नलिखित आरेख समाधान वास्तुकला को दर्शाता है:
वार्तालाप वर्गीकरण प्रक्रिया व्यवसायिक ग्राहक द्वारा ग्राहक को एक प्रशिक्षण और अनुमान पाइपलाइन स्थापित करने की अनुमति देने से शुरू होती है जो उन्हें पाठ वर्गीकरण और प्रासंगिक अनुशंसाओं में मदद कर सकती है। Kustomer प्रशिक्षण और अनुमान प्रक्रिया की निगरानी के लिए अपने ग्राहकों के लिए एक उपयोगकर्ता इंटरफ़ेस उजागर करता है, जिसे TensorFlow मॉडल और कस्टम डॉकर छवियों के साथ SageMaker का उपयोग करके कार्यान्वित किया जाता है। एक क्लासिफायरियर के निर्माण और उपयोग की प्रक्रिया को पांच मुख्य वर्कफ़्लो में विभाजित किया गया है, जो कि एक कार्यकर्ता सेवा द्वारा समन्वित किया जाता है अमेज़न ईसीएस. पाइपलाइन घटनाओं को समन्वित करने और मॉडल के प्रशिक्षण और तैनाती को ट्रिगर करने के लिए, कार्यकर्ता एक का उपयोग करता है अमेज़न SQS AWS-प्रदत्त Node.js SDK का उपयोग करके कतारबद्ध करें और सीधे SageMaker के साथ एकीकृत हो जाता है। कार्यप्रवाह हैं:
- डेटा निर्यात
- डेटा प्रीप्रोसेसिंग
- प्रशिक्षण
- तैनाती
- अनुमान
डेटा निर्यात
डेटा निर्यात प्रक्रिया मांग पर चलती है और विश्लेषण के लिए ईमेल डेटा के उपयोग की पुष्टि करने के लिए ग्राहक के व्यावसायिक ग्राहक से अनुमोदन प्रक्रिया के साथ शुरू होती है। वर्गीकरण प्रक्रिया से संबंधित डेटा अंतिम ग्राहक से प्राप्त प्रारंभिक ईमेल के माध्यम से प्राप्त किया जाता है। उदाहरण के लिए, एक सहायता ईमेल में आम तौर पर समस्या के विवरण के साथ समस्या का संपूर्ण सुसंगत विचार शामिल होता है। निर्यात प्रक्रिया के भाग के रूप में, ईमेल को डेटा स्टोर (MongoDB और) से एकत्रित किया जाता है अमेज़न ओपन सर्च) और इसमें सहेजा गया अमेज़न सरल भंडारण सेवा (अमेज़न S3)।
डेटा प्रीप्रोसेसिंग
डेटा प्रीप्रोसेसिंग चरण ग्राहक ईमेल से किसी भी HTML टैग को हटाकर और किसी भी विकृत HTML का पता लगाने के लिए कई सफाई और स्वच्छता चरणों के माध्यम से फीड करके प्रशिक्षण और अनुमान वर्कफ़्लो के लिए डेटासेट को साफ़ करता है। इस प्रक्रिया में इसका उपयोग शामिल है फेस टोकनाइज़र और ट्रांसफार्मर को गले लगाना. जब सफ़ाई प्रक्रिया पूरी हो जाती है, तो प्रशिक्षण के लिए आवश्यक कोई भी अतिरिक्त कस्टम टोकन आउटपुट डेटासेट में जोड़ दिए जाते हैं।
प्रीप्रोसेसिंग चरण के दौरान, एक लैम्ब्डा फ़ंक्शन एक कस्टम डॉकर छवि को आमंत्रित करता है। इस छवि में Python 3.8 स्लिम बेस शामिल है एडब्ल्यूएस लैम्ब्डा पायथन रनटाइम इंटरफ़ेस क्लाइंट, और निर्भरताएँ जैसे Numpy और पांडा. कस्टम डॉकर छवि को संग्रहीत किया जाता है अमेज़ॅन इलास्टिक कंटेनर रजिस्ट्री (अमेज़ॅन ईसीआर) और फिर तैनाती के लिए सीआई/सीडी पाइपलाइन के माध्यम से फीड किया गया। तैनात लैम्ब्डा फ़ंक्शन प्रति क्लासिफायरियर तीन अलग-अलग डेटासेट उत्पन्न करने के लिए डेटा का नमूना लेता है:
- प्रशिक्षण - वास्तविक प्रशिक्षण प्रक्रिया के लिए उपयोग किया जाता है
- मान्यकरण - TensorFlow प्रशिक्षण प्रक्रिया के दौरान सत्यापन के लिए उपयोग किया जाता है
- टेस्ट - मेट्रिक्स मॉडल तुलना के लिए प्रशिक्षण प्रक्रिया के अंत में उपयोग किया जाता है
