یہ ہماری سیریز کا حصہ 3 ہے جہاں ہم کنارے پر بصری معیار کے معائنے کے لیے MLOps پائپ لائن ڈیزائن اور لاگو کرتے ہیں۔ اس پوسٹ میں، ہم اس بات پر توجہ مرکوز کرتے ہیں کہ آخر سے آخر تک MLOps پائپ لائن کے کنارے کی تعیناتی والے حصے کو خود کار طریقے سے کیسے بنایا جائے۔ ہم آپ کو استعمال کرنے کا طریقہ دکھاتے ہیں۔ AWS IoT گرین گراس کنارے پر ماڈل کے تخمینے کا انتظام کرنے اور اس کا استعمال کرتے ہوئے عمل کو خودکار کرنے کا طریقہ AWS اسٹیپ فنکشنز اور دیگر AWS خدمات۔
حل جائزہ
In حصہ 1 اس سلسلے میں، ہم نے اپنی اینڈ ٹو اینڈ ایم ایل او پی پائپ لائن کے لیے ایک آرکیٹیکچر تیار کیا جو کہ ڈیٹا لیبلنگ سے لے کر ماڈل ٹریننگ اور کنارے پر تعیناتی تک پورے مشین لرننگ (ML) کے عمل کو خودکار بناتا ہے۔ میں حصہ 2، ہم نے پائپ لائن کے لیبلنگ اور ماڈل ٹریننگ حصوں کو خودکار کرنے کا طریقہ دکھایا۔
اس سیریز کے لیے استعمال ہونے والا نمونہ استعمال کا کیس ایک بصری معیار کے معائنہ کا حل ہے جو دھاتی ٹیگز پر موجود نقائص کا پتہ لگا سکتا ہے، جسے آپ مینوفیکچرنگ کے عمل کے حصے کے طور پر تعینات کر سکتے ہیں۔ مندرجہ ذیل خاکہ MLOps پائپ لائن کے اعلیٰ سطحی فن تعمیر کو ظاہر کرتا ہے جس کی وضاحت ہم نے اس سیریز کے آغاز میں کی تھی۔ اگر آپ نے اسے ابھی تک نہیں پڑھا ہے، تو ہم چیک آؤٹ کرنے کی تجویز کرتے ہیں۔ حصہ 1.
ایم ایل ماڈل کے کنارے کی تعیناتی کو خودکار کرنا
ML ماڈل کی تربیت اور جانچ کے بعد، اسے پیداواری نظام میں تعینات کرنے کی ضرورت ہے تاکہ آنے والے ڈیٹا پر پیشین گوئیاں کر کے کاروباری قدر پیدا کی جا سکے۔ یہ عمل ایک کنارے کی ترتیب میں تیزی سے پیچیدہ ہو سکتا ہے جہاں ماڈلز کو تعینات کرنے اور ان آلات پر چلانے کی ضرورت ہوتی ہے جو اکثر بادل کے ماحول سے بہت دور واقع ہوتے ہیں جس میں ماڈلز کو تربیت دی گئی ہے۔ مندرجہ ذیل کچھ چیلنجز ہیں جو کنارے پر مشین لرننگ کے لیے منفرد ہیں:
- ایم ایل ماڈلز کو اکثر ایج ڈیوائسز پر وسائل کی رکاوٹوں کی وجہ سے بہتر بنانے کی ضرورت ہوتی ہے۔
- ایج ڈیوائسز کو کلاؤڈ میں سرور کی طرح دوبارہ تعینات یا تبدیل نہیں کیا جاسکتا ہے، لہذا آپ کو ایک مضبوط ماڈل کی تعیناتی اور ڈیوائس مینجمنٹ کے عمل کی ضرورت ہے۔
- آلات اور کلاؤڈ کے درمیان مواصلت کو موثر اور محفوظ ہونے کی ضرورت ہے کیونکہ یہ اکثر غیر بھروسہ مند کم بینڈوتھ نیٹ ورکس کو عبور کرتا ہے۔
آئیے دیکھتے ہیں کہ ہم ماڈل کو ONNX فارمیٹ میں ایکسپورٹ کرنے کے علاوہ AWS سروسز کے ساتھ ان چیلنجوں سے کیسے نمٹ سکتے ہیں، جو ہمیں، مثال کے طور پر، رکاوٹ والے آلات کے لیے ماڈل کے سائز کو کم کرنے کے لیے کوانٹائزیشن جیسی اصلاح کا اطلاق کرنے کی اجازت دیتا ہے۔ ONNX سب سے عام ایج ہارڈویئر پلیٹ فارمز کے لیے بہترین رن ٹائم بھی فراہم کرتا ہے۔
