ایمیزون سیج میکر ڈیٹا رینگلر کے ذریعہ تقویت یافتہ نوٹ بکس کے لئے انٹرایکٹو ڈیٹا پری ویجیٹ

ایناکونڈا کے ذریعہ کئے گئے ڈیٹا سائنسدانوں کے 2020 کے سروے کے مطابق، ڈیٹا کی تیاری مشین لرننگ (ML) اور ڈیٹا اینالیٹکس ورک فلو میں ایک اہم مرحلہ ہے، اور اکثر ڈیٹا سائنسدانوں کے لیے بہت زیادہ وقت لگتا ہے۔ ڈیٹا سائنسدان اپنا تقریباً 66% وقت ڈیٹا کی تیاری اور تجزیہ کے کاموں پر صرف کرتے ہیں، بشمول لوڈنگ (19%)، صفائی (26%)، اور ڈیٹا کو دیکھنے (21%)۔

ایمیزون سیج میکر اسٹوڈیو ML کے لیے پہلا مکمل طور پر مربوط ترقیاتی ماحول (IDE) ہے۔ ایک کلک کے ساتھ، ڈیٹا سائنسدان اور ڈویلپر تیزی سے گھوم سکتے ہیں۔ اسٹوڈیو نوٹ بک ڈیٹاسیٹس کو دریافت کرنے اور ماڈل بنانے کے لیے۔ اگر آپ GUI پر مبنی اور انٹرایکٹو انٹرفیس کو ترجیح دیتے ہیں، تو آپ استعمال کر سکتے ہیں۔ ایمیزون سیج میکر ڈیٹا رینگلرکوڈ کی ایک سطر لکھے بغیر اسپارک کے حمایت یافتہ ڈیٹا کو مؤثر طریقے سے پروسیس کرنے کے لیے 300 سے زیادہ تصورات، تجزیوں اور تبدیلیوں کے ساتھ۔

ڈیٹا رینگلر میں اب بلٹ ان ڈیٹا کی تیاری کی صلاحیت پیش کرتا ہے۔ ایمیزون سیج میکر اسٹوڈیو نوٹ بک جو ایم ایل پریکٹیشنرز کو ڈیٹا کی خصوصیات کا بصری طور پر جائزہ لینے، مسائل کی نشاندہی کرنے، اور ڈیٹا کے معیار کے مسائل کا ازالہ کرنے کی اجازت دیتا ہے—صرف چند کلکس میں نوٹ بک کے اندر۔

اس پوسٹ میں، ہم آپ کو دکھاتے ہیں کہ کس طرح ڈیٹا رینگلر ڈیٹا پریپ ویجیٹ ڈیٹا کی تقسیم کو سمجھنے، ڈیٹا کوالٹی کے مسائل اور سطحی ڈیٹا بصیرت جیسے ہر فیچر کے لیے آؤٹ لیرز کو سمجھنے کے لیے خود بخود پانڈا ڈیٹا فریم کے اوپر کلیدی تصورات تیار کرتا ہے۔ یہ ڈیٹا کے ساتھ تعامل کرنے اور ایسی بصیرتیں دریافت کرنے میں مدد کرتا ہے جو ایڈہاک استفسار کے ساتھ کسی کا دھیان نہیں رہ سکتی ہیں۔ یہ اصلاح کے لیے تبدیلیوں کی بھی سفارش کرتا ہے، آپ کو UI پر ڈیٹا کی تبدیلیوں کو لاگو کرنے اور نوٹ بک سیلز میں خود بخود کوڈ تیار کرنے کے قابل بناتا ہے۔ یہ خصوصیت ان تمام خطوں میں دستیاب ہے جہاں SageMaker Studio دستیاب ہے۔

