Amazon SageMaker Canvas میں بغیر کوڈ مشین لرننگ سلوشنز بنانے کے لیے Amazon DocumentDB کا استعمال کریں ایمیزون ویب سروسز

کے آغاز کا اعلان کرتے ہوئے ہم پرجوش ہیں۔ ایمیزون دستاویز ڈی بی (مونگو ڈی بی مطابقت کے ساتھ) کے ساتھ انضمام ایمیزون سیج میکر کینوس, Amazon DocumentDB صارفین کو کوڈ لکھے بغیر جنریٹو AI اور مشین لرننگ (ML) سلوشنز بنانے اور استعمال کرنے کی اجازت دیتا ہے۔ Amazon DocumentDB ایک مکمل طور پر منظم مقامی JSON دستاویز کا ڈیٹا بیس ہے جو بنیادی ڈھانچے کے انتظام کے بغیر عملی طور پر کسی بھی پیمانے پر اہم دستاویز کے کام کے بوجھ کو چلانے کے لیے اسے سیدھا اور لاگت سے موثر بناتا ہے۔ Amazon SageMaker Canvas ایک بغیر کوڈ ML ورک اسپیس ہے جو استعمال کے لیے تیار ماڈل پیش کرتا ہے، بشمول فاؤنڈیشن ماڈلز، اور ڈیٹا تیار کرنے اور حسب ضرورت ماڈل بنانے اور تعینات کرنے کی صلاحیت۔

اس پوسٹ میں، ہم Amazon DocumentDB میں ذخیرہ شدہ ڈیٹا کو SageMaker Canvas میں لانے اور پیشین گوئی کرنے والے تجزیات کے لیے ML ماڈل بنانے کے لیے اس ڈیٹا کو استعمال کرنے کے بارے میں بات کرتے ہیں۔ ڈیٹا پائپ لائنز بنائے اور برقرار رکھے بغیر، آپ Amazon DocumentDB میں ذخیرہ شدہ اپنے غیر ساختہ ڈیٹا کے ساتھ ML ماڈلز کو طاقت دے سکیں گے۔

حل جائزہ

آئیے فوڈ ڈیلیوری کمپنی کے لیے کاروباری تجزیہ کار کا کردار فرض کریں۔ آپ کی موبائل ایپ Amazon DocumentDB میں ریستورانوں کے بارے میں معلومات کو اس کی توسیع پذیری اور لچکدار اسکیما کی صلاحیتوں کی وجہ سے اسٹور کرتی ہے۔ آپ اس ڈیٹا کے بارے میں بصیرتیں اکٹھا کرنا چاہتے ہیں اور ایک ML ماڈل بنانا چاہتے ہیں تاکہ یہ اندازہ لگایا جا سکے کہ نئے ریستوران کی درجہ بندی کیسے کی جائے گی، لیکن غیر ساختہ ڈیٹا پر تجزیات کرنا مشکل ہے۔ آپ کو رکاوٹوں کا سامنا کرنا پڑتا ہے کیونکہ آپ کو ان مقاصد کو پورا کرنے کے لیے ڈیٹا انجینئرنگ اور ڈیٹا سائنس ٹیموں پر انحصار کرنے کی ضرورت ہے۔

یہ نیا انضمام Amazon DocumentDB ڈیٹا کو SageMaker Canvas میں لانا آسان بنا کر ان مسائل کو حل کرتا ہے اور فوری طور پر ML کے لیے ڈیٹا کی تیاری اور تجزیہ کرنا شروع کر دیتا ہے۔ مزید برآں، SageMaker Canvas اعلیٰ معیار کے ماڈل بنانے اور پیشین گوئیاں پیدا کرنے کے لیے ML مہارت پر انحصار کو ختم کرتا ہے۔

ہم مندرجہ ذیل مراحل میں SageMaker Canvas میں ML ماڈل بنانے کے لیے Amazon DocumentDB ڈیٹا کو استعمال کرنے کا طریقہ دکھاتے ہیں۔

1. SageMaker کینوس میں ایک Amazon DocumentDB کنیکٹر بنائیں۔
2. جنریٹیو AI کا استعمال کرتے ہوئے ڈیٹا کا تجزیہ کریں۔
3. مشین لرننگ کے لیے ڈیٹا تیار کریں۔
4. ایک ماڈل بنائیں اور پیشین گوئیاں بنائیں۔

