متن، تصاویر، موسیقی اور ویڈیوز جیسے اعلیٰ معیار کے ڈیٹا کی ترکیب کرنے کے قابل جنریٹیو ماڈلز کے اضافے سے AI زمین کی تزئین کی نئی شکل دی جا رہی ہے۔ AI کو جمہوری بنانے کی طرف کورس نے BERT، T5، GPT، CLIP اور حال ہی میں، مستحکم بازی. ان پہلے سے تربیت یافتہ ماڈلز کے ارد گرد سیکڑوں سافٹ ویئر بطور سروس (SaaS) ایپلی کیشنز تیار کی جا رہی ہیں، جو یا تو براہ راست اختتامی صارفین کو پیش کیے جاتے ہیں، یا ذاتی اور منفرد مواد (جیسے اوتار، اسٹائلائزڈ فوٹو ایڈیٹس، ویڈیو گیم کے اثاثے، ڈومین کے لیے مخصوص ٹیکسٹ، اور مزید)۔ تخلیقی AI کے لیے تکنیکی جدت اور ناول کے استعمال کے کیسز کے پھیلاؤ کی رفتار کے ساتھ، B2C سیگمنٹ میں آنے والے AI- مقامی SaaS فراہم کنندگان اور سٹارٹ اپس کو پہلے دن سے پیمانے کے لیے تیاری کرنے کی ضرورت ہے، اور آپریشنل کو کم کر کے اپنے وقت سے مارکیٹ کو کم کرنے کا مقصد ہے۔ جتنا ممکن ہو سکے اوپر.
اس پوسٹ میں، ہم AWS پر پیمانے پر ہائپر پرسنلائزڈ AI ماڈلز کو فائن ٹیوننگ اور پیش کرنے کے لیے تکنیکی ضروریات اور ایپلیکیشن ڈیزائن کے تحفظات کا جائزہ لیتے ہیں۔ ہم مکمل طور پر منظم کی بنیاد پر ایک فن تعمیر تجویز کرتے ہیں۔ ایمیزون سیج میکر تربیت اور خدمت کی خصوصیات جو SaaS فراہم کنندگان کو اپنی ایپلی کیشنز کو تیزی سے تیار کرنے، سروس کا معیار فراہم کرنے، اور لاگت کی تاثیر کو بڑھانے کے قابل بناتی ہیں۔
حل کی گنجائش اور ضروریات
آئیے پہلے پرسنلائزڈ جنریٹیو AI SaaS ایپلی کیشنز کے لیے دائرہ کار کی وضاحت کرتے ہیں:
اس کے بعد، آئیے ایک ایسی ایپلیکیشن کے لیے تکنیکی تقاضوں اور ورک فلو کا جائزہ لیتے ہیں جو ممکنہ طور پر ہزاروں ذاتی نوعیت کے ماڈلز کی فائن ٹیوننگ اور سرونگ کو سپورٹ کرتی ہے۔ ورک فلو عام طور پر دو حصوں پر مشتمل ہوتا ہے:
- بیس پری ٹرینڈ ماڈل کی ہلکی پھلکی فائن ٹیوننگ کے ذریعے ذاتی نوعیت کا ماڈل بنائیں
- صارف کے واپس آنے پر آن ڈیمانڈ انفرنس کی درخواستوں کے لیے ذاتی ماڈل کی میزبانی کریں۔
ورک فلو کے پہلے حصے کے لیے غور و فکر میں سے ایک یہ ہے کہ ہمیں غیر متوقع اور تیز صارف ٹریفک کے لیے تیار رہنا چاہیے۔ استعمال میں چوٹیاں پیدا ہو سکتی ہیں، مثال کے طور پر، نئے فاؤنڈیشن ماڈل کی ریلیز یا تازہ SaaS فیچر رول آؤٹ کی وجہ سے۔ یہ بڑی وقفے وقفے سے GPU کی صلاحیت کی ضروریات کو نافذ کرے گا، ساتھ ہی ٹریفک کی بڑھتی ہوئی وارداتوں کو جذب کرنے کے لیے غیر مطابقت پذیر فائن ٹیوننگ جاب لانچ کرنے کی ضرورت ہے۔