حل جائزہ

آئیے مزید سمجھیں کہ یہ نیا ویجیٹ کس طرح ڈیٹا کی تلاش کو نمایاں طور پر آسان بناتا ہے اور ڈیٹا انجینئرز اور پریکٹیشنرز کے لیے ڈیٹا کی تیاری کے مجموعی تجربے کو بہتر بنانے کے لیے ایک ہموار تجربہ فراہم کرتا ہے۔ ہمارے استعمال کے معاملے کے لیے، ہم کا ایک ترمیم شدہ ورژن استعمال کرتے ہیں۔ ٹائٹینک ڈیٹاسیٹ، ML کمیونٹی میں ایک مقبول ڈیٹاسیٹ، جسے اب بطور a شامل کیا گیا ہے۔ نمونہ ڈیٹاسیٹ تاکہ آپ سیج میکر ڈیٹا رینگلر کے ساتھ جلدی شروع کر سکیں۔ اصل ڈیٹا سیٹ سے حاصل کیا گیا تھا۔ اوپن ایم ایل، اور اس ڈیمو کے لئے ایمیزون کے ذریعہ مصنوعی ڈیٹا کے معیار کے مسائل کو شامل کرنے کے لئے ترمیم کی گئی ہے۔ آپ عوامی S3 پاتھ سے ڈیٹاسیٹ کا ترمیم شدہ ورژن ڈاؤن لوڈ کر سکتے ہیں۔ s3://sagemaker-sample-files/datasets/tabular/dirty-titanic/titanic-dirty-4.csv.

شرائط

اس پوسٹ میں بیان کردہ تمام خصوصیات کے ساتھ تجربہ حاصل کرنے کے لیے، درج ذیل شرائط کو مکمل کریں:

1. یقینی بنائیں کہ آپ کے پاس AWS اکاؤنٹ ہے، اکاؤنٹ میں لاگ ان کرنے کے لیے محفوظ رسائی AWS مینجمنٹ کنسول، اور AWS شناخت اور رسائی کا انتظام (IAM) استعمال کرنے کی اجازت ایمیزون سیج میکر اور ایمیزون سادہ اسٹوریج سروس (ایمیزون S3) وسائل۔
2. عوامی S3 راستے سے نمونہ ڈیٹاسیٹ استعمال کریں۔ s3://sagemaker-sample-files/datasets/tabular/dirty-titanic/titanic-dirty-4.csv یا متبادل کے طور پر اسے S3 بالٹی میں اپ لوڈ کریں۔ آپ کے اکاؤنٹ میں
3. SageMaker ڈومین پر آن بورڈ اور نوٹ بک استعمال کرنے کے لیے اسٹوڈیو تک رسائی حاصل کریں۔ ہدایات کے لیے، رجوع کریں۔ ایمیزون سیج میکر ڈومین پر آن بورڈ. اگر آپ موجودہ اسٹوڈیو استعمال کر رہے ہیں، تو اپ گریڈ کریں۔ اسٹوڈیو کا تازہ ترین ورژن.

ڈیٹا ایکسپلوریشن ویجیٹ کو فعال کریں۔

جب آپ پانڈاس ڈیٹا فریم استعمال کر رہے ہوتے ہیں، تو اسٹوڈیو نوٹ بک کے صارفین ڈیٹا ایکسپلوریشن ویجیٹ کو دستی طور پر فعال کر سکتے ہیں تاکہ ہر کالم کے اوپر ڈیفالٹ کے طور پر نئے تصورات ظاہر ہوں۔ ویجیٹ عددی ڈیٹا کے لیے ایک ہسٹوگرام اور ڈیٹا کی دیگر اقسام کے لیے بار چارٹ دکھاتا ہے۔ یہ نمائندگیاں آپ کو ڈیٹا کی تقسیم کو تیزی سے سمجھنے اور ہر کالم کے لیے بوائلر پلیٹ کے طریقے لکھے بغیر گمشدہ اقدار اور آؤٹ لیرز کو دریافت کرنے کی اجازت دیتی ہیں۔ تقسیم کی فوری سمجھ حاصل کرنے کے لیے آپ ہر بصری میں بار پر ہوور کر سکتے ہیں۔

اسٹوڈیو کھولیں اور ایک نئی Python 3 نوٹ بک بنائیں۔ کا انتخاب یقینی بنائیں ڈیٹا سائنس 3.0 کلک کرکے سیج میکر امیجز سے تصویر ماحول کو تبدیل کریں۔ بٹن پر کلک کرنا ہے۔

ڈیٹا ایکسپلوریشن ویجیٹ درج ذیل تصاویر میں دستیاب ہے۔ ڈیفالٹ سیج میکر امیجز کی فہرست کے لیے رجوع کریں۔ دستیاب ایمیزون سیج میکر امیجز.

