Amazon SageMaker JumpStart اب اپنی مرضی کے مطابق درجہ بندی اور کسٹم ہستی کا پتہ لگانے کے لیے Amazon Comprehend نوٹ بک پیش کرتا ہے۔

ایمیزون کی تعریف ایک قدرتی لینگویج پروسیسنگ (NLP) سروس ہے جو متن سے بصیرت دریافت کرنے کے لیے مشین لرننگ (ML) کا استعمال کرتی ہے۔ Amazon Comprehend اپنی مرضی کے مطابق خصوصیات فراہم کرتا ہے، اپنی مرضی کے مطابق ہستی کی شناخت, اپنی مرضی کے مطابق درجہ بندی، اور پہلے سے تربیت یافتہ APIs جیسے کہ کلیدی فقرہ نکالنا، جذبات کا تجزیہ، ہستی کی شناخت، اور بہت کچھ تاکہ آپ آسانی سے اپنی ایپلی کیشنز میں NLP کو ضم کر سکیں۔

ہم نے حال ہی میں Amazon Comprehend سے متعلق نوٹ بکس کو شامل کیا۔ ایمیزون سیج میکر جمپ اسٹارٹ نوٹ بکس جو آپ کو Amazon Comprehend کسٹم کلاسیفائر اور کسٹم ہستی شناخت کنندہ کا استعمال شروع کرنے میں تیزی سے مدد کر سکتی ہیں۔ آپ دستاویزات کو ان زمروں (کلاسز) میں ترتیب دینے کے لیے حسب ضرورت درجہ بندی کا استعمال کر سکتے ہیں جن کی آپ وضاحت کرتے ہیں۔ حسب ضرورت ہستی کی شناخت Amazon Comprehend پہلے سے تربیت یافتہ entity detection API کی صلاحیت کو بڑھاتی ہے جس سے آپ کو ایسی ہستی کی اقسام کی شناخت کرنے میں مدد ملتی ہے جو آپ کے ڈومین یا کاروبار کے لیے منفرد ہیں جو پہلے سے طے شدہ جنرک میں نہیں ہیں۔ ہستی کی اقسام.

اس پوسٹ میں، ہم آپ کو دکھاتے ہیں کہ آپ کے انٹرپرائز NLP کی ضروریات کے حصے کے طور پر Amazon Comprehend اپنی مرضی کے مطابق درجہ بندی اور کسٹم ہستی کا پتہ لگانے والے ماڈلز بنانے کے لیے جمپ اسٹارٹ کا استعمال کیسے کریں۔

سیج میکر جمپ اسٹارٹ

۔ ایمیزون سیج میکر اسٹوڈیو لینڈنگ پیج جمپ اسٹارٹ استعمال کرنے کا آپشن فراہم کرتا ہے۔ جمپ اسٹارٹ مختلف قسم کے مسائل کے لیے پہلے سے تربیت یافتہ ماڈل فراہم کرکے شروع کرنے کا ایک تیز طریقہ فراہم کرتا ہے۔ آپ ان ماڈلز کو تربیت اور ٹیون کر سکتے ہیں۔ جمپ سٹارٹ دوسرے وسائل جیسے نوٹ بک، بلاگز اور ویڈیوز بھی فراہم کرتا ہے۔

جمپ سٹارٹ نوٹ بک بنیادی طور پر نمونہ کوڈ ہیں جسے آپ تیزی سے شروع کرنے کے لیے نقطہ آغاز کے طور پر استعمال کر سکتے ہیں۔ فی الحال، ہم آپ کو 40 سے زیادہ نوٹ بک فراہم کرتے ہیں جنہیں آپ حسب ضرورت استعمال کر سکتے ہیں یا حسب ضرورت بنا سکتے ہیں۔ آپ تلاش یا ٹیب والے ویو پینل کا استعمال کرکے اپنی نوٹ بک تلاش کرسکتے ہیں۔ جس نوٹ بک کو آپ استعمال کرنا چاہتے ہیں اسے ڈھونڈنے کے بعد، آپ نوٹ بک کو درآمد کر سکتے ہیں، اسے اپنی ضروریات کے مطابق بنا سکتے ہیں، اور نوٹ بک کو چلانے کے لیے انفراسٹرکچر اور ماحول کو منتخب کر سکتے ہیں۔