ماڈل ہوسٹنگ کے حوالے سے، جیسا کہ مارکیٹ میں AI پر مبنی SaaS ایپلی کیشنز کا سیلاب آتا ہے، سروس کی رفتار ایک امتیازی عنصر بن جاتی ہے۔ ایک تیز، ہموار صارف کا تجربہ بنیادی ڈھانچے کے سرد آغاز یا اعلی تخمینہ میں تاخیر سے خراب ہو سکتا ہے۔ اگرچہ قیاس میں تاخیر کے تقاضے استعمال کے معاملے اور صارف کی توقعات پر منحصر ہوں گے، عام طور پر یہ غور GPUs پر ریئل ٹائم ماڈل ہوسٹنگ کو ترجیح دیتا ہے (جیسا کہ سست CPU-صرف ہوسٹنگ کے اختیارات کے برخلاف)۔ تاہم، ریئل ٹائم GPU ماڈل ہوسٹنگ تیزی سے اعلی آپریشنل اخراجات کا باعث بن سکتی ہے۔ لہذا، ہمارے لیے ایک ہوسٹنگ حکمت عملی کی وضاحت کرنا بہت ضروری ہے جو لاگت کو متعین ماڈلز (فعال صارفین) کی تعداد کے ساتھ بڑھنے سے روکے۔
حل فن تعمیر
اس سے پہلے کہ ہم مجوزہ فن تعمیر کو بیان کریں، آئیے اس بات پر بات کریں کہ کیوں SageMaker اس کی کچھ خصوصیات کو دیکھ کر ہماری درخواست کی ضروریات کے لیے موزوں ہے۔
سب سے پہلے، سیج میکر ٹریننگ اور ہوسٹنگ APIs مکمل طور پر منظم تربیتی ملازمتوں اور ماڈل کی تعیناتیوں کا پیداواری فائدہ فراہم کرتے ہیں، تاکہ تیزی سے آگے بڑھنے والی ٹیمیں مصنوعات کی خصوصیات اور تفریق پر زیادہ وقت مرکوز کر سکیں۔ مزید برآں، سیج میکر ٹریننگ جابز کا آغاز اور بھول جانے کا نمونہ صارف کے آن بورڈنگ مرحلے میں کنکرنٹ ماڈل فائن ٹیوننگ جابز کی عارضی نوعیت کے مطابق ہے۔ ہم اگلے حصے میں ہم آہنگی پر مزید غور و فکر کریں گے۔
دوسرا، سیج میکر ڈیپ لرننگ ماڈلز کو پیمانے پر تعینات کرنے کے لیے منفرد GPU- فعال ہوسٹنگ آپشنز کی حمایت کرتا ہے۔ مثال کے طور پر، NVIDIA Triton Inference Server، ایک اعلی کارکردگی والا اوپن سورس انفرنس سافٹ ویئر، مقامی طور پر 2022 میں SageMaker ایکو سسٹم میں ضم کر دیا گیا تھا۔ اس کے بعد SageMaker ملٹی ماڈل اینڈ پوائنٹس کے لیے GPU سپورٹ کا آغاز ہوا، جو ایک قابل توسیع، کم - ایک اختتامی نقطہ کے پیچھے ہزاروں گہری سیکھنے کے ماڈلز کو تعینات کرنے کا تاخیر، اور سرمایہ کاری مؤثر طریقہ۔
آخر میں، جب ہم بنیادی ڈھانچے کی سطح پر پہنچتے ہیں، تو ان خصوصیات کو بہترین درجے کے کمپیوٹ کے اختیارات کی حمایت حاصل ہوتی ہے۔ مثال کے طور پر، G5 مثال کی قسم، جو NVIDIA A10g GPUs (AWS سے منفرد) سے لیس ہے، ماڈل ٹریننگ اور ہوسٹنگ دونوں کے لیے ایک مضبوط قیمت-کارکردگی کا تناسب پیش کرتی ہے۔ یہ AWS پر GPU-instance پیلیٹ میں فی FP32 FLOP (اس بات کا ایک اہم پیمانہ ہے کہ آپ کو فی ڈالر کتنی کمپیوٹ پاور ملتی ہے) سب سے کم لاگت حاصل ہوتی ہے، اور پچھلی سب سے کم لاگت GPU مثال کی قسم (G4dn) پر بہت بہتر ہوتی ہے۔ مزید معلومات کے لیے رجوع کریں۔ NLP اور CV PyTorch ماڈلز کے لیے Amazon EC2 G5 مثالوں کے ساتھ تین گنا کم قیمت پر چار گنا زیادہ ML انفرنس تھرو پٹ حاصل کریں۔.
