یہ پوسٹ Jan Paul Assendorp، Thomas Lietzow، Christopher Masch، Alexander Meinert، Dr. Lars Palzer، Jan Schillemans آف SIGNAL IDUNA کے ساتھ شریک تصنیف ہے۔
SIGNAL IDUNA میں، ایک بڑی جرمن انشورنس کمپنی، ہم اس وقت اپنے ٹرانسفارمیشن پروگرام VISION2023 کے ساتھ اپنے آپ کو نئے سرے سے ایجاد کر رہے ہیں تاکہ اور زیادہ گاہک پر مبنی ہو۔ اس تبدیلی میں دو پہلو مرکزی حیثیت رکھتے ہیں: افرادی قوت کے بڑے حصوں کی کراس فنکشنل اور چست ٹیموں میں تنظیم نو، اور صحیح معنوں میں ڈیٹا سے چلنے والی کمپنی بننا۔ یہاں، "آپ اسے بناتے ہیں، آپ اسے چلاتے ہیں" کا نعرہ ایک کراس فنکشنل ٹیم کے لیے ایک اہم ضرورت ہے جو ڈیٹا یا مشین لرننگ (ML) پروڈکٹ بناتی ہے۔ یہ اس بات پر سخت پابندیاں لگاتا ہے کہ کام کرنے والی ٹیم کسی پروڈکٹ کو بنانے اور چلانے کے لیے کتنا خرچ کر سکتی ہے۔
یہ پوسٹ دکھاتی ہے کہ کس طرح سگنل IDUNA اس چیلنج سے نمٹتا ہے اور اس کو استعمال کرتا ہے۔ AWS کلاؤڈ کراس فنکشنل ٹیموں کو اپنے ایم ایل پروڈکٹس بنانے اور چلانے کے قابل بنانا۔ اس مقصد کے لیے، ہم سب سے پہلے چست ٹیموں کے تنظیمی ڈھانچے کو متعارف کراتے ہیں، جو کسی پروڈکٹ کو تیار کرنے اور چلانے کے لیے استعمال کیے جانے والے کلاؤڈ انفراسٹرکچر کے لیے مرکزی تقاضے طے کرتا ہے۔ اگلا، ہم دکھاتے ہیں کہ کس طرح سگنل IDUNA میں تین مرکزی ٹیمیں کراس فنکشنل ٹیموں کو AWS کلاؤڈ میں ڈیٹا پروڈکٹس بنانے کے قابل بناتی ہیں، ایک مناسب ورک فلو اور بنیادی ڈھانچے کے حل فراہم کر کے جو آسانی سے استعمال اور موافقت پذیر ہو سکیں۔ آخر میں، ہم اپنے نقطہ نظر کا جائزہ لیتے ہیں اور اس کا موازنہ زیادہ کلاسیکی نقطہ نظر سے کرتے ہیں جہاں ترقی اور آپریشن کو زیادہ سختی سے الگ کیا جاتا ہے۔
Agile@SI - تنظیمی تبدیلی کی بنیاد
2021 کے آغاز سے، SIGNAL IDUNA نے اپنی حکمت عملی Agile@SI کو عملی جامہ پہنانا شروع کر دیا ہے اور پوری کمپنی میں کسٹمر پر مبنی حل تیار کرنے کے لیے چست طریقے قائم کیے ہیں [1]۔ پچھلے کاموں اور اہداف کو اب کراس فنکشنل ٹیموں کے ذریعے انجام دیا جاتا ہے، جنہیں کہا جاتا ہے۔ دستے. یہ دستے چست طریقے استعمال کرتے ہیں (جیسے سکرم فریم ورک)، اپنے فیصلے خود کرتے ہیں، اور کسٹمر پر مبنی مصنوعات تیار کرتے ہیں۔ عام طور پر، اسکواڈ کاروباری ڈویژنوں میں واقع ہوتے ہیں، جیسے کہ مارکیٹنگ، اور بہت سے لوگ ڈیٹا سے چلنے والی اور ایم ایل سے چلنے والی مصنوعات بنانے پر زور دیتے ہیں۔ مثال کے طور پر، بیمہ میں عام استعمال کے معاملات گاہک کی پیشن گوئی اور مصنوعات کی سفارشات ہیں۔
ایم ایل کی پیچیدگی کی وجہ سے، ایک ہی اسکواڈ کے ذریعہ ایم ایل حل بنانا مشکل ہے، اور اس طرح مختلف اسکواڈ کے تعاون کی ضرورت ہے۔
SIGNAL IDUNA میں تین ضروری ٹیمیں ہیں جو ML سلوشنز بنانے میں معاونت کرتی ہیں۔ ان تینوں دستوں سے گھری ہوئی ٹیم ہے جو ترقی اور طویل مدتی آپریشن اور ایم ایل حل کی ذمہ دار ہے۔ یہ نقطہ نظر AWS مشترکہ ذمہ داری کے ماڈل کی پیروی کرتا ہے [2]۔
