Amazon SageMaker Autopilot ML ماڈلز کو Amazon SageMaker پائپ لائنز کا استعمال کرتے ہوئے تجربات سے پروڈکشن میں منتقل کریں۔

ایمیزون سیج میکر آٹو پائلٹ آپ کے ڈیٹا کی بنیاد پر بہترین کسٹم مشین لرننگ (ML) ماڈل خود بخود بناتا، ٹرین کرتا اور ٹیون کرتا ہے۔ یہ ایک خودکار مشین لرننگ (AutoML) حل ہے جو ہاتھ سے لکھے ہوئے ML ماڈلز کی بھاری لفٹنگ کو ختم کرتا ہے جس کے لیے ML مہارت کی ضرورت ہوتی ہے۔ ڈیٹا سائنسدانوں کو صرف ایک ٹیبلولر ڈیٹاسیٹ فراہم کرنے اور پیشین گوئی کرنے کے لیے ہدف کالم کو منتخب کرنے کی ضرورت ہوتی ہے، اور آٹو پائلٹ خود بخود مسئلے کی قسم کا اندازہ لگاتا ہے، ڈیٹا پری پروسیسنگ اور فیچر انجینئرنگ کرتا ہے، الگورتھم اور ٹریننگ موڈ کا انتخاب کرتا ہے، اور بہترین ML ماڈل تلاش کرنے کے لیے مختلف کنفیگریشنز کو تلاش کرتا ہے۔ پھر آپ ماڈل کو براہ راست ایک پر تعینات کر سکتے ہیں۔ ایمیزون سیج میکر ماڈل کے معیار کو مزید بہتر بنانے کے لیے تجویز کردہ حل پر اختتامی نقطہ یا اعادہ کریں۔

اگرچہ آٹو پائلٹ ایم ایل ماڈلز کی تعمیر کی بھاری لفٹنگ کو ختم کرتا ہے، لیکن MLOps انجینئرز کو اب بھی اینڈ ٹو اینڈ ایم ایل ورک فلوز بنانا، خود کار بنانا اور ان کا انتظام کرنا ہے۔ ایمیزون سیج میکر پائپ لائنز ML لائف سائیکل کے مختلف مراحل کو خودکار کرنے میں آپ کی مدد کرتا ہے، بشمول ڈیٹا پری پروسیسنگ، ٹریننگ، ٹیوننگ اور ایم ایل ماڈلز کا جائزہ، اور ان کو تعینات کرنا۔

اس پوسٹ میں، ہم یہ دکھاتے ہیں کہ پائپ لائنز کا استعمال کرتے ہوئے آٹو پائلٹ کے تیار کردہ ایم ایل ماڈل کو تربیت دینے اور جانچنے کے لیے آخر سے آخر تک ML ورک فلو کیسے بنایا جائے اور اسے سیج میکر ماڈل رجسٹری. بہترین کارکردگی کے ساتھ ایم ایل ماڈل کو سیج میکر اینڈ پوائنٹ پر تعینات کیا جا سکتا ہے۔

ڈیٹا سیٹ کا جائزہ

ہم ذیابیطس کے مریضوں کے لیے عوامی طور پر دستیاب ہسپتال ریڈمیشن ڈیٹاسیٹ کا استعمال کرتے ہیں تاکہ ڈسچارج ہونے کے 30 دنوں کے اندر ذیابیطس کے مریضوں کے دوبارہ داخلے کی پیش گوئی کی جا سکے۔ یہ ایک نمونہ شدہ ورژن ہے "ذیابیطس 130-امریکی ہسپتال سال 1999-2008 ڈیٹا سیٹ"۔ یہ ایک کثیر طبقے کی درجہ بندی کا مسئلہ ہے کیونکہ دوبارہ داخلے کے اختیارات یا تو ہیں۔ < 30 اگر مریض کو 30 دن کے اندر دوبارہ داخل کیا جاتا ہے، > 30 اگر مریض کو 30 دن کے بعد دوبارہ داخل کیا جاتا ہے، یا دوبارہ داخل ہونے کا کوئی ریکارڈ نہیں ہے۔

ڈیٹاسیٹ میں 50,000 قطاریں اور 15 کالم ہیں۔ اس میں مریضوں کے بارے میں آبادیاتی معلومات کے ساتھ ساتھ ان کے ہسپتال کے دورے کے ریکارڈ اور شامل ہیں۔ readmitted ہدف کالم کے طور پر. درج ذیل جدول کالم کی تفصیلات کا خلاصہ کرتا ہے۔