اگرچہ درج ذیل فن تعمیر عام طور پر مختلف جنریٹیو AI استعمال کے معاملات پر لاگو ہوتا ہے، آئیے ایک مثال کے طور پر ٹیکسٹ ٹو امیج جنریشن کا استعمال کریں۔ اس منظر نامے میں، ایک امیج جنریشن ایپ اپنے ہر صارف کے لیے ایک یا ایک سے زیادہ حسب ضرورت، فائن ٹیونڈ ماڈلز بنائے گی، اور وہ ماڈلز آخری صارف کے مطالبے پر حقیقی وقت میں تصویر بنانے کے لیے دستیاب ہوں گے۔ حل ورک فلو کو پھر دو بڑے مراحل میں تقسیم کیا جا سکتا ہے، جیسا کہ فن تعمیر سے ظاہر ہوتا ہے۔ پہلا مرحلہ (A) صارف کے آن بورڈنگ کے عمل سے مماثل ہے—یہ اس وقت ہوتا ہے جب ایک ماڈل کو نئے صارف کے لیے ٹھیک بنایا جاتا ہے۔ دوسرے مرحلے (B) میں، فائن ٹیونڈ ماڈل کو آن ڈیمانڈ انفرنس کے لیے استعمال کیا جاتا ہے۔
آئیے آرکیٹیکچر کے مراحل کو مزید تفصیل سے دیکھتے ہیں، جیسا کہ خاکہ میں درج ہے۔
1. ماڈل اسٹیٹس چیک
جب کوئی صارف سروس کے ساتھ تعامل کرتا ہے، تو ہم سب سے پہلے یہ چیک کرتے ہیں کہ آیا یہ واپس آنے والا صارف ہے جو پہلے ہی سروس میں شامل ہو چکا ہے اور اس کے پاس ذاتی نوعیت کے ماڈلز پیش کرنے کے لیے تیار ہیں۔ ایک صارف کے پاس ایک سے زیادہ ذاتی نوعیت کے ماڈل ہو سکتے ہیں۔ صارف اور متعلقہ ماڈلز کے درمیان میپنگ کو محفوظ کیا جاتا ہے۔ ایمیزون ڈائنومو ڈی بی، جو مکمل طور پر منظم، سرور کے بغیر، غیر متعلقہ میٹا ڈیٹا اسٹور کے طور پر کام کرتا ہے، جو استفسار کرنے میں آسان، سستا، اور توسیع پذیر ہے۔ کم از کم، ہم تجویز کرتے ہیں کہ دو میزیں رکھیں:
- صارفین اور ماڈلز کے درمیان میپنگ کو ذخیرہ کرنے کے لیے ایک۔ اس میں یوزر آئی ڈی اور ماڈل آرٹفیکٹ شامل ہیں۔ ایمیزون سادہ اسٹوریج سروس (ایمیزون S3) URI۔
- ایک قطار کے طور پر کام کرنے کے لیے، ماڈل تخلیق کی درخواستوں اور ان کی تکمیل کی حیثیت کو ذخیرہ کرنا۔ اس میں یوزر آئی ڈی، ماڈل ٹریننگ جاب آئی ڈی، اور سٹیٹس کے ساتھ ساتھ ٹریننگ سے وابستہ ہائپر پیرامیٹر اور میٹا ڈیٹا بھی شامل ہے۔
2. یوزر آن بورڈنگ اور ماڈل فائن ٹیوننگ۔
اگر اس سے پہلے صارف کے لیے کوئی ماڈل ٹھیک نہیں کیا گیا ہے، تو ایپلی کیشن ایمیزون S3 پر فائن ٹیوننگ امیجز اپ لوڈ کرتی ہے، جس سے او ڈبلیو ایس لامبڈا۔ DynamoDB ٹیبل پر نئی جاب رجسٹر کرنے کے لیے فنکشن۔