جمپ اسٹارٹ نوٹ بک کے ساتھ شروعات کریں۔

جمپ اسٹارٹ کے ساتھ شروع کرنے کے لیے، پر جائیں۔ ایمیزون سیج میکر کنسول اور اوپن اسٹوڈیو۔ کا حوالہ دیتے ہیں سیج میکر اسٹوڈیو کے ساتھ شروعات کریں۔ اسٹوڈیو کے ساتھ شروع کرنے کے طریقے سے متعلق ہدایات کے لیے۔ پھر درج ذیل مراحل کو مکمل کریں:

1. اسٹوڈیو میں، جمپ اسٹارٹ کے لانچ پیج پر جائیں اور منتخب کریں۔ سیج میکر جمپ اسٹارٹ پر جائیں۔.

آپ کو تلاش کرنے کے متعدد طریقے پیش کیے گئے ہیں۔ آپ جو چاہیں حاصل کرنے کے لیے یا تو اوپر والے ٹیبز کا استعمال کر سکتے ہیں، یا مندرجہ ذیل اسکرین شاٹ میں دکھایا گیا سرچ باکس استعمال کر سکتے ہیں۔

2. نوٹ بک تلاش کرنے کے لیے، ہم پر جاتے ہیں۔ نوٹ بک ٹیب.

لکھنے کے وقت، جمپ اسٹارٹ 47 نوٹ بک پیش کرتا ہے۔ آپ Amazon Comprehend متعلقہ نوٹ بک تلاش کرنے کے لیے فلٹرز استعمال کر سکتے ہیں۔

3. پر مواد کی قسم ڈراپ ڈاؤن مینو ، منتخب کریں۔ نوٹ بک.

جیسا کہ آپ مندرجہ ذیل اسکرین شاٹ میں دیکھ سکتے ہیں، ہمارے پاس فی الحال دو Amazon Comprehend نوٹ بک ہیں۔

مندرجہ ذیل حصوں میں، ہم دونوں نوٹ بک کو دریافت کرتے ہیں۔

ایمیزون کمپریہنڈ کسٹم کلاسیفائر

اس نوٹ بک میں، ہم یہ ظاہر کرتے ہیں کہ کس طرح استعمال کیا جائے۔ کسٹم کلاسیفائر API دستاویز کی درجہ بندی کا ماڈل بنانے کے لیے۔

کسٹم کلاسیفائر ایک مکمل طور پر منظم Amazon Comprehend خصوصیت ہے جو آپ کو اپنی مرضی کے مطابق ٹیکسٹ کلاسیفکیشن ماڈل بنانے دیتا ہے جو آپ کے کاروبار کے لیے منفرد ہیں، چاہے آپ کے پاس ML مہارت نہ ہو یا کم ہو۔ کسٹم کلاسیفائر Amazon Comprehend کی موجودہ صلاحیتوں پر بناتا ہے، جو پہلے ہی دسیوں لاکھوں دستاویزات پر تربیت یافتہ ہیں۔ یہ NLP درجہ بندی ماڈل بنانے کے لیے درکار پیچیدگی کا خلاصہ کرتا ہے۔ حسب ضرورت درجہ بندی خودکار طور پر تربیتی ڈیٹا کو لوڈ اور معائنہ کرتا ہے، صحیح ML الگورتھم کا انتخاب کرتا ہے، آپ کے ماڈل کو تربیت دیتا ہے، بہترین ہائپر پیرامیٹر تلاش کرتا ہے، ماڈل کی جانچ کرتا ہے، اور ماڈل کی کارکردگی کے میٹرکس فراہم کرتا ہے۔ ایمیزون کمپریہنڈ کسٹم کلاسیفائر پورے ایم ایل ورک فلو کے لیے استعمال میں آسان کنسول بھی فراہم کرتا ہے، بشمول لیبلنگ ٹیکسٹ کا استعمال کرتے ہوئے ایمیزون سیج میکر گراؤنڈ ٹروتھ، ایک ماڈل کی تربیت اور تعیناتی، اور ٹیسٹ کے نتائج کا تصور کرنا۔ Amazon Comprehend کسٹم کلاسیفائر کے ساتھ، آپ درج ذیل ماڈل بنا سکتے ہیں:

• ملٹی کلاس درجہ بندی کا ماڈل - کثیر طبقے کی درجہ بندی میں، ہر دستاویز کو ایک اور صرف ایک کلاس تفویض کیا جا سکتا ہے۔ انفرادی طبقات باہمی طور پر خصوصی ہیں۔ مثال کے طور پر، ایک فلم کو دستاویزی فلم یا سائنس فکشن کے طور پر درجہ بندی کیا جا سکتا ہے، لیکن ایک ہی وقت میں دونوں نہیں۔
• ملٹی لیبل کی درجہ بندی کا ماڈل - ملٹی لیبل کی درجہ بندی میں، انفرادی کلاسیں مختلف زمروں کی نمائندگی کرتی ہیں، لیکن یہ زمرے کسی نہ کسی طرح سے جڑے ہوئے ہیں اور باہمی طور پر خصوصی نہیں ہیں۔ نتیجے کے طور پر، ہر دستاویز کو کم از کم ایک کلاس تفویض کی گئی ہے، لیکن اس سے زیادہ ہو سکتی ہے۔ مثال کے طور پر، ایک فلم صرف ایک ایکشن مووی ہو سکتی ہے، یا یہ ایک ایکشن مووی، سائنس فکشن مووی، اور ایک کامیڈی ہو سکتی ہے۔

اس نوٹ بک کو مثال کے ڈیٹاسیٹ یا آپ کے اپنے کاروبار کے مخصوص ڈیٹاسیٹ کے ساتھ ماڈل کو تربیت دینے کے لیے کسی ML مہارت کی ضرورت نہیں ہے۔ آپ اس نوٹ بک میں زیر بحث API آپریشنز کو اپنی ایپلی کیشنز میں استعمال کر سکتے ہیں۔

ایمیزون کسٹم اینٹیٹی ریکگنائزر

اس نوٹ بک میں، ہم یہ ظاہر کرتے ہیں کہ کس طرح استعمال کیا جائے۔ اپنی مرضی کے مطابق ہستی کی شناخت API ایک ہستی کی شناخت ماڈل بنانے کے لیے۔

حسب ضرورت ہستی کی شناخت آپ کو اپنی مخصوص ہستی کی قسموں کی شناخت کرنے میں مدد کرکے Amazon Comprehend کی صلاحیتوں کو بڑھاتی ہے جو پہلے سے طے شدہ عام ہستی کی اقسام میں نہیں ہیں۔ اس کا مطلب یہ ہے کہ آپ دستاویزات کا تجزیہ کر سکتے ہیں اور ہستیوں کو نکال سکتے ہیں جیسے پروڈکٹ کوڈز یا کاروباری مخصوص اداروں جو آپ کی مخصوص ضروریات کے مطابق ہوں۔

اپنے طور پر ایک درست کسٹم ہستی شناخت کنندہ بنانا ایک پیچیدہ عمل ہو سکتا ہے، جس کے لیے دستی طور پر تشریح شدہ تربیتی دستاویزات کے بڑے سیٹوں کی تیاری اور ماڈل ٹریننگ کے لیے صحیح الگورتھم اور پیرامیٹرز کا انتخاب کرنا پڑتا ہے۔ Amazon Comprehend اپنی مرضی کے مطابق ہستی کی شناخت کا ماڈل بنانے کے لیے خودکار تشریح اور ماڈل ڈیولپمنٹ فراہم کرکے پیچیدگی کو کم کرنے میں مدد کرتا ہے۔

مثال نوٹ بک CSV فارمیٹ میں ٹریننگ ڈیٹاسیٹ لیتی ہے اور ٹیکسٹ ان پٹ کے خلاف اندازہ چلاتی ہے۔ Amazon Comprehend ایک ایڈوانسڈ استعمال کیس کو بھی سپورٹ کرتا ہے جو تربیت کے لیے گراؤنڈ ٹروتھ اینوٹیٹڈ ڈیٹا لیتا ہے اور آپ کو پی ڈی ایف اور ورڈ دستاویزات پر براہ راست انفرنس چلانے کی اجازت دیتا ہے۔ مزید معلومات کے لیے رجوع کریں۔ ایمیزون کمپریہنڈ کا استعمال کرتے ہوئے پی ڈی ایف دستاویزات کے لیے ایک حسب ضرورت ہستی شناخت کنندہ بنائیں.