حل جائزہ

ہم پائپ لائنوں کا استعمال کرتے ہیں۔ ایمیزون سیج میکر اسٹوڈیو مختلف آرکیسٹریٹ کرنا پائپ لائن کے اقدامات آٹو پائلٹ ماڈل کو تربیت دینے کی ضرورت ہے۔ ایک آٹو پائلٹ تجربہ جیسا کہ اس پوسٹ میں بیان کیا گیا ہے AWS SDKs کا استعمال کرتے ہوئے بنایا اور چلایا جاتا ہے۔ آٹو پائلٹ تربیتی ملازمتیں اپنے مخصوص SageMaker پسدید کے عمل کو شروع کرتی ہیں، اور سرشار سیج میکر API کالز نئی تربیتی ملازمتیں شروع کرنے، تربیتی ملازمت کے حالات کی نگرانی کرنے، اور تربیت یافتہ آٹو پائلٹ ماڈلز کو طلب کرنے کی ضرورت ہے۔

اس اختتام سے آخر تک آٹو پائلٹ ٹریننگ کے عمل کے لیے درج ذیل اقدامات درکار ہیں:

1. آٹو پائلٹ ٹریننگ جاب بنائیں۔
2. تربیتی ملازمت کی حیثیت کی نگرانی کریں۔
3. ٹیسٹ ڈیٹاسیٹ پر تربیت یافتہ ماڈل کی کارکردگی کا اندازہ کریں۔
4. ماڈل رجسٹری میں ماڈل کو رجسٹر کریں۔

جب رجسٹرڈ ماڈل دستی جائزے کے بعد متوقع کارکردگی کی ضروریات کو پورا کرتا ہے، تو آپ ماڈل کو a پر تعینات کر سکتے ہیں۔ سیج میکر اینڈ پوائنٹ اسٹینڈ اسٹون تعیناتی اسکرپٹ کا استعمال کرتے ہوئے

مندرجہ ذیل آرکیٹیکچر ڈایاگرام مختلف پائپ لائن اقدامات کی وضاحت کرتا ہے جو دوبارہ پیدا کرنے کے قابل، خودکار، اور توسیع پذیر آٹو پائلٹ ٹریننگ پائپ لائن میں تمام مراحل کو پیک کرنے کے لیے ضروری ہے۔ ہر قدم ورک فلو میں ایک مخصوص کام کے لیے ذمہ دار ہے:

1. An او ڈبلیو ایس لامبڈا۔ فنکشن آٹو پائلٹ ٹریننگ کا کام شروع کرتا ہے۔
2. ایک کال بیک مرحلہ اس کام کی حیثیت کو مسلسل مانیٹر کرتا ہے۔
3. جب تربیتی ملازمت کی حیثیت مکمل ہو جاتی ہے، تو ہم ماڈل کی کارکردگی کا جائزہ لینے کے لیے SageMaker پروسیسنگ جاب استعمال کرتے ہیں۔
4. آخر میں، ہم ML ماڈل کو رجسٹر کرنے کے لیے ایک اور Lambda فنکشن کا استعمال کرتے ہیں اور SageMaker ماڈل رجسٹری میں کارکردگی کے میٹرکس۔

ڈیٹا فائلوں کو سے پڑھا جاتا ہے۔ ایمیزون سادہ اسٹوریج سروس (ایمیزون S3) بالٹی اور پائپ لائن کے مراحل کو ترتیب وار کہا جاتا ہے۔

سیج میکر پائپ لائن کا آرکیٹیکچر ڈایاگرام

مندرجہ ذیل حصوں میں، ہم کوڈ کا جائزہ لیتے ہیں اور ہر قدم کے اجزاء پر تبادلہ خیال کرتے ہیں۔ حل کو تعینات کرنے کے لیے، حوالہ دیں۔ GitHub repo، جو پائپ لائنز کا استعمال کرتے ہوئے آٹو پائلٹ MLOps ورک فلو کو نافذ کرنے کے لیے مرحلہ وار ہدایات فراہم کرتا ہے۔

شرائط

اس واک تھرو کے لیے، درج ذیل ضروری مراحل کو مکمل کریں:

1. سیٹ اپ a AWS اکاؤنٹ.
2. اسٹوڈیو کا ماحول بنائیں۔
3. دو بنائیں AWS شناخت اور رسائی کا انتظام (IAM) کردار: LambdaExecutionRole اور SageMakerExecutionRole, اجازتوں کے ساتھ جیسا کہ SageMaker نوٹ بک میں بیان کیا گیا ہے۔ بہتر سیکورٹی کے لیے منظم پالیسیوں کا دائرہ مزید کم کیا جانا چاہیے۔ ہدایات کے لیے، رجوع کریں۔ IAM صارف کو اجازتیں تفویض کرنے کے لیے ایک کردار بنانا.
4. اسٹوڈیو کنسول پر، سے کوڈ اپ لوڈ کریں۔ GitHub repo.
5. سیج میکر نوٹ بک کھولیں۔ autopilot_pipelines_demo_notebook.ipynb اور نیچے خلیات کو چلائیں۔ ڈیٹاسیٹ حاصل کریں۔ ڈیٹا ڈاؤن لوڈ کرنے اور اسے اپنی S3 بالٹی میں اپ لوڈ کرنے کے لیے۔
   1. ڈیٹا ڈاؤن لوڈ کریں اور اسے ڈیٹا نامی فولڈر میں ان زپ کریں:

      !unzip -o data/data.zip -d data
      !mkdir data
      !wget https://static.us-east-1.prod.workshops.aws/public/d56bf7ad-9738-4edf-9be0-f03cd22d8cf2/static/resources/hcls/diabetic.zip -nc -O data/data.zip
      

   2. ڈیٹا کو ٹرین ویل اور ٹیسٹ فائلوں میں تقسیم کریں اور انہیں اپنی S3 بالٹی میں اپ لوڈ کریں۔ ٹرین ویل فائل آٹو پائلٹ کے ذریعہ خود بخود تربیت اور توثیق کے ڈیٹاسیٹ میں تقسیم ہوجاتی ہے۔ ٹیسٹ فائل کو دو الگ الگ فائلوں میں تقسیم کیا گیا ہے: ایک فائل بغیر ہدف کے کالم کے اور دوسری فائل جس میں صرف ہدف والے کالم ہیں۔

      data = pd.read_csv(DATASET_PATH)
      train_val_data = data.sample(frac=0.8)
      test_data = data.drop(train_val_data.index)
      train_val_data.to_csv(train_val_dataset_s3_path.default_value, index=False, header=True)
      test_data.drop(target_attribute_name.default_value, axis=1).to_csv(
      x_test_s3_path.default_value, index=False, header=False
      )
      test_data[target_attribute_name.default_value].to_csv(
      y_test_s3_path.default_value, index=False, header=True)
      

جب ڈیٹا سیٹ استعمال کرنے کے لیے تیار ہو جاتا ہے، تو اب ہم آٹو پائلٹ کا استعمال کرتے ہوئے حسب ضرورت ایم ایل ماڈلز بنانے اور تربیت دینے کے لیے دوبارہ قابل عمل عمل قائم کرنے کے لیے پائپ لائنیں ترتیب دے سکتے ہیں۔ ہم استعمال کرتے ہیں بوٹو 3 اور سیج میکر SDK آٹو ایم ایل جابز کو خودکار انداز میں لانچ کرنے، ٹریک کرنے اور جانچنے کے لیے۔

پائپ لائن کے مراحل کی وضاحت کریں۔

اس سیکشن میں، ہم آپ کو پائپ لائن میں چار مراحل طے کرنے کے بارے میں بتاتے ہیں۔

آٹو پائلٹ کا کام شروع کریں۔

یہ پائپ لائن مرحلہ a کا استعمال کرتا ہے۔ لیمبڈا قدم، جو سرور لیس لیمبڈا فنکشن چلاتا ہے۔ ہم لیمبڈا مرحلہ استعمال کرتے ہیں کیونکہ آٹو پائلٹ کو API کال ہلکا پھلکا ہے۔ لیمبڈا فنکشنز بغیر سرور اور اس کام کے لیے موزوں ہیں۔ لیمبڈا کے اقدامات کے بارے میں مزید معلومات کے لیے رجوع کریں۔ ہلکے وزن کے ماڈل کی تعیناتیوں کے لیے سیج میکر پائپ لائن لیمبڈا سٹیپ استعمال کریں۔. لیمبڈا فنکشن میں start_autopilot_job.py اسکرپٹ ایک آٹو پائلٹ کام تخلیق کرتا ہے۔.