उत्पन्न आउटपुट डेटासेट पांडा अचार फ़ाइलें हैं, जिन्हें प्रशिक्षण चरण में उपयोग करने के लिए अमेज़ॅन एस 3 में संग्रहीत किया जाता है।
प्रशिक्षण
कस्टमर की कस्टम प्रशिक्षण छवि TensorFlow 2.7 GPU-अनुकूलित डॉकर का उपयोग करती है की छवि आधार के रूप में. कस्टम डॉकर प्रशिक्षण छवि को ईसीआर पर अपलोड करने से पहले कस्टम कोड, निर्भरता और आधार मॉडल शामिल किए जाते हैं। प्रशिक्षण प्रक्रिया के लिए P3 इंस्टेंस प्रकारों का उपयोग किया जाता है और GPU अनुकूलित आधार छवि का उपयोग प्रशिक्षण प्रक्रिया को यथासंभव कुशल बनाने में मदद करता है। Amazon SageMaker का उपयोग इस कस्टम डॉकर छवि के साथ TensorFlow मॉडल को प्रशिक्षित करने के लिए किया जाता है जिन्हें बाद में S3 में संग्रहीत किया जाता है। मॉडल तुलना और स्वचालित पुनर्प्रशिक्षण जैसी अतिरिक्त क्षमताओं में सहायता के लिए कस्टम मेट्रिक्स की भी गणना और सहेजा जाता है। एक बार प्रशिक्षण चरण पूरा हो जाने पर, एआई कार्यकर्ता को सूचित किया जाता है और व्यावसायिक ग्राहक तैनाती वर्कफ़्लो शुरू करने में सक्षम होता है।
तैनाती
परिनियोजन वर्कफ़्लो के लिए, TensorFlow सर्विंग बेस छवि (विशेष रूप से तेज़ अनुमान के लिए निर्मित) का उपयोग करके एक कस्टम डॉकर अनुमान छवि बनाई जाती है। अतिरिक्त कार्यक्षमता प्रदान करने के लिए अतिरिक्त कोड और निर्भरताएँ जैसे numPy, Pandas, कस्टम NL आदि शामिल की गई हैं, जैसे अनुमान से पहले इनपुट को फ़ॉर्मेट करना और साफ़ करना। फास्टएपीआई को कस्टम छवि के हिस्से के रूप में भी शामिल किया गया है, और इसका उपयोग अनुमान और स्वास्थ्य जांच के लिए आरईएसटी एपीआई एंडपॉइंट प्रदान करने के लिए किया जाता है। फिर सेजमेकर को उच्च-प्रदर्शन अनुमान समापन बिंदु उत्पन्न करने के लिए गणना अनुकूलित ml.c3 AWS उदाहरणों पर अनुमान छवि के साथ S5 में सहेजे गए TensorFlow मॉडल को तैनात करने के लिए कॉन्फ़िगर किया गया है। प्रत्येक समापन बिंदु एक ग्राहक द्वारा अपने मॉडल और डेटा को अलग करने के लिए उपयोग के लिए बनाया गया है।
अनुमान
एक बार परिनियोजन वर्कफ़्लो पूरा हो जाने पर, अनुमान वर्कफ़्लो अपने हाथ में ले लेता है। सभी पहले इनबाउंड समर्थन ईमेल उस ग्राहक के लिए विशिष्ट तैनात क्लासिफायर के लिए अनुमान एपीआई के माध्यम से पारित किए जाते हैं। तैनात क्लासिफायर फिर इनमें से प्रत्येक ईमेल पर टेक्स्ट वर्गीकरण करते हैं, प्रत्येक ग्राहक के लिए वर्गीकरण लेबल उत्पन्न करते हैं।
संभावित संवर्द्धन और अनुकूलन
ग्राहक निम्नलिखित संवर्द्धन के साथ समाधान का विस्तार करने पर विचार कर रहा है:
- हगिंग फेस डीएलसी - कस्टमर वर्तमान में डेटा प्रीप्रोसेसिंग चरण के लिए टेन्सरफ्लो की बेस डॉकर छवियों का उपयोग करता है और माइग्रेट करने की योजना बना रहा है हगिंग फेस डीप लर्निंग कंटेनर्स (डीएलसी). यह आपको तुरंत प्रशिक्षण मॉडल शुरू करने में मदद करता है, जिससे आपके प्रशिक्षण वातावरण को शुरू से ही बनाने और अनुकूलित करने की जटिल प्रक्रिया को छोड़ दिया जाता है। अधिक जानकारी के लिए देखें अमेज़न सेजमेकर पर हगिंग फेस.