کنارے کی تعیناتی کے عمل کو توڑتے ہوئے، ہمیں دو اجزاء درکار ہیں:
- ماڈل کی ترسیل کے لیے ایک تعیناتی کا طریقہ کار، جس میں خود ماڈل اور ماڈل کے ساتھ بات چیت کرنے کے لیے کچھ کاروباری منطق بھی شامل ہے۔
- ایک ورک فلو انجن جو اس پورے عمل کو مضبوط اور قابل تکرار بنانے کے لیے آرکیسٹریٹ کر سکتا ہے۔
اس مثال میں، ہم اپنے خودکار کنارے کی تعیناتی کا طریقہ کار بنانے کے لیے مختلف AWS سروسز کا استعمال کرتے ہیں، جو ان تمام مطلوبہ اجزاء کو مربوط کرتا ہے جن پر ہم نے تبادلہ خیال کیا۔
سب سے پہلے، ہم ایک کنارے کے آلے کی نقل کرتے ہیں. آپ کے لیے اینڈ ٹو اینڈ ورک فلو سے گزرنا آسان بنانے کے لیے، ہم استعمال کرتے ہیں۔ ایمیزون لچکدار کمپیوٹ کلاؤڈ (Amazon EC2) مثال کے طور پر AWS IoT Greengrass Core سافٹ ویئر کو انسٹال کر کے ایک ایج ڈیوائس کی نقل تیار کرنا۔ آپ اصل کنارے پروڈکشن ڈیوائس پر تعینات کرنے سے پہلے QA کے عمل میں مختلف اجزاء کی توثیق کرنے کے لیے EC2 مثالیں بھی استعمال کر سکتے ہیں۔ AWS IoT Greengrass ایک انٹرنیٹ آف تھنگز (IoT) اوپن سورس ایج رن ٹائم اور کلاؤڈ سروس ہے جو آپ کو ایج ڈیوائس سافٹ ویئر بنانے، تعینات کرنے اور ان کا نظم کرنے میں مدد کرتی ہے۔ AWS IoT Greengrass ایک محفوظ اور قابل توسیع طریقے سے ایج ڈیوائس سافٹ ویئر کی تعمیر، تعیناتی اور انتظام کرنے کی کوششوں کو کم کرتا ہے۔ اپنے آلے پر AWS IoT Greengrass Core سافٹ ویئر انسٹال کرنے کے بعد، آپ خصوصیات اور اجزاء کو شامل یا ہٹا سکتے ہیں، اور AWS IoT Greengrass کا استعمال کرتے ہوئے اپنے IoT ڈیوائس ایپلیکیشنز کا نظم کر سکتے ہیں۔ یہ آپ کی زندگی کو آسان بنانے کے لیے بہت سارے بلٹ ان اجزاء پیش کرتا ہے، جیسے StreamManager اور MQTT بروکر اجزاء، جنہیں آپ کلاؤڈ کے ساتھ محفوظ طریقے سے بات چیت کرنے کے لیے استعمال کر سکتے ہیں، اینڈ ٹو اینڈ انکرپشن کو سپورٹ کرتے ہیں۔ آپ ان خصوصیات کو مؤثر طریقے سے تخمینہ کے نتائج اور تصاویر اپ لوڈ کرنے کے لیے استعمال کر سکتے ہیں۔
پیداواری ماحول میں، آپ کے پاس عام طور پر ایک صنعتی کیمرہ ہوتا ہے جو تصاویر فراہم کرتا ہے جس کے لیے ML ماڈل کو پیشین گوئیاں کرنا چاہیے۔ اپنے سیٹ اپ کے لیے، ہم ایج ڈیوائس پر ایک مخصوص ڈائرکٹری میں امیجز کے پہلے سیٹ اپ لوڈ کر کے اس امیج ان پٹ کو سمولیٹ کرتے ہیں۔ پھر ہم ان تصاویر کو ماڈل کے لیے انفرنس ان پٹ کے طور پر استعمال کرتے ہیں۔