ہم Boto3 Autopilot API کال استعمال کرتے ہیں۔ تخلیق_آٹو_ایم ایل_جاب درج ذیل پیرامیٹرز کے ساتھ آٹو پائلٹ جاب کنفیگریشن کی وضاحت کرنے کے لیے:

• AutoMLJobName - آٹو پائلٹ جاب کا نام۔
• InputDataConfig - تربیتی ڈیٹا، ایمیزون S3 میں ڈیٹا لوکیشن، اور S3 ڈیٹا کی قسم درست اقدار کے ساتھ جیسے S3Prefix, ManifestFile، اور AugmentedManifestFile.
• آؤٹ پٹ ڈیٹا کنفیگ - S3 آؤٹ پٹ پاتھ جہاں آٹو ایم ایل جاب کے نمونے محفوظ کیے جاتے ہیں۔
• مسئلہ کی قسم - دی مسئلہ کی قسم (MulticlassClassification ہمارے استعمال کے معاملے کے لئے)۔
• AutoMLJobObjective - F1macro ہمارا ہے مقصد میٹرک ہمارے استعمال کے کیس کے لیے۔
• AutoMLJobConfig - دی تربیتی موڈ یہاں بیان کیا گیا ہے۔ ہم نئے جاری کردہ استعمال کرتے ہیں۔ جوڑ ٹریننگ موڈ کی طرف سے طاقت آٹوگلون.

درج ذیل کوڈ دیکھیں:

def lambda_handler(event, context):
sagemaker_client.create_auto_ml_job(
AutoMLJobName=event["AutopilotJobName"],
InputDataConfig=[
{
"DataSource": {
"S3DataSource": {
"S3DataType": "S3Prefix",
"S3Uri": event["TrainValDatasetS3Path"],
}
},
"TargetAttributeName": event["TargetAttributeName"],
}
],
OutputDataConfig={"S3OutputPath": event["TrainingOutputS3Path"]},
ProblemType=event["ProblemType"],
AutoMLJobObjective={"MetricName": event["AutopilotObjectiveMetricName"]},
AutoMLJobConfig={
"CompletionCriteria": {
"MaxCandidates": event["MaxCandidates"],
"MaxRuntimePerTrainingJobInSeconds": event[
"MaxRuntimePerTrainingJobInSeconds"
],
"MaxAutoMLJobRuntimeInSeconds": event["MaxAutoMLJobRuntimeInSeconds"],
},
"Mode": event["AutopilotMode"],
},
RoleArn=event["AutopilotExecutionRoleArn"],
)

آٹو پائلٹ ملازمت کی حیثیت چیک کریں۔

A کال بیک مرحلہ آٹو پائلٹ ٹریننگ جاب کی حیثیت سے باخبر رہنے میں ہماری مدد کرتا ہے۔

یہ مرحلہ ایک علیحدہ لیمبڈا فنکشن کا استعمال کرتے ہوئے تربیتی ملازمت کی حیثیت کو بار بار ٹریک کرتا ہے۔ check_autopilot_job_status.py اس کی تکمیل تک.

کال بیک مرحلہ an میں ایک ٹوکن رکھتا ہے۔ ایمیزون سادہ قطار سروس (ایمیزون ایس کیو ایس) قطار جو تربیتی ملازمت کی حیثیت کو چیک کرنے کے لیے لیمبڈا فنکشن کو متحرک کرتی ہے:

• اگر کام اب بھی چل رہا ہے تو، لیمبڈا فنکشن ایک استثناء پیدا کرتا ہے اور پیغام کو واپس SQS قطار میں رکھ دیا جاتا ہے۔
• اگر کام مکمل ہو جاتا ہے تو، لیمبڈا فنکشن کو کامیابی کا پیغام واپس بھیجتا ہے۔ Callback قدم اور پائپ لائن اگلے مرحلے کے ساتھ جاری ہے۔

ہم a کا مجموعہ استعمال کرتے ہیں۔ Callback قدم اور ایک لیمبڈا فنکشن۔ اس کے بجائے سیج میکر پروسیسنگ جاب استعمال کرنے کا ایک متبادل آپشن موجود ہے۔

بہترین آٹو پائلٹ ماڈل کا اندازہ لگائیں۔

۔ سیج میکر پروسیسنگ مرحلہ شروع کرتا ہے a سیج میکر بیچ ٹرانسفارم جاب تربیت یافتہ آٹو پائلٹ ماڈل کی تشخیص کے ڈیٹاسیٹ (ٹیسٹ سیٹ جو S3 بالٹی میں محفوظ کیا گیا تھا) کے خلاف جانچنے کے لیے اور کارکردگی میٹرکس کی تشخیص کی رپورٹ اور ماڈل کی وضاحتی میٹرکس تیار کرتا ہے۔ تشخیص کا اسکرپٹ آٹو پائلٹ جاب کا نام بطور ان پٹ دلیل لیتا ہے اور بیچ ٹرانسفارم جاب کا آغاز کرتا ہے۔