- जानकारी देना - आप मॉडल की समग्र दक्षता बढ़ाने के लिए सक्रिय शिक्षण या सुदृढीकरण सीखने की तकनीकों का उपयोग करके फीडबैक लूप लागू कर सकते हैं।
- अन्य आंतरिक प्रणालियों के साथ एकीकरण - कस्टमर टेक्स्ट वर्गीकरण को स्मार्ट सुझाव जैसी अन्य प्रणालियों के साथ एकीकृत करने की क्षमता चाहता है, जो एक अन्य कस्टमर आईक्यू सेवा है जो सैकड़ों शॉर्टकट्स को देखती है और उन शॉर्टकट्स का सुझाव देती है जो ग्राहक क्वेरी के लिए सबसे अधिक प्रासंगिक हैं, एजेंट प्रतिक्रिया समय और प्रदर्शन में सुधार करते हैं।
निष्कर्ष
इस पोस्ट में, हमने चर्चा की कि कैसे Kustomer SageMaker प्रशिक्षण और अनुमान के लिए कस्टम डॉकर छवियों का उपयोग करता है, जो एकीकरण को आसान बनाता है और प्रक्रिया को सुव्यवस्थित करता है। हमने प्रदर्शित किया कि कैसे कस्टमर कस्टम डॉकर छवियों के साथ लैम्ब्डा और सेजमेकर का लाभ उठाता है जो प्रीप्रोसेसिंग और पोस्टप्रोसेसिंग वर्कफ़्लो के साथ टेक्स्ट वर्गीकरण प्रक्रिया को लागू करने में मदद करता है। यह मॉडल निर्माण, प्रशिक्षण और अनुमान के लिए बड़ी छवियों का उपयोग करने के लिए लचीलापन प्रदान करता है। लैम्ब्डा के लिए कंटेनर छवि समर्थन आपको अपने फ़ंक्शन को और भी अधिक अनुकूलित करने की अनुमति देता है, जिससे सर्वर रहित एमएल के लिए कई नए उपयोग के मामले खुलते हैं। समाधान कई AWS सेवाओं का लाभ उठाता है, जिनमें SageMaker, Lambda, Docker Images, Amazon ECR, Amazon ECS, Amazon SQS और Amazon S3 शामिल हैं।
यदि आप कस्टमर के बारे में अधिक जानना चाहते हैं, तो हम आपको यहां आने के लिए प्रोत्साहित करते हैं ग्राहक वेबसाइट और उनका अन्वेषण करें मामले का अध्ययन।
क्लिक करें यहाँ उत्पन्न करें Amazon SageMaker के साथ अपनी यात्रा शुरू करने के लिए। व्यावहारिक अनुभव के लिए, आप Amazon SageMaker का संदर्भ ले सकते हैं कार्यशाला.
लेखक के बारे में
उमेश कलासपुरकर AWS के लिए न्यूयॉर्क स्थित सॉल्यूशन आर्किटेक्ट है। उनके पास उद्यमों और स्टार्टअप्स में डिजिटल इनोवेशन और ट्रांसफॉर्मेशन परियोजनाओं के डिजाइन और वितरण में 20 से अधिक वर्षों का अनुभव है। वह ग्राहकों को चुनौतियों को पहचानने और उनसे उबरने में मदद करके प्रेरित होता है। काम के अलावा, उमेश को पिता बनना, स्कीइंग करना और यात्रा करना पसंद है।
इयान लैंट्ज़ी Kustomer के लिए एक वरिष्ठ सॉफ्टवेयर और मशीन लर्निंग इंजीनियर हैं और मशीन लर्निंग अनुसंधान कार्यों को लेने और उन्हें उत्पादन सेवाओं में बदलने में माहिर हैं।
प्रसाद शेट्टी AWS के लिए बोस्टन स्थित सॉल्यूशंस आर्किटेक्ट है। उन्होंने सॉफ्टवेयर उत्पाद बनाए हैं और 20 वर्षों से अधिक समय तक उद्यमों में उत्पाद और सेवाओं में आधुनिकीकरण और डिजिटल नवाचार का नेतृत्व किया है। उन्हें क्लाउड रणनीति और उसे अपनाने तथा बेहतरीन ग्राहक अनुभव बनाने के लिए प्रौद्योगिकी का लाभ उठाने का शौक है। अपने ख़ाली समय में, प्रसाद को बाइक चलाना और यात्रा करना पसंद है।
जोनाथन ग्रिफ़ेनबर्गर आईटी उद्योग के 25 वर्षों के अनुभव के साथ AWS के लिए न्यूयॉर्क स्थित वरिष्ठ खाता प्रबंधक हैं। जोनाथन एक टीम का नेतृत्व करते हैं जो विभिन्न उद्योगों और कार्यक्षेत्रों के ग्राहकों को उनकी क्लाउड अपनाने और आधुनिकीकरण यात्रा में सहायता करती है।