ہم نے کلاؤڈ سے تربیت یافتہ ML ماڈل کو ایک کنارے والے ماحول میں تعینات کرنے اور اسے پیشین گوئیوں کے لیے استعمال کرنے کے لیے مجموعی تعیناتی اور تخمینہ کے عمل کو لگاتار تین مراحل میں تقسیم کیا:
- تیار - کنارے کی تعیناتی کے لیے تربیت یافتہ ماڈل کو پیک کریں۔
- تعینات - ماڈل اور انفرنس اجزاء کی کلاؤڈ سے ایج ڈیوائس میں منتقلی۔
- ارادہ - ماڈل لوڈ کریں اور تصویری پیشین گوئیوں کے لیے انفرنس کوڈ چلائیں۔
مندرجہ ذیل آرکیٹیکچر ڈایاگرام اس تین قدمی عمل کی تفصیلات دکھاتا ہے اور ہم نے اسے AWS سروسز کے ساتھ کیسے نافذ کیا۔
مندرجہ ذیل حصوں میں، ہم ہر قدم کی تفصیلات پر تبادلہ خیال کرتے ہیں اور یہ ظاہر کرتے ہیں کہ اس عمل کو ایم ایل ماڈلز اور متعلقہ انفرنس کوڈ دونوں کے لیے خودکار اور دوبارہ قابل آرکیسٹریشن اور CI/CD ورک فلو میں کیسے سرایت کرنا ہے۔
تیار
ایج ڈیوائسز اکثر کلاؤڈ ماحول کے مقابلے محدود کمپیوٹ اور میموری کے ساتھ آتی ہیں جہاں طاقتور CPUs اور GPUs آسانی سے ML ماڈل چلا سکتے ہیں۔ مختلف ماڈل کی اصلاح کی تکنیکیں آپ کو کسی مخصوص سافٹ ویئر یا ہارڈویئر پلیٹ فارم کے لیے ایک ماڈل تیار کرنے کی اجازت دیتی ہیں تاکہ درستگی کو کھوئے بغیر پیشین گوئی کی رفتار میں اضافہ کیا جا سکے۔
اس مثال میں، ہم نے ٹریننگ پائپ لائن میں تربیت یافتہ ماڈل کو پورٹیبلٹی، ممکنہ اصلاح کے ساتھ ساتھ آپٹمائزڈ ایج رن ٹائمز کے لیے ONNX فارمیٹ میں برآمد کیا، اور ماڈل کو اندراج کیا ایمیزون سیج میکر ماڈل رجسٹری. اس مرحلے میں، ہم ایک نیا گرین گراس ماڈل جزو بناتے ہیں جس میں بعد میں تعیناتی کے لیے تازہ ترین رجسٹرڈ ماڈل شامل ہے۔
تعینات
ایک محفوظ اور قابل بھروسہ تعیناتی طریقہ کار کلیدی حیثیت رکھتا ہے جب کسی ماڈل کو کلاؤڈ سے ایج ڈیوائس پر تعینات کیا جائے۔ چونکہ AWS IoT Greengrass پہلے سے ہی ایک مضبوط اور محفوظ کنارے کی تعیناتی کا نظام شامل کر چکا ہے، اس لیے ہم اسے اپنے تعیناتی کے مقاصد کے لیے استعمال کر رہے ہیں۔ اس سے پہلے کہ ہم اپنے تعیناتی کے عمل کو تفصیل سے دیکھیں، آئیے AWS IoT گرین گراس کی تعیناتیوں کے کام کرنے کے طریقہ پر ایک فوری جائزہ لیتے ہیں۔ AWS IoT گرین گراس تعیناتی نظام کے مرکز میں ہیں۔ اجزاء، جو AWS IoT Greengrass Core چلانے والے ایج ڈیوائس پر تعینات سافٹ ویئر ماڈیولز کی وضاحت کرتا ہے۔ یہ یا تو وہ پرائیویٹ پرزہ جات ہو سکتے ہیں جو آپ بناتے ہیں یا عوامی اجزاء جو یا تو فراہم کیے جاتے ہیں۔ AWS یا وسیع تر گرین گراس کمیونٹی. ایک تعیناتی کے حصے کے طور پر متعدد اجزاء کو ایک ساتھ جوڑا جا سکتا ہے۔ ایک تعیناتی کی ترتیب ایک تعیناتی میں شامل اجزاء اور تعیناتی کے ہدف والے آلات کی وضاحت کرتی ہے۔ اس کی وضاحت یا تو تعیناتی کنفیگریشن فائل (JSON) میں کی جا سکتی ہے یا AWS IoT Greengrass کنسول کے ذریعے نئی تعیناتی بناتے وقت۔