جب بیچ ٹرانسفارم کا کام مکمل ہو جاتا ہے، تو ہمیں ٹیسٹ سیٹ کے لیے آؤٹ پٹ پیشین گوئیاں ملتی ہیں۔ آؤٹ پٹ کی پیشین گوئیوں کا موازنہ Scikit-learn میٹرکس فنکشنز کا استعمال کرتے ہوئے اصل (زمینی سچائی) لیبل سے کیا جاتا ہے۔ ہم اپنے نتائج کی بنیاد پر جانچتے ہیں۔ F1 سکور, صحت سے متعلق، اور یاد. کارکردگی کے میٹرکس کو JSON فائل میں محفوظ کیا جاتا ہے، جس کا حوالہ اگلے مرحلے میں ماڈل کو رجسٹر کرتے وقت دیا جاتا ہے۔

آٹو پائلٹ ماڈل کو رجسٹر کریں۔

ہم ایک اور لیمبڈا مرحلہ استعمال کرتے ہیں، جس میں لیمبڈا کام کرتا ہے۔ register_autopilot_job.py آٹو پائلٹ ماڈل کو SageMaker ماڈل رجسٹری میں رجسٹر کرتا ہے جو پچھلے SageMaker پروسیسنگ مرحلے میں حاصل کردہ تشخیصی رپورٹ کا استعمال کرتا ہے۔ ایک لیمبڈا قدم یہاں لاگت کی کارکردگی اور تاخیر کے لیے استعمال کیا جاتا ہے۔

اس مقام پر، ہم نے اپنے نئے آٹو پائلٹ ماڈل کو SageMaker ماڈل رجسٹری میں کامیابی کے ساتھ رجسٹر کر لیا ہے۔ آپ اسٹوڈیو پر نئے ماڈل کو منتخب کرکے دیکھ سکتے ہیں۔ ماڈل رجسٹری پر سیج میکر کے وسائل مینو اور افتتاحی autopilot-demo-package. زیرِ مقصد معروضی میٹرکس کو دیکھنے کے لیے تربیتی کام کا کوئی بھی ورژن منتخب کریں۔ ماڈل کا معیار.

آپ وضاحتی رپورٹ کو استعمال کر سکتے ہیں۔ وضاحت کی صلاحیت اپنے ماڈل کی پیشین گوئیوں کو سمجھنے کے لیے ٹیب۔

بنائے گئے ہر ماڈل کے لیے چلائے جانے والے تجربات کو دیکھنے کے لیے، پر تشریف لے جائیں۔ تجربات اور آزمائشیں۔ صفحہ درج کردہ تجربات میں سے ایک کا انتخاب کریں (دائیں کلک کریں) اور منتخب کریں۔ آٹو ایم ایل کام کی وضاحت کریں۔ ماڈل لیڈر بورڈ دیکھنے کے لیے۔

پر پائپ لائن کے اقدامات کو دیکھنے کے لئے تجربات اور آزمائشیں۔ صفحہ، تجربہ کو منتخب کریں (دائیں کلک کریں) اور منتخب کریں۔ پائپ لائن کی تفصیلات کھولیں۔.

پائپ لائن بنائیں اور چلائیں۔

پائپ لائن کے مراحل کی وضاحت کرنے کے بعد، ہم انہیں ایک میں جوڑ دیتے ہیں۔ سیج میکر پائپ لائن. مراحل ترتیب وار چلائے جاتے ہیں۔ پائپ لائن آٹو ایم ایل جاب کے تمام مراحل کو چلاتی ہے، ٹریننگ، ماڈل کی تشخیص، اور ماڈل رجسٹریشن کے لیے آٹو پائلٹ کا استعمال کرتی ہے۔ درج ذیل کوڈ دیکھیں:

pipeline = Pipeline(
name="autopilot-demo-pipeline",
parameters=[
autopilot_job_name,
target_attribute_name,
train_val_dataset_s3_path,
x_test_s3_path,
y_test_s3_path,
max_autopilot_candidates,
max_autopilot_job_runtime,
max_autopilot_training_job_runtime,
instance_count,
instance_type,
model_approval_status,
],
steps=[
step_start_autopilot_job,
step_check_autopilot_job_status_callback,
step_autopilot_model_evaluation,
step_register_autopilot_model,
],
sagemaker_session=sagemaker_session,
)