• Python 3 (ڈیٹا سائنس) ازگر 3.7 کے ساتھ
• Python 3 (Data Science 2.0) Python 3.8 کے ساتھ
• Python 3 (Data Science 3.0) Python 3.10 کے ساتھ
• Spark Analytics 1.0 اور 2.0

اس ویجیٹ کو استعمال کرنے کے لیے، درآمد کریں۔ SageMaker_DataWrangler کتب خانہ. سے ٹائٹینک ڈیٹاسیٹ کا ترمیم شدہ ورژن لوڈ کریں۔ S3://sagemaker-sample-files/datasets/tabular/dirty-titanic/titanic-dirty-4.csv اور پانڈاس لائبریری کے ساتھ CSV پڑھیں:

import pandas as pd
import boto3
import io
import sagemaker_datawrangler

s3 = boto3.client('s3')
obj = s3.get_object(Bucket='sagemaker-sample-files', Key='datasets/tabular/dirty-titanic/titanic-dirty-4.csv')
df = pd.read_csv(io.BytesIO(obj['Body'].read()))

ڈیٹا کا تصور کریں۔

پانڈاس ڈیٹا فریم میں ڈیٹا لوڈ ہونے کے بعد، آپ صرف استعمال کرکے ڈیٹا دیکھ سکتے ہیں۔ df or display(df). قطار کی فہرست کے ساتھ، ڈیٹا پریپ ویجیٹ بصیرت، تصورات، اور ڈیٹا کے معیار کے بارے میں مشورہ تیار کرتا ہے۔ آپ کو خصوصیت اور ہدف کی بصیرت، تقسیم کی معلومات، یا ڈیٹا کوالٹی چیک پیش کرنے کے لیے کوئی اضافی کوڈ لکھنے کی ضرورت نہیں ہے۔ آپ اعداد و شمار کے خلاصے کو دیکھنے کے لیے ڈیٹا فریم ٹیبل کے ہیڈر کا انتخاب کر سکتے ہیں جو ڈیٹا کوالٹی وارننگز دکھاتا ہے، اگر کوئی ہے۔

ہر کالم ڈیٹا کی قسم کی بنیاد پر بار چارٹ یا ہسٹوگرام دکھاتا ہے۔ پہلے سے طے شدہ طور پر، ویجیٹ بامعنی بصیرت پیدا کرنے کے لیے 10,000 مشاہدات تک کا نمونہ بناتا ہے۔ یہ پورے ڈیٹاسیٹ پر بصیرت کا تجزیہ چلانے کا اختیار بھی فراہم کرتا ہے۔

جیسا کہ مندرجہ ذیل اسکرین شاٹ میں دکھایا گیا ہے، یہ ویجیٹ اس بات کی نشاندہی کرتا ہے کہ آیا کالم میں واضح یا مقداری ڈیٹا ہے۔

واضح ڈیٹا کے لیے، ویجیٹ تمام زمروں کے ساتھ بار چارٹ تیار کرتا ہے۔ مندرجہ ذیل اسکرین شاٹ میں، مثال کے طور پر، کالم Sex ڈیٹا پر زمروں کی شناخت کرتا ہے۔ آپ بار پر منڈلا سکتے ہیں (لڑکا اس صورت میں) ان زمروں کی تفصیلات دیکھنے کے لیے، جیسے قدر کے ساتھ قطاروں کی کل تعداد male اور کل بصری ڈیٹاسیٹ میں اس کی تقسیم (اس مثال میں 64.07%)۔ یہ واضح ڈیٹا کے لیے مختلف رنگوں میں گم شدہ اقدار کی کل فیصد کو بھی نمایاں کرتا ہے۔ مقداری ڈیٹا کے لیے جیسے ticket کالم، یہ غلط اقدار کے فیصد کے ساتھ تقسیم کو ظاہر کرتا ہے۔

اگر آپ نوٹ بک میں پانڈوں کا معیاری تصور دیکھنا چاہتے ہیں تو آپ انتخاب کر سکتے ہیں۔ پانڈوں کی میز دیکھیں اور ویجیٹ اور پانڈاس کی نمائندگی کے درمیان ٹوگل کریں، جیسا کہ درج ذیل اسکرین شاٹ میں دکھایا گیا ہے۔

کالم میں موجود ڈیٹا کے بارے میں مزید تفصیلی بصیرت حاصل کرنے کے لیے، کالم کے لیے وقف کردہ سائیڈ پینل کو کھولنے کے لیے کالم کا ہیڈر منتخب کریں۔ یہاں آپ دو ٹیبز کا مشاہدہ کر سکتے ہیں: انسائٹس اور ڈیٹا کا معیار.