لیمبڈا کا ایک اور فنکشن نئی ملازمت کے لیے ٹیبل سے استفسار کرتا ہے اور اسے سیج میکر ٹریننگ کے ساتھ لانچ کرتا ہے۔ اسے استعمال کرتے ہوئے ہر ریکارڈ کے لیے متحرک کیا جا سکتا ہے۔ Amazon DynamoDB اسٹریمز، یا استعمال کرتے ہوئے ایک شیڈول پر ایمیزون ایونٹ برج (ایک نمونہ جو AWS صارفین کے ذریعہ آزمایا اور آزمایا جاتا ہے، بشمول ایمیزون پر اندرونی طور پر)۔ اختیاری طور پر، تصاویر یا اشارے کو اندازہ کے لیے پاس کیا جا سکتا ہے، اور ماڈل کی تربیت کے فوراً بعد سیج میکر ٹریننگ جاب میں براہ راست کارروائی کی جا سکتی ہے۔ اس سے پہلی تصاویر کو ایپلیکیشن پر واپس پہنچانے کے لیے وقت کو کم کرنے میں مدد مل سکتی ہے۔ جیسا کہ تصاویر تیار ہوتی ہیں، آپ اس کا فائدہ اٹھا سکتے ہیں۔ چیک پوائنٹ کی مطابقت پذیری کا طریقہ کار انٹرمیڈیٹ کے نتائج Amazon S3 پر اپ لوڈ کرنے کے لیے SageMaker میں۔ جاب لانچ کنکرنسی کے بارے میں، سیج میکر CreateTrainingJob API ایک فی سیکنڈ کی درخواست کی شرح کو سپورٹ کرتا ہے، جس میں زیادہ ٹریفک کے دورانیے میں بڑے برسٹ ریٹ دستیاب ہیں۔ اگر آپ کو مستقل طور پر ایک سے زیادہ فائن ٹیوننگ ٹاسک فی سیکنڈ (TPS) شروع کرنے کی ضرورت ہے، تو آپ کے پاس درج ذیل کنٹرولز اور اختیارات ہیں:
- استعمال سیج میکر نے گرم تالابوں کا انتظام کیا۔، جو آپ کو تربیتی کام کی تکمیل کے بعد فراہم کردہ انفراسٹرکچر کو برقرار رکھنے اور دوبارہ استعمال کرنے دیتا ہے تاکہ بار بار کام کے بوجھ کے لیے کولڈ اسٹارٹ لیٹنسی کو کم کیا جا سکے۔
- اپنے لانچ جاب لیمبڈا فنکشن میں دوبارہ کوششیں لاگو کریں (آرکیٹیکچر ڈایاگرام میں دکھایا گیا ہے)۔
- بالآخر، اگر فائن ٹیوننگ کی درخواست کی شرح مستقل طور پر 1 TPS سے اوپر رہے گی، تو آپ ایک سیج میکر ٹریننگ جاب کے متوازی طور پر N فائن ٹیوننگ شروع کر سکتے ہیں
num_instances=K
، اور مختلف مثالوں پر کام کو پھیلانا۔ آپ یہ کیسے حاصل کر سکتے ہیں اس کی ایک مثال یہ ہے کہ ٹریننگ جاب کو ان پٹ فائل کے طور پر چلائے جانے والے کاموں کی فہرست کو منتقل کریں، اور ہر ایک مثال اس فائل کے ایک مختلف ٹاسک یا حصے پر کارروائی کرتی ہے، جو مثال کے عددی شناخت کنندہ سے مختلف ہوتی ہے۔ resourceconfig.json)۔ ذہن میں رکھیں کہ انفرادی کاموں کو تربیت کے دورانیے میں بہت زیادہ فرق نہیں ہونا چاہیے، تاکہ اس صورت حال سے بچا جا سکے جہاں ایک کام پورے کلسٹر کو ضرورت سے زیادہ دیر تک چلاتا رہے۔