شرائط

اس حل کو نافذ کرنے کے لیے، درج ذیل شرائط کو مکمل کریں:

1. AWS کلاؤڈ ایڈمن تک رسائی حاصل کریں۔ AWS شناخت اور رسائی کا انتظام (اے ایم آئی) صارف انضمام کو مکمل کرنے کے لیے درکار اجازتوں کے ساتھ۔
2. کا استعمال کرتے ہوئے ماحولیاتی سیٹ اپ مکمل کریں۔ AWS کلاؤڈ فارمیشن مندرجہ ذیل اختیارات میں سے کسی کے ذریعے:
   1. CloudFormation ٹیمپلیٹ کو ایک نئے VPC میں تعینات کریں۔ - یہ آپشن ایک نیا AWS ماحول بناتا ہے جس میں VPC، پرائیویٹ سب نیٹس، سیکورٹی گروپس، IAM پر عمل درآمد کے کردار، ایمیزون کلاؤڈ 9, VPC اینڈ پوائنٹس کی ضرورت ہے۔، اور سیج میکر ڈومین. یہ پھر اس نئے VPC میں Amazon DocumentDB کو تعینات کرتا ہے۔ ڈاؤن لوڈ کریں۔ سانچے یا منتخب کرکے CloudFormation اسٹیک کو فوری لانچ کریں۔ اسٹیک لانچ کریں۔:
      
   2. کلاؤڈ فارمیشن ٹیمپلیٹ کو موجودہ VPC میں تعینات کریں۔ - یہ آپشن پرائیویٹ سب نیٹس کے ساتھ موجودہ VPC میں مطلوبہ VPC اینڈ پوائنٹس، IAM ایگزیکیوشن رولز، اور SageMaker ڈومین تخلیق کرتا ہے۔ ڈاؤن لوڈ کریں۔ سانچے یا منتخب کرکے CloudFormation اسٹیک کو فوری لانچ کریں۔ اسٹیک لانچ کریں۔:
      

نوٹ کریں کہ اگر آپ ایک نیا SageMaker ڈومین بنا رہے ہیں، تو آپ کو ڈومین کو کنفیگر کرنا چاہیے کہ وہ انٹرنیٹ تک رسائی کے بغیر نجی VPC میں ہو تاکہ کنیکٹر کو Amazon DocumentDB میں شامل کر سکیں۔ مزید جاننے کے لیے رجوع کریں۔ انٹرنیٹ تک رسائی کے بغیر VPC میں Amazon SageMaker کینوس کو ترتیب دیں۔.

3. فالو کریں سبق Amazon DocumentDB میں ریستوران کا نمونہ ڈیٹا لوڈ کرنے کے لیے۔
4. Amazon Bedrock اور اس کے اندر موجود Anthropic Claude ماڈل تک رسائی شامل کریں۔ مزید معلومات کے لیے دیکھیں ماڈل تک رسائی شامل کریں۔.

SageMaker کینوس میں ایک Amazon DocumentDB کنیکٹر بنائیں

اپنا SageMaker ڈومین بنانے کے بعد، درج ذیل مراحل کو مکمل کریں:

1. Amazon DocumentDB کنسول پر، منتخب کریں۔ بغیر کوڈ مشین لرننگ نیوی گیشن پین میں.
2. کے تحت ایک ڈومین اور پروفائل کا انتخاب کریں۔اپنا سیج میکر ڈومین اور صارف پروفائل منتخب کریں۔
3. میں سے انتخاب کریں کینوس لانچ کریں۔ سیج میکر کینوس کو ایک نئے ٹیب میں لانچ کرنے کے لیے۔
   

جب سیج میکر کینوس لوڈنگ مکمل کر لے گا، تو آپ پر اتریں گے۔ ڈیٹا کی روانی ٹیب.

4. میں سے انتخاب کریں تخلیق کریں ایک نیا ڈیٹا فلو بنانے کے لیے۔
   
5. اپنے ڈیٹا کے بہاؤ کے لیے ایک نام درج کریں اور منتخب کریں۔ تخلیق کریں.
6. منتخب کرکے ایک نیا Amazon DocumentDB کنکشن شامل کریں۔ ڈیٹا درآمد کریں۔، پھر منتخب کریں ٹیبلر لیے ڈیٹا سیٹ کی قسم.
7. پر ڈیٹا درآمد کریں۔ صفحہ، کے لیے ڈیٹا کا ذریعہمنتخب کریں دستاویز ڈی بی اور کنکشن شامل کریں۔.
   