مندرجہ ذیل حصوں میں، ہم ان دو اختیارات کو مزید تفصیل سے دریافت کرتے ہیں۔

انسائٹس

۔ انسائٹس ٹیب ہر کالم کے لیے تفصیل کے ساتھ تفصیلات فراہم کرتا ہے۔ اس سیکشن میں مجموعی اعدادوشمار کی فہرست دی گئی ہے، جیسے کہ وضع، انفرادیت کی تعداد، تناسب اور گمشدہ/غلط قدروں کے لیے شمار، وغیرہ، نیز ہسٹوگرام یا بار چارٹ کی مدد سے ڈیٹا کی تقسیم کا تصور کریں۔ درج ذیل اسکرین شاٹس میں، آپ منتخب کالم کے لیے آسانی سے قابل فہم تصورات کے ساتھ دکھائے جانے والے ڈیٹا کی بصیرت اور تقسیم کی معلومات کو چیک کر سکتے ہیں۔ survived.

ڈیٹا کا معیار

اسٹوڈیو ڈیٹا پریپ ویجیٹ ہیڈر میں وارننگ سائن کے ساتھ ڈیٹا کے معیار کے مسائل کی نشاندہی کرتا ہے۔ ویجیٹ ڈیٹا کوالٹی ایشوز کے پورے اسپیکٹرم کی شناخت کر سکتا ہے بنیادی باتوں (گمشدہ اقدار، مستقل کالم، وغیرہ) سے لے کر زیادہ ایم ایل مخصوص (ٹارگٹ لیکیج، کم پیشن گوئی سکور کی خصوصیات، وغیرہ)۔ ویجیٹ ان سیلز کو ہائی لائٹ کرتا ہے جو ڈیٹا کوالٹی کے مسئلے کا باعث بنتے ہیں اور قطاروں کو دوبارہ ترتیب دیتے ہیں تاکہ مسائل والے سیلز کو اوپر رکھا جا سکے۔ ڈیٹا کوالٹی کے مسئلے کو حل کرنے کے لیے ویجیٹ کئی ٹرانسفارمرز فراہم کرتا ہے، جو ایک بٹن کے کلک پر لاگو ہوتے ہیں۔

ڈیٹا کوالٹی سیکشن کو دریافت کرنے کے لیے، کالم ہیڈر کا انتخاب کریں، اور سائیڈ پینل میں، کو منتخب کریں۔ ڈیٹا کا معیار ٹیب آپ کو اپنے اسٹوڈیو ماحول میں درج ذیل کو دیکھنا چاہیے۔

آئیے پر دستیاب مختلف آپشنز کو دیکھتے ہیں۔ ڈیٹا کا معیار ٹیب اس مثال کے لیے، ہم عمر کے کالم کا انتخاب کرتے ہیں، جس کا پتہ ڈیٹا کی بنیاد پر ایک مقداری کالم کے طور پر ہوتا ہے۔ جیسا کہ ہم مندرجہ ذیل اسکرین شاٹ میں دیکھ سکتے ہیں، یہ ویجیٹ مختلف قسم کی تبدیلیوں کا مشورہ دیتا ہے جن کا آپ اطلاق کر سکتے ہیں، بشمول سب سے عام اعمال، جیسے نئی قدر سے بدلیں۔, ڈراپ غائب, میڈین سے بدلیں۔، یا مطلب کے ساتھ بدلیں۔. آپ ان میں سے کسی کو بھی اپنے ڈیٹاسیٹ کے لیے استعمال کے معاملے کی بنیاد پر منتخب کر سکتے ہیں (ایم ایل کا مسئلہ جسے آپ حل کرنے کی کوشش کر رہے ہیں)۔ یہ آپ کو بھی دیتا ہے۔ ڈراپ کالم آپشن اگر آپ فیچر کو مکمل طور پر ہٹانا چاہتے ہیں۔

جب آپ کا انتخاب کریں لاگو کریں اور کوڈ برآمد کریں۔، ٹرانسفارم ڈیٹا فریم کی گہری کاپی پر لاگو ہوتا ہے۔ تبدیلی کے کامیابی کے ساتھ لاگو ہونے کے بعد، ڈیٹا ٹیبل کو بصیرت اور تصورات کے ساتھ تازہ کیا جاتا ہے۔ ٹرانسفارم کوڈ نوٹ بک میں موجود سیل کے بعد تیار ہوتا ہے۔ آپ اپنے ڈیٹا سیٹس پر تبدیلی کو لاگو کرنے کے لیے اس برآمد شدہ کوڈ کو بعد میں چلا سکتے ہیں، اور اسے اپنی ضرورت کے مطابق بڑھا سکتے ہیں۔ آپ پیدا کردہ کوڈ میں براہ راست ترمیم کرکے تبدیلی کو اپنی مرضی کے مطابق بنا سکتے ہیں۔ اگر ہم لاگو کرتے ہیں ڈراپ غائب ایج کالم میں آپشن، ڈیٹاسیٹ پر درج ذیل ٹرانسفارمیشن کوڈ کا اطلاق ہوتا ہے، اور ویجیٹ کے نیچے ایک سیل میں کوڈ بھی تیار ہوتا ہے۔