ہم مندرجہ ذیل دو گرین گراس اجزاء بناتے ہیں، جو پھر تعیناتی کے عمل کے ذریعے ایج ڈیوائس پر تعینات کیے جاتے ہیں:
- پیک شدہ ماڈل (نجی جزو) - یہ جزو ONNX فارمیٹ میں تربیت یافتہ اور ML ماڈل پر مشتمل ہے۔
- انفرنس کوڈ (نجی جزو) - ML ماڈل کے علاوہ، ہمیں ڈیٹا کی تیاری، تخمینہ کے لیے ماڈل کے ساتھ مواصلت، اور تخمینہ کے نتائج کی پوسٹ پروسیسنگ جیسے کاموں کو سنبھالنے کے لیے کچھ اطلاقی منطق کو نافذ کرنے کی ضرورت ہے۔ ہماری مثال میں، ہم نے مندرجہ ذیل کاموں کو سنبھالنے کے لیے ازگر پر مبنی ایک نجی جزو تیار کیا ہے:
- مطلوبہ رن ٹائم اجزاء جیسے Ultralytics YOLOv8 Python پیکج انسٹال کریں۔
- کیمرے کی لائیو سٹریم سے تصاویر لینے کے بجائے، ہم ایک مخصوص ڈائرکٹری سے تیار شدہ تصاویر لوڈ کر کے اور ماڈل ان پٹ کی ضروریات کے مطابق تصویری ڈیٹا تیار کر کے اس کی تقلید کرتے ہیں۔
- تیار کردہ امیج ڈیٹا کے ساتھ بھری ہوئی ماڈل کے خلاف انفرنس کال کریں۔
- پیشین گوئیوں کو چیک کریں اور تخمینہ کے نتائج کو واپس کلاؤڈ پر اپ لوڈ کریں۔
اگر آپ ہمارے بنائے ہوئے انفرنس کوڈ پر گہری نظر رکھنا چاہتے ہیں تو دیکھیں GitHub repo.
ارادہ
مذکورہ بالا اجزاء کی تعیناتی ختم ہونے کے بعد ایج ڈیوائس پر ماڈل کا اندازہ لگانے کا عمل خود بخود شروع ہو جاتا ہے۔ حسب ضرورت انفرنس جزو وقتاً فوقتاً ML ماڈل کو مقامی ڈائرکٹری کی تصاویر کے ساتھ چلاتا ہے۔ ماڈل سے حاصل کردہ فی تصویر کا نتیجہ مندرجہ ذیل مواد کے ساتھ ایک ٹینسر ہے:
- اعتماد کے اسکور - ماڈل پتہ لگانے کے بارے میں کتنا پر اعتماد ہے۔
- آبجیکٹ کوآرڈینیٹس - اسکریچ آبجیکٹ کوآرڈینیٹ (x، y، چوڑائی، اونچائی) تصویر میں ماڈل کے ذریعے پتہ چلا
ہمارے معاملے میں، اندازہ کا جزو AWS IoT پر ایک مخصوص MQTT موضوع پر تخمینہ کے نتائج بھیجنے کا خیال رکھتا ہے جہاں اسے مزید کارروائی کے لیے پڑھا جا سکتا ہے۔ یہ پیغامات ڈیبگنگ کے لیے AWS IoT کنسول پر MQTT ٹیسٹ کلائنٹ کے ذریعے دیکھے جا سکتے ہیں۔ پروڈکشن سیٹنگ میں، آپ خود بخود دوسرے سسٹم کو مطلع کرنے کا فیصلہ کر سکتے ہیں جو پروڈکشن لائن سے ناقص میٹل ٹیگز کو ہٹانے کا خیال رکھتا ہے۔
آرکیسٹریشن