آخر میں، فائن ٹیونڈ ماڈل کو محفوظ کیا جاتا ہے، جس سے لیمبڈا فنکشن شروع ہوتا ہے جو سیج میکر ملٹی ماڈل اینڈ پوائنٹ پر پیش کرنے کے لیے نمونے تیار کرتا ہے۔ اس مقام پر، صارف کو مطلع کیا جا سکتا ہے کہ تربیت مکمل ہو چکی ہے اور ماڈل استعمال کے لیے تیار ہے۔ کا حوالہ دیتے ہیں سرور لیس ویب ایپس میں بیک اینڈ کی درخواستوں اور فرنٹ اینڈ اطلاعات کا نظم کرنا اس پر بہترین طریقوں کے لیے۔
3. صارف کی درخواستوں کو آن ڈیمانڈ پیش کرنا
اگر کسی ماڈل کو پہلے صارف کے لیے ٹھیک بنایا گیا ہے، تو راستہ بہت آسان ہے۔ ایپلیکیشن پے لوڈ اور صارف کے ماڈل آئی ڈی کو پاس کرتے ہوئے ملٹی ماڈل اینڈ پوائنٹ کو طلب کرتی ہے۔ منتخب ماڈل کو متحرک طور پر ایمیزون S3 سے اینڈ پوائنٹ انسٹینس کی ڈسک اور GPU میموری پر لوڈ کیا جاتا ہے (اگر اسے حال ہی میں استعمال نہیں کیا گیا ہے؛ مزید معلومات کے لیے، ملاحظہ کریں ملٹی ماڈل اینڈ پوائنٹس کیسے کام کرتے ہیں۔)، اور قیاس کے لیے استعمال کیا جاتا ہے۔ ماڈل آؤٹ پٹ (ذاتی مواد) آخر کار ایپلی کیشن میں واپس آ جاتا ہے۔
درخواست کے ان پٹ اور آؤٹ پٹ کو صارف کے مستقبل کے حوالے کے لیے S3 میں محفوظ کیا جانا چاہیے۔ درخواست میں تاخیر پر اثر انداز ہونے سے بچنے کے لیے (جو وقت صارف کی درخواست کرتا ہے اس لمحے سے اس وقت سے ماپا جاتا ہے جب تک کہ جواب واپس نہ ہو جائے)، آپ یہ اپ لوڈ براہ راست کلائنٹ ایپلیکیشن سے، یا متبادل طور پر اپنے اینڈ پوائنٹ کے انفرنس کوڈ کے اندر کر سکتے ہیں۔
یہ فن تعمیر غیر مطابقت اور ہم آہنگی فراہم کرتا ہے جو حل کی ضروریات کا حصہ تھے۔
نتیجہ
اس پوسٹ میں، ہم نے بڑے پیمانے پر ہائپر پرسنلائزڈ AI ماڈلز کو ٹھیک کرنے اور پیش کرنے کے لیے غور و فکر کیا، اور SageMaker کا استعمال کرتے ہوئے AWS پر ایک لچکدار، لاگت سے موثر حل تجویز کیا۔
ہم نے بڑے ماڈل پری ٹریننگ کے استعمال کے معاملے کا احاطہ نہیں کیا۔ مزید معلومات کے لیے رجوع کریں۔ ایمیزون سیج میکر میں تقسیم شدہ تربیت اور مشترکہ ڈیٹا متوازی، نیز کہانیاں کہ کس طرح AWS صارفین نے SageMaker پر بڑے پیمانے پر ماڈلز کو تربیت دی ہے، جیسے AI21 اور استحکام AI.