Amazon Comprehend نے تشریح کی حدیں کم کر دی ہیں اور آپ کو زیادہ مستحکم نتائج حاصل کرنے کی اجازت دی ہے، خاص طور پر چند شاٹ سب نمونوں کے لیے۔ اس بہتری کے بارے میں مزید معلومات کے لیے رجوع کریں۔ Amazon Comprehend نے حسب ضرورت ہستی کی شناخت کے لیے کم تشریحی حدود کا اعلان کیا۔.

اس نوٹ بک کو مثال کے ڈیٹاسیٹ یا آپ کے اپنے کاروبار کے مخصوص ڈیٹاسیٹ کے ساتھ ماڈل کو تربیت دینے کے لیے کسی ML مہارت کی ضرورت نہیں ہے۔ آپ اس نوٹ بک میں زیر بحث API آپریشنز کو اپنی ایپلی کیشنز میں استعمال کر سکتے ہیں۔

Amazon Comprehend JumpStart نوٹ بک کا استعمال، تخصیص اور تعیناتی کریں۔

Amazon Comprehend نوٹ بک کو منتخب کرنے کے بعد جسے آپ استعمال کرنا چاہتے ہیں، منتخب کریں۔ نوٹ بک درآمد کریں۔. جیسا کہ آپ ایسا کرتے ہیں، آپ نوٹ بک کا دانا شروع ہوتا دیکھ سکتے ہیں۔

آپ کی نوٹ بک کو درآمد کرنے سے نوٹ بک مثال، دانا، اور تصویر کا انتخاب شروع ہوتا ہے جو نوٹ بک کو چلانے کے لیے استعمال ہوتا ہے۔ پہلے سے طے شدہ بنیادی ڈھانچے کی فراہمی کے بعد، آپ اپنی ضروریات کے مطابق انتخاب کو تبدیل کر سکتے ہیں۔

اب، نوٹ بک کے خاکہ پر جائیں اور ضروری شرائط کے سیٹ اپ، ڈیٹا سیٹ اپ، ماڈل کی تربیت، اندازہ چلانے، اور ماڈل کو روکنے کے سیکشنز کو احتیاط سے پڑھیں۔ اپنی ضرورت کے مطابق تیار کردہ کوڈ کو بلا جھجھک اپنی مرضی کے مطابق بنائیں۔

آپ کی ضروریات کی بنیاد پر، آپ درج ذیل حصوں کو اپنی مرضی کے مطابق بنانا چاہتے ہیں:

• اجازت - ایک پروڈکشن ایپلیکیشن کے لیے، ہم تجویز کرتے ہیں کہ رسائی کی پالیسیوں کو صرف ان تک محدود رکھیں جو ایپلیکیشن چلانے کے لیے درکار ہیں۔ اجازتوں کو استعمال کے معاملے کی بنیاد پر محدود کیا جا سکتا ہے، جیسے کہ تربیت یا تخمینہ، اور مخصوص وسائل کے نام، جیسے مکمل ایمیزون سادہ اسٹوریج سروس (ایمیزون S3) بالٹی کا نام یا S3 بالٹی نام کا پیٹرن۔ آپ کو کسٹم کلاسیفائر یا سیج میکر آپریشنز تک رسائی کو صرف ان تک محدود کرنا چاہیے جن کی آپ کی درخواست کو ضرورت ہے۔
• ڈیٹا اور مقام - مثال کی نوٹ بک آپ کو نمونہ ڈیٹا اور S3 مقامات فراہم کرتی ہے۔ آپ کی ضروریات کی بنیاد پر، آپ تربیت، توثیق اور جانچ کے لیے اپنا ڈیٹا استعمال کر سکتے ہیں، اور ضرورت کے مطابق مختلف S3 مقامات استعمال کر سکتے ہیں۔ اسی طرح، جب ماڈل بن جاتا ہے، تو آپ ماڈل کو مختلف مقامات پر رکھنے کا انتخاب کر سکتے ہیں۔ بس اس بات کو یقینی بنائیں کہ آپ نے S3 بالٹی تک رسائی کے لیے صحیح اجازتیں فراہم کی ہیں۔
• پری پروسیسنگ کے مراحل - اگر آپ تربیت اور جانچ کے لیے مختلف ڈیٹا استعمال کر رہے ہیں، تو آپ اپنی ضروریات کے مطابق پری پروسیسنگ کے مراحل کو ایڈجسٹ کرنا چاہیں گے۔
• ڈیٹا کی جانچ ہو رہی ہے - آپ جانچ کے لیے اپنا خود کا تخمینہ ڈیٹا لا سکتے ہیں۔
• صاف کرو - بار بار آنے والے چارجز سے بچنے کے لیے نوٹ بک کے ذریعے شروع کیے گئے وسائل کو حذف کریں۔