جیسا کہ پچھلے حصوں میں دیکھا گیا ہے، ایک ML ماڈل، متعلقہ انفرنس کوڈ، اور مطلوبہ رن ٹائم یا ایجنٹ کو ایج ڈیوائس پر تیار کرنے اور تعینات کرنے کے لیے متعدد مراحل کی ضرورت ہوتی ہے۔ Step Functions ایک مکمل طور پر منظم سروس ہے جو آپ کو ان وقف شدہ مراحل کو ترتیب دینے اور ریاستی مشین کی شکل میں ورک فلو کو ڈیزائن کرنے کی اجازت دیتی ہے۔ اس سروس کی بے سرور نوعیت اور مقامی اسٹیپ فنکشنز کی صلاحیتیں جیسے AWS سروس API انٹیگریشن آپ کو اس ورک فلو کو تیزی سے ترتیب دینے کی اجازت دیتی ہے۔ دوبارہ کوششیں یا لاگنگ جیسی اندرونی صلاحیتیں مضبوط آرکیسٹریشن بنانے کے لیے اہم نکات ہیں۔ خود ریاستی مشین کی تعریف کے بارے میں مزید تفصیلات کے لیے، ملاحظہ کریں۔ GitHub ذخیرہ یا اس مثال کو اپنے اکاؤنٹ میں تعینات کرنے کے بعد سٹیپ فنکشنز کنسول پر سٹیٹ مشین گراف چیک کریں۔
بنیادی ڈھانچے کی تعیناتی اور CI/CD میں انضمام
تمام مطلوبہ بنیادی ڈھانچے کے اجزاء کو مربوط اور تعمیر کرنے کے لیے CI/CD پائپ لائن اسی طرز کی پیروی کرتی ہے جس کی مثال میں حصہ 1 اس سیریز کے. ہم استعمال کرتے ہیں AWS کلاؤڈ ڈویلپمنٹ کٹ (AWS CDK) سے مطلوبہ پائپ لائنوں کو تعینات کرنے کے لیے AWS کوڈ پائپ لائن.
سیکھنے
خودکار، مضبوط، اور محفوظ ایم ایل ماڈل ایج ڈیپلائمنٹ سسٹم کے لیے فن تعمیر کے متعدد طریقے ہیں، جو اکثر استعمال کیس اور دیگر ضروریات پر بہت زیادہ منحصر ہوتے ہیں۔ تاہم، یہاں ہم آپ کے ساتھ کچھ سیکھنا چاہیں گے:
- اگر اضافی ہے تو پہلے سے اندازہ کریں۔ AWS IoT گرین گراس کمپیوٹ وسائل کی ضروریات اپنے کیس کو فٹ کریں، خاص طور پر مجبور کناروں والے آلات کے ساتھ۔
- ایک تعیناتی میکانزم قائم کریں جو ایج ڈیوائس پر چلنے سے پہلے تعینات کیے گئے نمونوں کی تصدیق کے مرحلے کو مربوط کرتا ہے تاکہ یہ یقینی بنایا جا سکے کہ ٹرانسمیشن کے دوران کوئی چھیڑ چھاڑ نہیں ہوئی۔
- AWS IoT Greengrass پر تعیناتی کے اجزاء کو ماڈیولر اور خودمختار رکھنے کے لیے یہ اچھا عمل ہے تاکہ انھیں آزادانہ طور پر تعینات کیا جا سکے۔ مثال کے طور پر، اگر آپ کے پاس نسبتاً چھوٹا انفرنس کوڈ ماڈیول ہے لیکن سائز کے لحاظ سے ایک بڑا ML ماڈل ہے، تو آپ ہمیشہ ان دونوں کو تعینات نہیں کرنا چاہتے ہیں اگر صرف انفرنس کوڈ بدل گیا ہو۔ یہ خاص طور پر اہم ہے جب آپ کے پاس محدود بینڈوڈتھ یا زیادہ قیمت والے ایج ڈیوائس کنیکٹیویٹی ہو۔
نتیجہ
یہ کنارے پر بصری معیار کے معائنے کے لیے ایک اختتام سے آخر تک MLOps پائپ لائن کی تعمیر پر ہماری تین حصوں کی سیریز کا اختتام کرتا ہے۔ ہم نے ان اضافی چیلنجوں کو دیکھا جو ایم ایل ماڈل کو کنارے پر تعینات کرنے کے ساتھ آتے ہیں جیسے ماڈل پیکیجنگ یا پیچیدہ تعیناتی آرکیسٹریشن۔ ہم نے پائپ لائن کو مکمل طور پر خودکار طریقے سے لاگو کیا تاکہ ہم اپنے ماڈلز کو ایک مضبوط، محفوظ، دہرائے جانے کے قابل، اور ٹریس ایبل انداز میں پروڈکشن میں ڈال سکیں۔ اس سلسلے میں تیار کردہ فن تعمیر اور نفاذ کو اپنے اگلے ML- فعال پروجیکٹ کے نقطہ آغاز کے طور پر استعمال کرنے کے لیے آزاد محسوس کریں۔ اگر آپ کے ذہن میں کوئی سوال ہے کہ اپنے ماحول کے لیے اس طرح کے نظام کو کیسے معمار اور بنایا جائے، براہ کرم حاصل کرلیا. دیگر عنوانات اور استعمال کے معاملات کے لیے، ہمارا رجوع کریں۔ مشین لرننگ اور IOT بلاگز