#Pandas code generated by sagemaker_datawrangler
output_df = df.copy(deep=True) 

#Code to Drop missing for column: age to resolve warning: Missing values 
output_df = output_df[output_df['age'].notnull()]

ذیل میں کوڈ کے ٹکڑوں کی ایک اور مثال ہے۔ میڈین سے بدلیں۔:

#Pandas code generated by sagemaker_datawrangler
output_df = df.copy(deep=True) 

#Code to Replace with median for column: age to resolve warning: Missing values 
output_df['age']=output_df['age'].fillna(output_df['age'].median(skipna=True))

اب آئیے ڈیٹا پریپ ویجیٹ کی ٹارگٹ بصیرت کی صلاحیت کو دیکھتے ہیں۔ فرض کریں کہ آپ استعمال کرنا چاہتے ہیں۔ survived یہ پیش گوئی کرنے کی خصوصیت ہے کہ آیا کوئی مسافر زندہ رہے گا۔ منتخب کیجئیے survived کالم ہیڈر. سائیڈ پینل میں، منتخب کریں۔ ہدف کالم کے بطور منتخب کریں۔. کے لیے مثالی ڈیٹا کی تقسیم survived خصوصیت کی صرف دو کلاسیں ہونی چاہئیں: ہاں (1) یا نہیں (0)، جو ٹائٹینک کے حادثے سے بچنے کے امکانات کی درجہ بندی میں مدد کرتا ہے۔ تاہم، منتخب کردہ ٹارگٹ کالم میں ڈیٹا کی عدم مطابقت کی وجہ سے، بچ جانے والی خصوصیت موجود ہے۔ 0, 1, ?, unknown، اور yes.

منتخب کردہ ہدف کالم کی بنیاد پر مسئلہ کی قسم کا انتخاب کریں، جو یا تو ہو سکتا ہے۔ کی درجہ بندی or رجریشن. بقایا کالم کے لیے، مسئلہ کی قسم درجہ بندی ہے۔ منتخب کریں۔ رن ہدف کالم کے لیے بصیرت پیدا کرنے کے لیے۔

ڈیٹا پریپ ویجیٹ ٹارگٹ کالم کے ڈیٹا کوالٹی کے مسائل کو حل کرنے کے لیے سفارشات اور نمونے کی وضاحت کے ساتھ ہدف کالم کی بصیرت کی فہرست دیتا ہے۔ یہ کالم میں غیر معمولی ڈیٹا کو خود بخود بھی نمایاں کرتا ہے۔

ہم تجویز کردہ تبدیلی کا انتخاب کرتے ہیں۔ نایاب ہدف کی قدریں گرائیں۔کیونکہ نایاب ہدف کی اقدار کے لیے کم مشاہدات ہیں۔

منتخب کردہ تبدیلی کو پانڈاس ڈیٹا فریم پر لاگو کیا جاتا ہے اور غیر معمولی ہدف کی قدروں کو بچ جانے والے کالم سے ختم کر دیا گیا تھا۔ درج ذیل کوڈ دیکھیں:

# Pandas code generated by sagemaker_datawrangler
output_df = df.copy(deep=True)

# Code to Drop rare target values for column: survived to resolve warning: Too few instances per class 
rare_target_labels_to_drop = ['?', 'unknown', 'yes']
output_df = output_df[~output_df['survived'].isin(rare_target_labels_to_drop)]

لاگو تبدیلی کے نتائج فوری طور پر ڈیٹا فریم پر نظر آتے ہیں۔ ڈیٹا پریپ ویجیٹ کا استعمال کرتے ہوئے لاگو ڈیٹا کی تیاری کی سرگرمیوں کو ٹریک کرنے کے لیے، درج ذیل نوٹ بک سیل میں تبدیل شدہ کوڈ بھی تیار کیا جاتا ہے۔