8. کنکشن کا نام درج کریں جیسے ڈیمو اور اپنا مطلوبہ ایمیزون ڈاکیومنٹ ڈی بی کلسٹر منتخب کریں۔

نوٹ کریں کہ SageMaker Canvas ڈراپ ڈاؤن مینو کو آپ کے SageMaker ڈومین کی طرح اسی VPC میں کلسٹرز کے ساتھ پہلے سے تیار کرے گا۔

9. صارف کا نام، پاس ورڈ، اور ڈیٹا بیس کا نام درج کریں۔
10. آخر میں، اپنی پڑھنے کی ترجیح منتخب کریں۔

بنیادی مثالوں کی کارکردگی کے تحفظ کے لیے، SageMaker Canvas ڈیفالٹ کرتا ہے۔ سیکنڈری، اس کا مطلب ہے کہ یہ صرف ثانوی مثالوں سے پڑھے گا۔ جب پڑھنے کی ترجیح ہوتی ہے۔ ثانوی ترجیح, SageMaker Canvas دستیاب ثانوی مثالوں سے پڑھتا ہے، لیکن اگر ثانوی مثال دستیاب نہیں ہے تو بنیادی مثال سے پڑھے گا۔ Amazon DocumentDB کنکشن کو کنفیگر کرنے کے بارے میں مزید معلومات کے لیے، دیکھیں AWS میں محفوظ ڈیٹا بیس سے جڑیں۔.

11. میں سے انتخاب کریں کنکشن شامل کریں۔.
    

اگر کنکشن کامیاب ہو جاتا ہے، تو آپ اپنے Amazon DocumentDB ڈیٹا بیس میں مجموعے دیکھیں گے جو ٹیبل کے طور پر دکھائے گئے ہیں۔

12. اپنی پسند کی میز کو خالی کینوس پر گھسیٹیں۔ اس پوسٹ کے لیے، ہم اپنے ریستوراں کا ڈیٹا شامل کرتے ہیں۔

پہلی 100 قطاریں پیش نظارہ کے طور پر ظاہر ہوتی ہیں۔

13. اپنے ڈیٹا کا تجزیہ اور تیاری شروع کرنے کے لیے، منتخب کریں۔ ڈیٹا درآمد کریں۔.
    
14. ڈیٹا سیٹ کا نام درج کریں اور منتخب کریں۔ ڈیٹا درآمد کریں۔.

جنریٹیو AI کا استعمال کرتے ہوئے ڈیٹا کا تجزیہ کریں۔

اگلا، ہم اپنے ڈیٹا کے بارے میں کچھ بصیرت حاصل کرنا چاہتے ہیں اور پیٹرن تلاش کرنا چاہتے ہیں۔ SageMaker Canvas ڈیٹا کا تجزیہ کرنے اور تیار کرنے کے لیے ایک قدرتی زبان کا انٹرفیس فراہم کرتا ہے۔ جب ڈیٹا ٹیب لوڈ، آپ درج ذیل مراحل کے ساتھ اپنے ڈیٹا کے ساتھ چیٹنگ شروع کر سکتے ہیں:

1. میں سے انتخاب کریں ڈیٹا کی تیاری کے لیے چیٹ کریں۔.
   
2. مندرجہ ذیل اسکرین شاٹس میں دکھائے گئے نمونے جیسے سوالات پوچھ کر اپنے ڈیٹا کے بارے میں بصیرتیں جمع کریں۔
   

ڈیٹا کو دریافت کرنے اور تیار کرنے کے لیے قدرتی زبان کے استعمال کے بارے میں مزید جاننے کے لیے، ملاحظہ کریں۔ Amazon SageMaker Canvas کی نئی صلاحیت کے ساتھ ڈیٹا کو دریافت کرنے اور تیار کرنے کے لیے قدرتی زبان کا استعمال کریں۔.