مصنفین کے بارے میں
مائیکل روتھ AWS میں ایک سینئر سولیوشن آرکیٹیکٹ ہے جو AWS ٹیکنالوجی کے ذریعے اپنے کاروباری چیلنجوں کو حل کرنے کے لیے جرمنی میں مینوفیکچرنگ صارفین کی مدد کرتا ہے۔ کام اور خاندان کے علاوہ وہ اسپورٹس کاروں میں دلچسپی رکھتا ہے اور اطالوی کافی سے لطف اندوز ہوتا ہے۔
جارگ ووہرل AWS میں ایک حل آرکیٹیکٹ ہے، جرمنی میں مینوفیکچرنگ صارفین کے ساتھ کام کر رہا ہے۔ آٹومیشن کے شوق کے ساتھ، Joerg نے اپنی AWS سے پہلے کی زندگی میں ایک سافٹ ویئر ڈویلپر، DevOps انجینئر، اور Site Reliability Engineer کے طور پر کام کیا ہے۔ بادل سے آگے، وہ ایک پرجوش رنر ہے اور اپنے خاندان کے ساتھ معیاری وقت کا لطف اٹھاتا ہے۔ لہذا اگر آپ کے پاس DevOps چیلنج ہے یا آپ بھاگنا چاہتے ہیں: اسے بتائیں۔
جوہانس لینگر AWS میں ایک سینئر سولیوشن آرکیٹیکٹ ہے، جو جرمنی میں انٹرپرائز صارفین کے ساتھ کام کر رہا ہے۔ جوہانس حقیقی کاروباری مسائل کو حل کرنے کے لیے مشین لرننگ کو لاگو کرنے کے بارے میں پرجوش ہے۔ اپنی ذاتی زندگی میں، جوہانس کو گھر کی بہتری کے منصوبوں پر کام کرنا اور اپنے خاندان کے ساتھ باہر وقت گزارنا پسند ہے۔
- SEO سے چلنے والا مواد اور PR کی تقسیم۔ آج ہی بڑھا دیں۔
- پلیٹو ڈیٹا ڈاٹ نیٹ ورک ورٹیکل جنریٹو اے آئی۔ اپنے آپ کو بااختیار بنائیں۔ یہاں تک رسائی حاصل کریں۔
- پلیٹوآئ اسٹریم۔ ویب 3 انٹیلی جنس۔ علم میں اضافہ۔ یہاں تک رسائی حاصل کریں۔
- پلیٹو ای ایس جی۔ کاربن، کلین ٹیک، توانائی ، ماحولیات، شمسی، ویسٹ مینجمنٹ یہاں تک رسائی حاصل کریں۔
- پلیٹو ہیلتھ۔ بائیوٹیک اینڈ کلینیکل ٹرائلز انٹیلی جنس۔ یہاں تک رسائی حاصل کریں۔
- ماخذ: https://aws.amazon.com/blogs/machine-learning/build-an-end-to-end-mlops-pipeline-for-visual-quality-inspection-at-the-edge-part-3/
- : ہے
- : ہے
- :کہاں
- $UP
- 150
- 7
- a
- قابلیت
- ہمارے بارے میں
- کے مطابق
- اکاؤنٹ
- درستگی
- اصل
- شامل کریں
- اس کے علاوہ
- ایڈیشنل
- آگے بڑھانے کے
- کے بعد
- کے خلاف
- ایجنٹ
- تمام
- کی اجازت
- کی اجازت دیتا ہے
- پہلے ہی
- بھی
- ہمیشہ
- ایمیزون
- ایمیزون EC2
- ایمیزون ویب سروسز
- اولوالعزم، خواہش مند، حوصلہ مند
- an
- اور
- ایک اور
- کوئی بھی
- اے پی آئی