- कॉइनस्मार्ट। यूरोप का सर्वश्रेष्ठ बिटकॉइन और क्रिप्टो एक्सचेंज।
- प्लेटोब्लॉकचैन। Web3 मेटावर्स इंटेलिजेंस। ज्ञान प्रवर्धित। नि: शुल्क प्रवेश।
- क्रिप्टोहॉक। Altcoin रडार। मुफ्त परीक्षण।
- स्रोत: https://aws.amazon.com/blogs/machine-learning/how-kustomer-utilizes-custom-docker-images-amazon-sagemaker-to-build-a-text-classification-pipeline/
- "
- &
- 100
- 20 साल
- 7
- About
- पहुँच
- लेखा
- के पार
- सक्रिय
- अतिरिक्त
- दत्तक ग्रहण
- लाभ
- फायदे
- एजेंटों
- AI
- एल्गोरिदम
- सब
- वीरांगना
- विश्लेषण
- अन्य
- एपीआई
- एपीआई
- दृष्टिकोण
- स्थापत्य
- स्वचालन
- एडब्ल्यूएस
- जा रहा है
- निर्माण
- इमारत
- व्यापार
- क्षमताओं
- मामलों
- के कारण होता
- चुनौती
- चुनौतियों
- जाँचता
- वर्गीकरण
- सफाई
- बादल
- कोड
- संचार
- कंपनियों
- गणना करना
- उपभोक्ता
- कंटेनर
- कंटेनरों
- शामिल हैं
- सामग्री
- कन्वर्सेशन (Conversation)
- बातचीत
- ग्राहक अनुभव
- ग्राहक सेवा
- ग्राहक सहयोग
- ग्राहक
- तिथि
- दिन
- देरी
- प्रसव
- मांग
- तैनाती
- डिज़ाइन
- विकसित
- डिजिटल
- खोज
- डाक में काम करनेवाला मज़दूर
- ड्राइविंग
- प्रभावी
- दक्षता
- ईमेल
- समर्थकारी
- प्रोत्साहित करना
- endpoint
- इंजीनियर
- उद्यम
- घटनाओं
- उदाहरण
- का विस्तार
- अनुभव
- अनुभव
- चेहरा
- फास्ट
- फेड
- प्रतिक्रिया
- प्रथम
- लचीलापन
- निम्नलिखित
- समारोह
- कार्यक्षमता
- उत्पन्न
- देते
- GPU
- महान
- अतिथि
- अतिथि पोस्ट
- होने
- स्वास्थ्य
- मदद
- मदद करता है
- हाई
- कैसे
- HTTPS
- सैकड़ों
- पहचान करना
- की छवि
- लागू करने के
- कार्यान्वित
- शामिल
- सहित
- बढ़ना
- वृद्धि हुई
- उद्योगों
- उद्योग
- करें-
- नवोन्मेष
- अंतर्दृष्टि
- एकीकृत
- एकीकरण
- बुद्धिमान
- इरादा
- इंटरफेस
- मुद्दा
- IT
- लेबलिंग
- लेबल
- बड़ा
- बड़ा
- जानें
- सीख रहा हूँ
- नेतृत्व
- स्तर
- leverages
- स्थानीय स्तर पर
- मशीन
- यंत्र अधिगम
- निर्माण
- प्रबंधक
- मेट्रिक्स
- ML
- आदर्श
- मॉडल
- MongoDB
- अधिकांश
- न्यूयॉर्क
- आर्केस्ट्रा
- आदेश
- संगठनों
- अन्य
- अन्यथा
- स्टाफ़
- प्रदर्शन
- मंच
- लोकप्रिय
- संभव
- भविष्यवाणी
- कीमत निर्धारण
- मुसीबत
- प्रक्रिया
- एस्ट्रो मॉल
- उत्पादन
- उत्पादकता
- उत्पाद
- परियोजनाओं
- प्रदान करना
- प्रदान करता है
- जल्दी से
- को कम करने
- की आवश्यकता होती है
- अपेक्षित
- अनुसंधान
- प्रतिक्रिया
- बाकी
- मार्ग
- रन
- दौड़ना
- अनुमापकता
- स्केल
- एसडीके
- serverless
- सेवा
- सेवाएँ
- सेवारत
- सेट
- सरल
- आकार
- स्मार्ट
- So
- सॉफ्टवेयर
- समाधान ढूंढे
- माहिर
- विशेष रूप से
- विभाजित
- ट्रेनिंग
- प्रारंभ
- स्टार्टअप
- भंडारण
- की दुकान
- भंडार
- स्ट्रेटेजी
- अलग करना
- पढ़ाई
- पर्याप्त
- समर्थन
- सिस्टम
- बातचीत
- कार्य
- टीम
- तकनीक
- टेक्नोलॉजी
- हजारों
- यहाँ
- पहर
- टोकन
- विषय
- प्रशिक्षण
- परिवर्तन
- समझना
- देखें
- क्या
- अंदर
- शब्द
- काम
- साल