مصنفین کے بارے میں
جواؤ مورا سپین میں مقیم AWS میں AI/ML ماہر حل آرکیٹیکٹ ہے۔ وہ گہرے سیکھنے کے ماڈل کی تربیت اور انفرنس آپٹیمائزیشن کے ساتھ صارفین کی مدد کرتا ہے، اور زیادہ وسیع پیمانے پر AWS پر بڑے پیمانے پر ML پلیٹ فارم بنانے میں۔ وہ ایم ایل اسپیشلائزڈ ہارڈویئر اور کم کوڈ ایم ایل سلوشنز کا ایک فعال حامی بھی ہے۔
ڈاکٹر الیگزینڈر آرزہانوف فرینکفرٹ، جرمنی میں مقیم ایک AI/ML ماہر حل آرکیٹیکٹ ہے۔ وہ AWS صارفین کو EMEA خطے میں اپنے ML سلوشنز کو ڈیزائن اور تعینات کرنے میں مدد کرتا ہے۔ AWS میں شامل ہونے سے پہلے، الیگزینڈر ہماری کائنات میں بھاری عناصر کی ابتداء پر تحقیق کر رہا تھا اور اپنے بڑے پیمانے پر سائنسی حسابات میں اسے استعمال کرنے کے بعد ML کے بارے میں پرجوش ہو گیا۔
اولیور کروچنٹ فرانس میں مقیم AWS میں مشین لرننگ اسپیشلسٹ سولیوشن آرکیٹیکٹ ہے۔ Olivier AWS صارفین کی مدد کرتا ہے – چھوٹے سٹارٹ اپ سے لے کر بڑے اداروں تک – پروڈکشن گریڈ مشین لرننگ ایپلی کیشنز کو تیار اور تعینات کرتا ہے۔ اپنے فارغ وقت میں، وہ تحقیقی مقالے پڑھنے اور دوستوں اور خاندان کے ساتھ بیابانوں کی سیر کرنے سے لطف اندوز ہوتے ہیں۔
ہیکو ہوٹز قدرتی لینگویج پروسیسنگ (NLP)، بڑے لینگویج ماڈلز (LLMs) اور جنریٹیو AI پر خصوصی توجہ کے ساتھ AI اور مشین لرننگ کے لیے ایک سینئر سولیوشن آرکیٹیکٹ ہے۔ اس کردار سے پہلے، وہ ایمیزون کی EU کسٹمر سروس کے ڈیٹا سائنس کے سربراہ تھے۔ Heiko ہمارے صارفین کو AWS پر ان کے AI/ML سفر میں کامیاب ہونے میں مدد کرتا ہے اور اس نے بیمہ، مالیاتی خدمات، میڈیا اور تفریح، صحت کی دیکھ بھال، افادیت اور مینوفیکچرنگ سمیت کئی صنعتوں میں تنظیموں کے ساتھ کام کیا ہے۔ اپنے فارغ وقت میں، Heiko زیادہ سے زیادہ سفر کرتا ہے۔
- SEO سے چلنے والا مواد اور PR کی تقسیم۔ آج ہی بڑھا دیں۔
- پلیٹو بلاک چین۔ Web3 Metaverse Intelligence. علم میں اضافہ۔ یہاں تک رسائی حاصل کریں۔
- ماخذ: https://aws.amazon.com/blogs/machine-learning/architect-personalized-generative-ai-saas-applications-on-amazon-sagemaker/
- : ہے
- $UP
- 1
- 100
- 2022
- 7
- a
- ہمارے بارے میں
- اوپر
- حاصل
- کے پار
- فعال
- کے بعد
- AI
- اے آئی اور مشین لرننگ
- AI استعمال کے معاملات
- AI / ML
- الیگزینڈر
- پہلے ہی
- اگرچہ
- ایمیزون
- ایمیزون EC2
- ایمیزون سیج میکر
- اور
- APIs
- اپلی کیشن
- درخواست
- ایپلی کیشنز
- فن تعمیر
- کیا
- ارد گرد
- AS
- اثاثے
- منسلک
- مطابقت پذیری