- درخواست
- ایپلی کیشنز
- کا اطلاق کریں
- درخواست دینا
- فن تعمیر
- کیا
- AS
- ایسڈ
- At
- خود کار طریقے سے
- آٹومیٹڈ
- خودکار
- خود کار طریقے سے
- میشن
- دور
- AWS
- AWS IoT گرین گراس
- واپس
- بینڈوڈتھ
- BE
- کیونکہ
- بن
- رہا
- اس سے پہلے
- شروع
- اس کے علاوہ
- کے درمیان
- سے پرے
- بگ
- بلاگز
- دونوں
- وسیع
- بروکر
- تعمیر
- عمارت
- تعمیر
- تعمیر میں
- بنڈل
- کاروبار
- لیکن
- by
- کالز
- کیمرہ
- کر سکتے ہیں
- صلاحیتوں
- پرواہ
- کاریں
- کیس
- مقدمات
- چیلنج
- چیلنجوں
- تبدیل کر دیا گیا
- چیک کریں
- جانچ پڑتال
- کلائنٹ
- بادل
- کوڈ
- کافی
- کس طرح
- کامن
- ابلاغ
- مواصلات
- مقابلے میں
- پیچیدہ
- جزو
- اجزاء
- کمپیوٹنگ
- اعتماد
- ترتیب
- رابطہ
- مسلسل
- کنسول
- رکاوٹوں
- پر مشتمل ہے
- مواد
- کور
- بنیادی سافٹ ویئر
- اسی کے مطابق
- قیمت
- تخلیق
- تخلیق
- اپنی مرضی کے
- گاہکوں
- اعداد و شمار
- ڈیٹا کی تیاری
- فیصلہ کرنا
- وقف
- گہرے
- وضاحت
- کی وضاحت
- وضاحت کرتا ہے
- تعریف
- ترسیل
- ترسیل
- انحصار
- تعیناتی
- تعینات
- تعینات
- تعیناتی
- تعینات
- ڈیزائن
- تفصیل
- تفصیلات
- کا پتہ لگانے کے
- پتہ چلا
- ترقی یافتہ
- ڈیولپر
- ترقی
- آلہ
- کے الات
- مختلف
- بات چیت
- بات چیت
- تقسیم
- do
- نہیں
- نیچے
- دو
- کے دوران
- ہر ایک
- آسان
- آسانی سے
- ایج
- ہنر
- مؤثر طریقے سے
- کوشش
- یا تو
- یمبیڈ
- خفیہ کاری
- آخر سے آخر تک
- انجن
- انجینئر
- کو یقینی بنانے کے
- انٹرپرائز
- پوری
- ماحولیات
- خاص طور پر
- اندازہ
- بھی
- مثال کے طور پر
- خاندان
- دور
- فیشن
- غلط
- خصوصیات
- محسوس
- چند
- فائل
- فٹ
- توجہ مرکوز
- کے بعد
- مندرجہ ذیل ہے
- کے لئے
- فارم
- فارمیٹ
- مفت
- سے
- مکمل طور پر
- افعال
- مزید
- پیدا
- جرمنی
- Go
- اچھا
- GPUs
- گراف
- ہینڈل
- ہوا
- ہارڈ ویئر
- ہے
- اونچائی
- مدد کرتا ہے
- یہاں
- ہائی
- اعلی سطحی
- اسے
- ان
- ہوم پیج (-)
- کس طرح
- کیسے
- تاہم
- HTML
- HTTP
- HTTPS
- if
- تصویر
- تصاویر
- پر عملدرآمد
- نفاذ
- عملدرآمد
- اہم
- بہتری
- in
- شامل
- شامل ہیں
- سمیت
- موصولہ
- اضافہ
- آزادانہ طور پر
- صنعتی
- انفراسٹرکچر
- ان پٹ
- انسٹال
- انسٹال کرنا
- مثال کے طور پر
- ضم
- انٹیگریٹٹس
- انضمام
- انضمام
- بات چیت
- دلچسپی
- انٹرنیٹ
- چیزوں کے انٹرنیٹ
- میں
- IOT
- آئی او ٹی ڈیوائس
- IT
- اطالوی
- خود
- فوٹو
- JSON
- صرف
- رکھیں
- کلیدی
- جان
- لیبل
- تازہ ترین
- سیکھنے
- دو
- زندگی
- کی طرح
- لمیٹڈ
- لائن
- لنکڈ
- رہتے ہیں
- لوڈ
- لوڈ کر رہا ہے
- مقامی
- واقع ہے
- لاگ ان