آئیے SageMaker کینوس ڈیٹا کوالٹی اور انسائٹس رپورٹ کا استعمال کرکے اپنے ڈیٹا کے معیار کا گہرا احساس حاصل کریں، جو خود بخود ڈیٹا کے معیار کا جائزہ لیتی ہے اور اسامانیتاوں کا پتہ لگاتی ہے۔

3. پر تجزیہ ٹیب، منتخب کریں ڈیٹا کوالٹی اور بصیرت کی رپورٹ.
4. میں سے انتخاب کریں rating ہدف کالم کے طور پر اور رجریشن مسئلہ کی قسم کے طور پر، پھر منتخب کریں تخلیق کریں.

یہ ماڈل ٹریننگ کی تقلید کرے گا اور بصیرت فراہم کرے گا کہ ہم مشین لرننگ کے لیے اپنے ڈیٹا کو کیسے بہتر بنا سکتے ہیں۔ مکمل رپورٹ چند منٹوں میں تیار ہو جاتی ہے۔

ہماری رپورٹ سے پتہ چلتا ہے کہ ہمارے ہدف کی 2.47% قطاروں میں قدریں غائب ہیں—ہم اگلے مرحلے میں اس پر توجہ دیں گے۔ مزید برآں، تجزیہ سے پتہ چلتا ہے کہ address line 2, name، اور type_of_food خصوصیات میں ہمارے ڈیٹا میں سب سے زیادہ پیشن گوئی کی طاقت ہے۔ اس سے پتہ چلتا ہے کہ ریستوراں کی بنیادی معلومات جیسے مقام اور کھانے کا درجہ بندیوں پر بڑا اثر ہو سکتا ہے۔

مشین لرننگ کے لیے ڈیٹا تیار کریں۔

سیج میکر کینوس آپ کے درآمد شدہ ڈیٹا کو تیار کرنے کے لیے 300 سے زیادہ بلٹ ان ٹرانسفارمیشنز پیش کرتا ہے۔ سیج میکر کینوس کی تبدیلی کی خصوصیات کے بارے میں مزید معلومات کے لیے رجوع کریں۔ اعلی درجے کی تبدیلیوں کے ساتھ ڈیٹا تیار کریں۔. آئیے اپنے ڈیٹا کو ML ماڈل کی تربیت کے لیے تیار کرنے کے لیے کچھ تبدیلیاں شامل کریں۔

1. پر واپس نیویگیٹ کریں۔ ڈیٹا کے بہاؤ صفحہ کے اوپری حصے میں اپنے ڈیٹا کے بہاؤ کا نام منتخب کرکے صفحہ۔
2. آگے جمع کا نشان منتخب کریں۔ ڈیٹا کی اقسام اور منتخب کریں تبدیلی شامل کریں۔.
   
3. میں سے انتخاب کریں قدم شامل کریں۔.
4. آئیے کا نام تبدیل کریں۔ address line 2 کالم cities.
   1. میں سے انتخاب کریں کالموں کا نظم کریں۔.
   2. میں سے انتخاب کریں کالم کا نام تبدیل کریں۔ لیے تبدیل.
   3. میں سے انتخاب کریں address line 2 لیے ان پٹ کالم، داخل کریں cities لیے نیا نام، اور منتخب کریں شامل کریں.
      
5. مزید برآں، آئیے کچھ غیر ضروری کالم چھوڑ دیں۔
   1. ایک نیا ٹرانسفارم شامل کریں۔
   2. کے لئے تبدیلمنتخب کریں ڈراپ کالم.
   3. کے لئے چھوڑنے کے لیے کالممنتخب کریں URL اور restaurant_id.
   4. میں سے انتخاب کریں شامل کریں.
      [
6. ہماری rating فیچر کالم میں کچھ گم شدہ اقدار ہیں، تو آئیے اس کالم کی اوسط قدر کے ساتھ ان قطاروں کو بھرتے ہیں۔
   1. ایک نیا ٹرانسفارم شامل کریں۔
   2. کے لئے تبدیلمنتخب کریں الزام لگانا.
   3. کے لئے کالم کی قسممنتخب کریں نمبری.
   4. کے لئے ان پٹ کالمز، منتخب کیجئیے rating کالم.
   5. کے لئے تاثر دینے کی حکمت عملیمنتخب کریں مطلب.
   6. کے لئے آؤٹ پٹ کالم، داخل کریں rating_avg_filled.
   7. میں سے انتخاب کریں شامل کریں.
      