- At
- دستیاب
- اوتار
- AWS
- B2C
- واپس
- حمایت کی
- پسدید
- بیس
- کی بنیاد پر
- بنیاد
- BE
- ہو جاتا ہے
- اس سے پہلے
- پیچھے
- کیا جا رہا ہے
- فائدہ
- BEST
- بہترین طریقوں
- کے درمیان
- موٹے طور پر
- عمارت
- by
- حساب
- کر سکتے ہیں
- صلاحیت رکھتا
- اہلیت
- کیس
- مقدمات
- چیک کریں
- کلائنٹ
- کلسٹر
- کوڈ
- مکمل
- تکمیل
- کمپیوٹنگ
- سمورتی
- غور
- خیالات
- مواد
- کنٹرول
- اسی کے مطابق
- مساوی ہے
- قیمت
- سرمایہ کاری مؤثر
- اخراجات
- سکتا ہے
- کورس
- احاطہ
- تخلیق
- مخلوق
- اپنی مرضی کے
- گاہک
- کسٹمر سروس
- گاہکوں
- اعداد و شمار
- ڈیٹا سائنس
- دن
- گہری
- گہری سیکھنے
- نجات
- ڈیمانڈ
- تعیناتی
- تعینات
- تعینات
- تعینات
- بیان
- ڈیزائن
- تفصیل
- ترقی
- ترقی یافتہ
- مختلف
- مختلف
- مختلف
- فرق
- براہ راست
- بات چیت
- تقسیم
- ڈالر
- نیچے
- کے دوران
- متحرک طور پر
- ہر ایک
- ماحول
- یا تو
- عناصر
- ای ایم ای اے
- کے قابل بناتا ہے
- اختتام پوائنٹ
- اداروں
- تفریح
- لیس
- EU
- مثال کے طور پر
- توقعات
- تجربہ
- دھماکہ
- ایکسپلور
- خاندانوں
- خاندان
- تیزی سے چلنے والا
- تیز تر
- نمایاں کریں
- خصوصیات
- فائل
- آخر
- مالی
- مالیاتی خدمات
- پہلا
- فٹ
- لچکدار
- توجہ مرکوز
- پیچھے پیچھے
- کے بعد
- کے لئے
- ملا
- فاؤنڈیشن
- فرانس
- تازہ
- دوست
- سے
- فرنٹ اینڈ
- مکمل طور پر
- تقریب
- مزید
- مستقبل
- کھیل ہی کھیل میں
- جنرل
- عام طور پر
- پیدا
- پیدا
- نسل
- پیداواری
- پیداواری AI۔
- جرمنی
- حاصل
- Go
- GPU
- GPUs
- عظیم
- بہت
- بڑھتے ہوئے
- ہارڈ ویئر
- ہے
- ہونے
- سر
- صحت کی دیکھ بھال
- بھاری
- مدد
- مدد
- مدد کرتا ہے
- ہائی
- اعلی کارکردگی
- اعلی معیار کی
- اعلی
- ہوسٹنگ
- کس طرح
- تاہم
- HTML
- HTTP
- HTTPS
- سینکڑوں
- ID
- شناخت
- تصویر
- تصاویر
- اہم
- نافذ کریں
- in
- شامل ہیں
- سمیت
- اضافہ
- انفرادی
- صنعتوں
- معلومات
- انفراسٹرکچر
- جدت طرازی
- ان پٹ
- مثال کے طور پر
- انشورنس
- ضم
- انٹرایکٹو
- اندرونی طور پر
- پکارتے ہیں۔
- IT
- میں
- ایوب
- نوکریاں
- شمولیت
- سفر
- رکھیں
- زمین کی تزئین کی
- زبان
- بڑے
- بڑے پیمانے پر
- بڑے
- تاخیر
- شروع
- آغاز
- قیادت
- لیڈز
- سیکھنے
- سطح
- ہلکا پھلکا
- لسٹ
- اب
- تلاش
- مشین
- مشین لرننگ
- اہم
- بناتا ہے
- میں کامیاب
- مینوفیکچرنگ
- بہت سے
- تعریفیں
- مارکیٹ
- بڑے پیمانے پر
- پیمائش
- میڈیا
- یاد داشت
- میٹا ڈیٹا
- شاید
- برا
- کم سے کم
- ML
- ماڈل