نتیجہ

اس پوسٹ میں، ہم نے اس بارے میں رہنمائی فراہم کی ہے کہ اسٹوڈیو ڈیٹا پریپ ویجیٹ کس طرح آپ کو ڈیٹا کی تقسیم کا تجزیہ کرنے، ٹول کے ذریعے تیار کردہ ڈیٹا کے معیار کی بصیرت کو دریافت کرنے، اور ہر اہم خصوصیت کے لیے آؤٹ لیرز جیسے ممکنہ مسائل سے پردہ اٹھانے میں مدد کر سکتا ہے۔ اس سے آپ کو اعلیٰ معیار کے ماڈلز کو تربیت دینے میں مدد کرنے کے لیے ڈیٹا کے مجموعی معیار کو بہتر بنانے میں مدد ملتی ہے، اور یہ آپ کو صارف کے انٹرفیس پر ڈیٹا کو تبدیل کرنے اور نوٹ بک سیلز کے لیے خود بخود کوڈ بنانے کی اجازت دے کر غیر متفاوت بھاری لفٹنگ کو ہٹاتا ہے۔ اس کے بعد آپ اس کوڈ کو اپنی MLOps پائپ لائنوں میں تولیدی صلاحیت کو بنانے، بار بار کاموں پر وقت ضائع کرنے سے بچنے، اور ڈیٹا رینگلنگ پائپ لائنوں کی تعمیر اور تعیناتی کو تیز کرکے مطابقت کے مسائل کو کم کرنے کے لیے استعمال کر سکتے ہیں۔

اگر آپ سیج میکر ڈیٹا رینگلر یا اسٹوڈیو میں نئے ہیں تو رجوع کریں۔ سیج میکر ڈیٹا رینگلر کے ساتھ شروعات کریں۔. اگر آپ کے پاس اس پوسٹ سے متعلق کوئی سوالات ہیں، تو براہ کرم اسے تبصرے کے سیکشن میں شامل کریں۔

مصنفین کے بارے میں

پارتھ پٹیل سان فرانسسکو بے ایریا میں AWS میں ایک حل آرکیٹیکٹ ہے۔ پارتھ گاہکوں کی رہنمائی کرتا ہے کہ وہ کلاؤڈ تک اپنے سفر کو تیز کریں اور AWS کلاؤڈ کو کامیابی سے اپنانے اور بڑھنے میں ان کی مدد کریں۔ وہ مشین لرننگ، ماحولیاتی پائیداری، اور اطلاق کی جدید کاری پر توجہ مرکوز کرتا ہے۔

عشاء کی دعا سان فرانسسکو بے ایریا میں مقیم ایک سینئر سولیوشن آرکیٹیکٹ ہے۔ وہ AWS انٹرپرائز کے صارفین کو ان کے اہداف اور چیلنجوں کو سمجھ کر بڑھنے میں مدد کرتی ہے، اور ان کی رہنمائی کرتی ہے کہ وہ کس طرح اپنی ایپلی کیشنز کو کلاؤڈ-نیٹیو انداز میں آرکیٹیکٹ کر سکتے ہیں جبکہ یہ یقینی بناتے ہوئے کہ وہ لچکدار اور قابل توسیع ہیں۔ وہ مشین لرننگ ٹیکنالوجیز اور ماحولیاتی پائیداری کے بارے میں پرجوش ہے۔

ہری ہرن سریش AWS میں ایک سینئر سولیوشن آرکیٹیکٹ ہے۔ وہ ڈیٹا بیس، مشین لرننگ، اور اختراعی حل ڈیزائن کرنے کا شوق رکھتا ہے۔ AWS میں شامل ہونے سے پہلے، ہری ہرن ایک پروڈکٹ آرکیٹیکٹ، کور بینکنگ کے نفاذ کے ماہر، اور ڈویلپر تھے، اور انہوں نے BFSI تنظیموں کے ساتھ 11 سال سے زیادہ کام کیا۔ ٹیکنالوجی سے باہر، وہ پیراگلائیڈنگ اور سائیکلنگ سے لطف اندوز ہوتا ہے۔

ڈینی مچل ایمیزون ویب سروسز میں ایک AI/ML ماہر حل آرکیٹیکٹ ہے۔ وہ کمپیوٹر ویژن کے استعمال کے معاملات پر توجہ مرکوز کرتا ہے اور EMEA بھر کے صارفین کو ان کے ML سفر کو تیز کرنے میں مدد کرتا ہے۔