7. ہم چھوڑ سکتے ہیں rating کالم کیونکہ ہمارے پاس بھری ہوئی اقدار کے ساتھ ایک نیا کالم ہے۔
8. کیونکہ type_of_food فطرت میں واضح ہے، ہم اسے عددی طور پر انکوڈ کرنا چاہیں گے۔ آئیے ایک گرم انکوڈنگ تکنیک کا استعمال کرتے ہوئے اس خصوصیت کو انکوڈ کریں۔
   1. ایک نیا ٹرانسفارم شامل کریں۔
   2. کے لئے تبدیلمنتخب کریں ایک گرم انکوڈ.
   3. ان پٹ کالمز کے لیے، منتخب کریں۔ type_of_food.
   4. کے لئے ہینڈلنگ کی غلط حکمت عملیمنتخب کریں رکھیں.
   5. کے لئے آؤٹ پٹ اسٹائلمنتخب کریں کالم.
   6. کے لئے آؤٹ پٹ کالم، داخل کریں encoded.
   7. میں سے انتخاب کریں شامل کریں.
      

ایک ماڈل بنائیں اور پیشین گوئیاں بنائیں

اب جب کہ ہم نے اپنے ڈیٹا کو تبدیل کر دیا ہے، آئیے ریستورانوں کی درجہ بندی کی پیشین گوئی کرنے کے لیے ایک عددی ML ماڈل کو تربیت دیں۔

1. میں سے انتخاب کریں ماڈل بنائیں.
2. کے لئے ڈیٹا سیٹ کا نامڈیٹا سیٹ کی برآمد کے لیے ایک نام درج کریں۔
3. میں سے انتخاب کریں برآمد اور تبدیل شدہ ڈیٹا کے برآمد ہونے کا انتظار کریں۔
   
4. منتخب کیجئیے ماڈل بنائیں صفحہ کے نیچے بائیں کونے میں لنک۔

آپ صفحہ کے بائیں جانب ڈیٹا رینگلر فیچر سے ڈیٹاسیٹ بھی منتخب کر سکتے ہیں۔

5. ماڈل کا نام درج کریں۔
6. میں سے انتخاب کریں پیشگوئی کا تجزیہ، پھر منتخب کریں تخلیق کریں.
7. میں سے انتخاب کریں rating_avg_filled ہدف کالم کے طور پر.

سیج میکر کینوس خود بخود ایک مناسب ماڈل کی قسم کا انتخاب کرتا ہے۔

8. میں سے انتخاب کریں پیش نظارہ ماڈل اس بات کو یقینی بنانے کے لیے کہ ڈیٹا کے معیار کا کوئی مسئلہ نہیں ہے۔
9. میں سے انتخاب کریں فوری تعمیر ماڈل کی تعمیر کے لئے.
   

ماڈل کی تخلیق کو مکمل ہونے میں تقریباً 2-15 منٹ لگیں گے۔

آپ ماڈل کی تربیت مکمل کرنے کے بعد ماڈل کی حیثیت دیکھ سکتے ہیں۔ ہمارے ماڈل کا RSME 0.422 ہے، جس کا مطلب ہے کہ ماڈل اکثر ریسٹورنٹ کی ریٹنگ کی پیشین گوئی کرتا ہے اصل قیمت کے +/- 0.422 کے اندر، جو کہ 1–6 کے درجہ بندی کے پیمانے کے لیے ایک ٹھوس تخمینہ ہے۔

10. آخر میں، آپ نیویگیٹ کر کے نمونے کی پیشین گوئیاں تیار کر سکتے ہیں۔ پیش گوئ کرنا۔ ٹیب.
    

صاف کرو

مستقبل کے چارجز سے بچنے کے لیے، اس پوسٹ کی پیروی کرتے ہوئے اپنے بنائے گئے وسائل کو حذف کر دیں۔ سیج میکر کینوس آپ کو سیشن کے دورانیے کا بل دیتا ہے، اور ہم تجویز کرتے ہیں کہ جب آپ سیج میکر کینوس استعمال نہ کر رہے ہوں تو اس سے لاگ آؤٹ کریں۔ کا حوالہ دیتے ہیں Amazon SageMaker Canvas سے لاگ آؤٹ ہو رہا ہے۔ مزید تفصیلات کے لئے.