- منطق
- دیکھو
- دیکھا
- کھونے
- بہت
- مشین
- مشین لرننگ
- بنا
- بنانا
- انتظام
- میں کامیاب
- انتظام
- مینوفیکچرنگ
- میکانزم
- یاد داشت
- پیغامات
- دھات
- مائیکل
- ML
- ایم ایل اوپس
- ماڈل
- ماڈل
- ماڈیولر
- ماڈیول
- ماڈیولز
- زیادہ
- سب سے زیادہ
- ایک سے زیادہ
- مقامی
- فطرت، قدرت
- ضرورت ہے
- ضروریات
- نئی
- اگلے
- نہیں
- اعتراض
- of
- تجویز
- اکثر
- on
- اوپن سورس
- اصلاح
- or
- آرکیسٹرا
- دیگر
- ہمارے
- باہر
- باہر
- مجموعی طور پر
- پیکج
- پیکیجنگ
- حصہ
- حصے
- جذبہ
- جذباتی
- پاٹرن
- فی
- ذاتی
- پائپ لائن
- پلیٹ فارم
- پلیٹ فارم
- پلاٹا
- افلاطون ڈیٹا انٹیلی جنس
- پلیٹو ڈیٹا
- مہربانی کرکے
- پوائنٹ
- پوائنٹس
- پورٹیبلٹی
- ممکن
- پوسٹ
- طاقتور
- پریکٹس
- کی پیشن گوئی
- پیشن گوئی
- تیاری
- تیار
- تیار
- کی تیاری
- نجی
- مسائل
- عمل
- پروسیسنگ
- پیدا
- پیداوار
- منصوبے
- منصوبوں
- فراہم
- فراہم کرتا ہے
- عوامی
- مقاصد
- ڈال
- ازگر
- سوال و جواب
- معیار
- سوالات
- فوری
- جلدی سے
- پڑھیں
- اصلی
- ریپپ
- سفارش
- کو کم
- کم
- کا حوالہ دیتے ہیں
- کے بارے میں
- رجسٹرڈ
- نسبتا
- وشوسنییتا
- قابل اعتماد
- ہٹا
- کو ہٹانے کے
- بار بار قابل
- کی جگہ
- کی ضرورت
- ضرورت
- ضروریات
- وسائل
- نتیجہ
- نتائج کی نمائش
- مضبوط
- رن
- دوسرے نمبر پر
- چل رہا ہے
- چلتا ہے
- sagemaker
- اسی
- توسیع پذیر
- فیرنا
- سیکشنز
- محفوظ بنانے
- محفوظ طریقے سے
- دیکھنا
- دیکھا
- بھیجنا
- سینئر
- سیریز
- سرور
- بے سرور
- سروس
- سروسز
- مقرر
- قائم کرنے
- سیٹ اپ
- سیکنڈ اور
- ہونا چاہئے
- دکھائیں
- سے ظاہر ہوا
- شوز
- سائٹ
- سائز
- چھوٹے
- So
- سافٹ ویئر کی
- حل
- حل
- حل
- کچھ
- مخصوص
- تیزی
- خرچ کرنا۔
- اسپورٹس
- شروع
- شروع ہوتا ہے
- حالت
- مرحلہ
- مراحل
- براہ راست
- سٹریم
- بعد میں
- اس طرح
- امدادی
- کے نظام
- ٹیکل
- لیتا ہے
- لینے
- ہدف
- کاموں
- تکنیک
- ٹیکنالوجی
- شرائط
- ٹیسٹ
- کہ
- ۔
- ریاست
- ان
- ان
- تو
- یہ
- چیزیں
- اس
- ان
- تین
- تین قدم
- کے ذریعے
- وقت
- کرنے کے لئے
- مل کر
- موضوع
- موضوعات
- ٹریس ایبل
- تربیت یافتہ
- ٹریننگ
- منتقل
- دو
- عام طور پر
- منفرد
- اپ لوڈ کرنا
- us
- استعمال کی شرائط
- استعمال کیس
- استعمال کیا جاتا ہے
- کا استعمال کرتے ہوئے
- تصدیق کریں۔
- قیمت
- توثیق
- بہت
- کی طرف سے
- چاہتے ہیں
- راستہ..
- طریقوں
- we
- ویب
- ویب خدمات
- اچھا ہے
- جب
- جس
- پوری
- چوڑائی
- ساتھ
- کے اندر
- بغیر
- کام
- کام کیا
- کام کا بہاؤ
- کام کر
- گا
- X
- ابھی
- تم
- اور
- زیفیرنیٹ