ماڈل تعینات کریں۔

ایم ایل ماڈل کی کارکردگی کا دستی طور پر جائزہ لینے کے بعد، ہم اپنے نئے بنائے گئے ماڈل کو سیج میکر اینڈ پوائنٹ پر تعینات کر سکتے ہیں۔ اس کے لیے، ہم نوٹ بک میں سیل چلا سکتے ہیں جو SageMaker ماڈل رجسٹری میں محفوظ کردہ ماڈل کنفیگریشن کا استعمال کرتے ہوئے ماڈل اینڈ پوائنٹ بناتا ہے۔

نوٹ کریں کہ اس اسکرپٹ کو مظاہرے کے مقاصد کے لیے شیئر کیا گیا ہے، لیکن پروڈکشن کی تعیناتی کے لیے زیادہ مضبوط CI/CD پائپ لائن کی پیروی کرنے کی سفارش کی جاتی ہے۔ مزید معلومات کے لیے رجوع کریں۔ ایمیزون سیج میکر پائپ لائنز کا استعمال کرتے ہوئے ایم ایل ورک فلو کی تعمیر، خودکار، انتظام، اور اسکیلنگ.

نتیجہ

اس پوسٹ نے آٹو پائلٹ، پائپ لائنز اور اسٹوڈیو کا استعمال کرتے ہوئے ٹیبلولر ایم ایل ماڈلز (آٹو ایم ایل) کو خود بخود تربیت دینے کے لیے استعمال میں آسان ML پائپ لائن اپروچ کو بیان کیا ہے۔ AutoML ML پریکٹیشنرز کی کارکردگی کو بہتر بناتا ہے، ML تجربات سے پیداوار تک کے راستے کو وسیع ML مہارت کی ضرورت کے بغیر تیز کرتا ہے۔ ہم نے ML ماڈل کی تخلیق، تشخیص، اور رجسٹریشن کے لیے درکار متعلقہ پائپ لائن اقدامات کا خاکہ پیش کیا۔

پر کوڈ تک رسائی حاصل کرکے شروع کریں۔ GitHub repo اپنے حسب ضرورت آٹو ایم ایل ماڈلز کو تربیت اور تعینات کرنے کے لیے۔

پائپ لائنز اور آٹو پائلٹ کے بارے میں مزید معلومات کے لیے رجوع کریں۔ ایمیزون سیج میکر پائپ لائنز اور ایمیزون سیج میکر آٹو پائلٹ کے ساتھ ماڈل کی ترقی کو خودکار بنائیںبالترتیب.

مصنفین کے بارے میں

پیئر ڈی مالیارڈ AWS کے لیے ایک مکمل اسٹیک ڈیٹا سائنٹسٹ ہے اور مشین لرننگ کے ذریعے صارفین کو ان کے کاروباری نتائج کو بہتر بنانے میں مدد کرنے کے لیے پرجوش ہے۔ وہ ہیلتھ کیئر سیکٹر میں AI/ML سلوشنز بنا رہا ہے۔ اس کے پاس متعدد AWS سرٹیفیکیشن ہیں۔ اپنے فارغ وقت میں، پیئر بیک کنٹری اسکیئنگ اور اسپیئر فشنگ سے لطف اندوز ہوتا ہے۔

پاوانی دعا AWS AI تنظیم میں ایک اپلائیڈ سائنٹسٹ ہے۔ Amazon ML Solutions Lab میں، وہ ML سلوشنز کا استعمال کرتے ہوئے صارفین کے ساتھ ان کے کاروباری مسائل حل کرنے کے لیے کام کرتی ہے۔ کام سے باہر، وہ پیدل سفر، پڑھنے اور بیکنگ سے لطف اندوز ہوتی ہے۔

مارسیلو ایبرل AWS AI تنظیم میں ایک ML انجینئر ہے۔ وہ Amazon ML Solutions Lab میں MLOps کی کوششوں کی رہنمائی کر رہا ہے، جس سے صارفین کو توسیع پذیر ML سسٹمز کو ڈیزائن اور لاگو کرنے میں مدد مل رہی ہے۔ اس کا مشن صارفین کو ان کے انٹرپرائز ML سفر پر رہنمائی کرنا اور پیداوار کے لیے ان کے ML راستے کو تیز کرنا ہے۔ وہ کیلیفورنیا کی فطرت کا مداح ہے اور سان فرانسسکو کے گرد پیدل سفر اور سائیکل چلانے سے لطف اندوز ہوتا ہے۔