نتیجہ

اس پوسٹ میں، ہم نے اس بات پر تبادلہ خیال کیا کہ آپ Amazon DocumentDB میں ذخیرہ شدہ ڈیٹا کے ساتھ جنریٹیو AI اور ML کے لیے SageMaker Canvas کا استعمال کیسے کر سکتے ہیں۔ ہماری مثال میں، ہم نے دکھایا کہ ایک تجزیہ کار نمونے والے ریستوراں کے ڈیٹاسیٹ کا استعمال کرتے ہوئے کس طرح تیزی سے ایک اعلیٰ معیار کا ML ماڈل بنا سکتا ہے۔

ہم نے Amazon DocumentDB سے ڈیٹا درآمد کرنے سے لے کر SageMaker Canvas میں ML ماڈل بنانے تک، حل کو نافذ کرنے کے اقدامات دکھائے۔ مکمل عمل کوڈ کی ایک لائن لکھے بغیر بصری انٹرفیس کے ذریعے مکمل کیا گیا تھا۔

اپنا کم کوڈ/نو کوڈ ML سفر شروع کرنے کے لیے، رجوع کریں۔ ایمیزون سیج میکر کینوس.

---

مصنفین کے بارے میں

اڈیلیک کوکر AWS کے ساتھ ایک عالمی حل آرکیٹیکٹ ہے۔ وہ AWS پر پیمانے پر پیداواری کام کے بوجھ کو تعینات کرنے میں رہنمائی اور تکنیکی مدد فراہم کرنے کے لیے عالمی سطح پر صارفین کے ساتھ کام کرتا ہے۔ اپنے فارغ وقت میں، وہ سیکھنے، پڑھنے، گیمنگ اور کھیلوں کے واقعات دیکھنے سے لطف اندوز ہوتا ہے۔

گروراج ایس بیاری AWS میں ایک سینئر DocumentDB ماہر حل آرکیٹیکٹ ہے۔ وہ صارفین کو ایمیزون کے مقصد سے بنائے گئے ڈیٹا بیس کو اپنانے میں مدد کرنے سے لطف اندوز ہوتا ہے۔ وہ صارفین کو ان کے انٹرنیٹ اسکیل اور NoSQL اور/یا Relational ڈیٹابیس کے ذریعے چلنے والے اعلیٰ کارکردگی کے کام کے بوجھ کو ڈیزائن کرنے، جانچنے اور بہتر بنانے میں مدد کرتا ہے۔

ٹم پوساٹیری AWS میں ایک سینئر پروڈکٹ مینیجر ہے جہاں وہ Amazon SageMaker Canvas پر کام کرتا ہے۔ اس کا مقصد صارفین کو AI/ML سے تیزی سے قدر حاصل کرنے میں مدد کرنا ہے۔ کام سے باہر، وہ گھر سے باہر رہنا، گٹار بجانا، لائیو میوزک دیکھنا، اور خاندان اور دوستوں کے ساتھ وقت گزارنا پسند کرتا ہے۔

پرتیک داس AWS میں پروڈکٹ مینیجر ہے۔ وہ کلاؤڈ میں لچکدار کام کا بوجھ اور مضبوط ڈیٹا فاؤنڈیشن بنانے کے خواہاں صارفین کے ساتھ کام کرنے سے لطف اندوز ہوتا ہے۔ وہ جدید کاری، تجزیاتی اور ڈیٹا کی تبدیلی کے اقدامات پر کاروباری اداروں کے ساتھ کام کرنے کی مہارت لاتا ہے۔

ورما گوتوموکلا۔ ڈلاس فورٹ ورتھ میں مقیم AWS میں ایک سینئر ڈیٹا بیس اسپیشلسٹ سولیوشن آرکیٹیکٹ ہے۔ ورما صارفین کے ساتھ ان کے ڈیٹا بیس کی حکمت عملی پر کام کرتا ہے اور AWS مقصد سے بنائے گئے ڈیٹا بیس کا استعمال کرتے ہوئے ان کے کام کے بوجھ کو آرکیٹیکٹ کرتا ہے۔ AWS میں شامل ہونے سے پہلے، انہوں نے گزشتہ 22 سالوں سے متعلقہ ڈیٹا بیس، NOSQL ڈیٹا بیس اور متعدد پروگرامنگ زبانوں کے ساتھ بڑے پیمانے پر کام کیا۔

• 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/use-amazon-documentdb-to-build-no-code-machine-learning-solutions-in-amazon-sagemaker-canvas/