- ماڈل
- لمحہ
- زیادہ
- اس کے علاوہ
- سب سے زیادہ
- ملٹی ماڈل اینڈ پوائنٹ
- ایک سے زیادہ
- موسیقی
- قدرتی
- قدرتی زبان عملیات
- فطرت، قدرت
- ضرورت ہے
- ضروریات
- نئی
- اگلے
- ویزا
- اطلاعات
- ناول
- تعداد
- نمبر
- NVIDIA
- of
- تجویز
- زیتون
- on
- ڈیمانڈ
- جہاز
- ایک
- اوپن سورس
- آپریشنل
- مخالفت کی
- اصلاح کے
- آپشنز کے بھی
- تنظیمیں
- پیداوار
- امن
- کاغذات
- پیرا میٹر
- متوازی
- حصہ
- حصے
- منظور
- پاسنگ
- جذباتی
- راستہ
- پاٹرن
- ادوار
- ذاتی
- نجیکرت
- مرحلہ
- پلیٹ فارم
- پلاٹا
- افلاطون ڈیٹا انٹیلی جنس
- پلیٹو ڈیٹا
- پوائنٹ
- ممکن
- پوسٹ
- ممکنہ طور پر
- طاقت
- طریقوں
- تیار
- تیار
- تیار کرتا ہے
- کی روک تھام
- پچھلا
- پہلے
- پہلے
- عملدرآمد
- عمل
- پروسیسنگ
- مصنوعات
- پیداوری
- پروجیکٹ
- تجویز کریں
- مجوزہ
- فراہم
- فراہم کرنے والے
- فراہم کرتا ہے
- pytorch
- معیار
- جلدی سے
- شرح
- قیمتیں
- تناسب
- پڑھنا
- تیار
- اصل وقت
- حال ہی میں
- سفارش
- ریکارڈ
- کو کم
- کو کم کرنے
- کے بارے میں
- خطے
- رجسٹر
- ریلیز
- بار بار
- درخواست
- درخواستوں
- ضروریات
- تحقیق
- جواب
- نتائج کی نمائش
- برقرار رکھنے
- واپس لوٹنے
- کا جائزہ لینے کے
- اضافہ
- کردار
- رن
- چل رہا ہے
- ساس
- sagemaker
- توسیع پذیر
- پیمانے
- منظر نامے
- شیڈول
- سائنس
- سائنسی
- گنجائش
- دوسری
- سیکشن
- حصے
- منتخب
- سینئر
- خدمت
- بے سرور
- کام کرتا ہے
- سروس
- سروسز
- خدمت
- ہونا چاہئے
- دکھایا گیا
- سادہ
- ایک
- صورتحال
- چھوٹے
- So
- سافٹ ویئر کی
- ایک خدمت کے طور پر سافٹ ویئر
- حل
- حل
- کچھ
- سپین
- خصوصی
- ماہر
- تیزی
- بڑھتی ہوئی وارداتوں
- پھیلانا
- شروع کریں
- شروع ہوتا ہے
- سترٹو
- درجہ
- مراحل
- ذخیرہ
- ذخیرہ
- خبریں
- حکمت عملی
- مضبوط
- کامیاب
- اس طرح
- حمایت
- کی حمایت کرتا ہے
- ٹیبل
- ٹاسک
- کاموں
- ٹیموں
- ٹیکنیکل
- تکنیکی
- کہ
- ۔
- ان
- لہذا
- یہ
- ہزاروں
- تین
- کے ذریعے
- تھرو پٹ
- وقت
- اوقات
- کرنے کے لئے
- کی طرف
- ٹی پی
- ٹریفک
- تربیت یافتہ
- ٹریننگ
- سفر
- متحرک
- ٹرگر
- رخ
- منفرد
- کائنات
- ناقابل اعتبار
- آئندہ
- us
- استعمال
- استعمال کی شرائط
- استعمال کیس
- رکن کا
- صارف کا تجربہ
- صارفین
- افادیت
- مختلف
- کی طرف سے
- ویڈیو
- ویڈیو گیم
- ویڈیوز
- اہم
- چلا گیا
- گرم
- راستہ..
- ویب
- اچھا ہے
- جس
- پوری
- گے
- ساتھ
- کے اندر
- کام
- کام کیا
- پیداوار
- تم
- اور
- یو ٹیوب پر
- زیفیرنیٹ