نتیجہ

اس پوسٹ میں، ہم نے آپ کو دکھایا کہ جمپ اسٹارٹ کو ایمیزون کمپریہنڈ APIs کا استعمال کرتے ہوئے سیکھنے اور فاسٹ ٹریک کرنے کے لیے کیسے استعمال کیا جاتا ہے اور اسے اسٹوڈیو سے Amazon Comprehend سے متعلقہ نوٹ بکس کو تلاش کرنے اور چلانے کے لیے آسان بنا کر کوڈ میں ضرورت کے مطابق ترمیم کرنے کا اختیار موجود ہے۔ نوٹ بک AWS پروڈکٹ کے اعلانات اور نمونے کی خبروں کے مضامین کے ساتھ نمونہ ڈیٹاسیٹ استعمال کرتی ہیں۔ آپ Python نوٹ بک میں Amazon Comprehend APIs کو استعمال کرنے کا طریقہ سیکھنے کے لیے اس نوٹ بک کا استعمال کر سکتے ہیں، یا آپ اسے نقطہ آغاز کے طور پر استعمال کر سکتے ہیں اور اپنی منفرد ضروریات اور پیداوار کی تعیناتیوں کے لیے کوڈ کو مزید بڑھا سکتے ہیں۔

آپ جمپ سٹارٹ کا استعمال شروع کر سکتے ہیں اور ان تمام خطوں میں جہاں سٹوڈیو بغیر کسی اضافی قیمت کے دستیاب ہے، مختلف عنوانات میں 40 سے زیادہ نوٹ بکس سے فائدہ اٹھا سکتے ہیں۔

---

مصنفین کے بارے میں

لانا ژانگ AWS WWSO AI سروسز ٹیم میں ایک Sr. Solutions آرکیٹیکٹ ہے جس کے پاس مواد کی اعتدال اور شناخت کے لیے AI اور ML میں مہارت ہے۔ وہ AWS AI خدمات کو فروغ دینے اور صارفین کو ان کے کاروباری حل کو تبدیل کرنے میں مدد کرنے کے بارے میں پرجوش ہے۔

میناکشی سندرم تھنڈاورائن AWS کے ساتھ ایک سینئر AI/ML ماہر ہے۔ وہ ان کے AI اور ML سفر میں ہائی ٹیک اسٹریٹجک اکاؤنٹس کی مدد کرتا ہے۔ وہ ڈیٹا سے چلنے والی AI کے بارے میں بہت پرجوش ہے۔

رچنا چڈا AWS میں اسٹریٹجک اکاؤنٹس میں ایک پرنسپل حل آرکیٹیکٹ AI/ML ہے۔ رچنا ایک پر امید ہیں جو اس بات پر یقین رکھتی ہیں کہ AI کا اخلاقی اور ذمہ دارانہ استعمال مستقبل میں معاشرے کو بہتر بنا سکتا ہے اور معاشی اور سماجی خوشحالی لا سکتا ہے۔ اپنے فارغ وقت میں، رچنا اپنے خاندان کے ساتھ وقت گزارنا، پیدل سفر کرنا اور موسیقی سننا پسند کرتی ہے۔