اوپر کی تصویر میں، تمام اسکواڈز کو ایک جائزہ میں دکھایا گیا ہے۔
کلاؤڈ فعال کرنا
پوری تنظیم کے لیے بنیادی کلاؤڈ انفراسٹرکچر اسکواڈ Cloud Enablement کے ذریعے فراہم کیا جاتا ہے۔ ٹیموں کو اپنے طور پر کلاؤڈ ٹیکنالوجیز پر مصنوعات بنانے کے قابل بنانا ان کا کام ہے۔ یہ ML جیسی نئی مصنوعات کی مارکیٹنگ کے لیے وقت کو بہتر بناتا ہے، اور یہ "آپ اسے بناتے ہیں، آپ اسے چلاتے ہیں" کے اصول پر عمل کرتے ہیں۔
ڈیٹا آفس/ڈیٹا لیک
ڈیٹا کو کلاؤڈ میں منتقل کرنے کے ساتھ ساتھ صحیح ڈیٹاسیٹ کو تلاش کرنا، اسکواڈ ڈیٹا آفس/ڈیٹا لیک کے ذریعے تعاون یافتہ ہے۔ انہوں نے ایک ڈیٹا کیٹلاگ ترتیب دیا جسے مطلوبہ ڈیٹاسیٹس کو تلاش کرنے اور منتخب کرنے کے لیے استعمال کیا جا سکتا ہے۔ ان کا مقصد ڈیٹا کی شفافیت اور گورننس قائم کرنا ہے۔ مزید برآں، وہ ڈیٹا لیک قائم کرنے اور چلانے کے ذمہ دار ہیں جو ٹیموں کو متعلقہ ڈیٹا تک رسائی اور اس پر کارروائی کرنے میں مدد کرتی ہے۔
ڈیٹا اینالیٹکس پلیٹ فارم
ہمارا سکواڈ ڈیٹا اینالٹکس پلیٹ فارم (DAP) SIGNAL IDUNA میں ایک کلاؤڈ اور ML فوکسڈ ٹیم ہے جو ML انجینئرنگ، ڈیٹا انجینئرنگ کے ساتھ ساتھ ڈیٹا سائنس میں بھی ماہر ہے۔ ہم بنیادی ڈھانچے کے اجزاء اور علم فراہم کر کے ML کے لیے پبلک کلاؤڈ کا استعمال کرتے ہوئے اندرونی ٹیموں کو فعال کرتے ہیں۔ ہماری مصنوعات اور خدمات کو درج ذیل سیکشن میں تفصیل سے پیش کیا گیا ہے۔
کراس فنکشنل ٹیموں کو ML سلوشنز بنانے کے لیے فعال کرنا
سگنل IDUNA میں کراس فنکشنل ٹیموں کو ML سلوشنز بنانے کے لیے فعال کرنے کے لیے، ہمیں دوبارہ قابل استعمال کلاؤڈ انفراسٹرکچر فراہم کرنے کے لیے ایک تیز اور ورسٹائل طریقے کی ضرورت ہے اور ساتھ ہی ساتھ آن بورڈنگ ٹیموں کے لیے کلاؤڈ کی صلاحیتوں کو بروئے کار لانے کے لیے ایک موثر ورک فلو کی ضرورت ہے۔
اس مقصد کے لیے، ہم نے ایک معیاری آن بورڈنگ اور سپورٹ پروسیس بنایا، اور ماڈیولر انفراسٹرکچر ٹیمپلیٹس کو انفراسٹرکچر بطور کوڈ (IaC) فراہم کیا۔ ان ٹیمپلیٹس میں بنیادی ڈھانچے کے اجزاء ہوتے ہیں جو عام ML استعمال کے کیسز کے لیے بنائے گئے ہیں جنہیں آسانی سے استعمال کے مخصوص کیس کی ضروریات کے مطابق بنایا جا سکتا ہے۔
ایم ایل سلوشنز بنانے کا ورک فلو
ML حل بنانے اور چلانے میں تین اہم تکنیکی کردار شامل ہیں: ڈیٹا سائنسدان، ML انجینئر، اور ایک ڈیٹا انجینئر۔ ہر کردار کراس فنکشنل اسکواڈ کا حصہ ہے اور اس کی مختلف ذمہ داریاں ہیں۔ ڈیٹا سائنسدان کے پاس استعمال کے کیس کی فنکشنل کے ساتھ ساتھ تکنیکی ضروریات کا مطلوبہ ڈومین علم ہوتا ہے۔ ML انجینئر خودکار ML سلوشنز بنانے اور ماڈل کی تعیناتی میں مہارت رکھتا ہے۔ اور ڈیٹا انجینئر اس بات کو یقینی بناتا ہے کہ ڈیٹا آن پریمیسس اور کلاؤڈ کے اندر سے نکلتا ہے۔
پلیٹ فارم فراہم کرنے کا عمل درج ذیل ہے:
مخصوص استعمال کے کیس کا بنیادی ڈھانچہ IaC میں بیان کیا گیا ہے اور مرکزی پروجیکٹ کے ذخیرے میں ورژن بنایا گیا ہے۔ اس میں ماڈل ٹریننگ اور تعیناتی کے لیے پائپ لائنز کے ساتھ ساتھ دیگر ڈیٹا سائنس سے متعلق کوڈ کے نمونے بھی شامل ہیں۔ ڈیٹا سائنسدانوں، ایم ایل انجینئرز، اور ڈیٹا انجینئرز کو پروجیکٹ کے ذخیرے تک رسائی حاصل ہے اور وہ خود مختاری کے ساتھ تمام بنیادی ڈھانچے کوڈ کو ترتیب اور اپ ڈیٹ کر سکتے ہیں۔ یہ ٹیم کو ضرورت پڑنے پر بنیادی ڈھانچے کو تیزی سے تبدیل کرنے کے قابل بناتا ہے۔ تاہم، ML انجینئر ہمیشہ بنیادی ڈھانچے یا ML ماڈلز کو تیار کرنے اور اپ ڈیٹ کرنے میں مدد کر سکتا ہے۔
دوبارہ قابل استعمال اور ماڈیولر انفراسٹرکچر اجزاء
درجہ بندی اور ماڈیولر IaC وسائل کو لاگو کیا جاتا ہے۔ ٹرافیفار اور عام ڈیٹا سائنس اور ETL کے استعمال کے معاملات کے لیے بنیادی ڈھانچہ شامل کریں۔ یہ ہمیں انفراسٹرکچر کوڈ کو دوبارہ استعمال کرنے اور مطلوبہ سیکورٹی اور تعمیل کی پالیسیوں کو نافذ کرنے دیتا ہے، جیسے کہ استعمال کرنا AWS کلیدی مینجمنٹ سروس (KMS) ڈیٹا کے لیے خفیہ کاری، نیز ان کیپسولیٹنگ انفراسٹرکچر ایمیزون ورچوئل پرائیویٹ کلاؤڈ (VPC) براہ راست انٹرنیٹ تک رسائی کے بغیر ماحول۔
درجہ بندی IaC ڈھانچہ مندرجہ ذیل ہے:
- ماڈیولز سیکیورٹی اور رسائی کے انتظام کے لیے مطلوبہ ترتیب کے ساتھ بنیادی AWS خدمات کو شامل کریں۔ اس میں بہترین پریکٹس کنفیگریشنز شامل ہیں جیسے کہ عوامی رسائی کی روک تھام ایمیزون سادہ اسٹوریج سروس (S3) بکٹس، یا محفوظ کردہ تمام فائلوں کے لیے انکرپشن کو نافذ کرنا۔
- کچھ معاملات میں، آپ کو عمل کو خودکار کرنے کے لیے مختلف قسم کی خدمات کی ضرورت ہوتی ہے، جیسے کہ مختلف مراحل میں ML ماڈلز کو تعینات کرنا۔ لہذا، ہم نے وضاحت کی حل مختلف قسم کے کاموں کے لیے مشترکہ ترتیب میں مختلف ماڈیولز کے بنڈل کے طور پر۔
- اس کے علاوہ، ہم مکمل پیش کرتے ہیں بلیو پرنٹس جو ایک پروجیکٹ کی بہت سی ممکنہ ضروریات کو پورا کرنے کے لیے مختلف ماحول میں حل کو یکجا کرتا ہے۔ ہمارے MLOps بلیو پرنٹ میں، ہم ML ماڈلز کی تربیت، فراہمی، اور نگرانی کے لیے قابل تعیناتی کے بنیادی ڈھانچے کی وضاحت کرتے ہیں جو AWS اکاؤنٹس میں مربوط اور تقسیم کیے گئے ہیں۔ ہم اگلے حصے میں مزید تفصیلات پر تبادلہ خیال کریں گے۔
ان مصنوعات کو DAP اسکواڈ کے ذریعہ مرکزی ذخیرہ میں ورژن بنایا گیا ہے۔ یہ ہمیں اپنے IaC کو مسلسل بہتر بنانے اور AWS سے نئی خصوصیات پر غور کرنے دیتا ہے، جیسے ایمیزون سیج میکر ماڈل رجسٹری ہر اسکواڈ ان وسائل کا حوالہ دے سکتا ہے، ضرورت کے مطابق انہیں پیرامیٹرائز کر سکتا ہے، اور آخر میں انہیں اپنے AWS اکاؤنٹس میں تعینات کر سکتا ہے۔
MLOps فن تعمیر
ہم MLOps کے پورے عمل کا احاطہ کرنے کے لیے مخصوص حل کے ساتھ استعمال کے لیے تیار بلیو پرنٹ فراہم کرتے ہیں۔ بلیو پرنٹ میں ML ماڈلز کی تعمیر اور تعیناتی کے لیے چار AWS اکاؤنٹس پر تقسیم کردہ بنیادی ڈھانچہ شامل ہے۔ یہ ہمیں MLOps کے عمل میں مختلف مراحل کے لیے وسائل اور ورک فلو کو الگ کرنے دیتا ہے۔ مندرجہ ذیل اعداد و شمار ملٹی اکاؤنٹ کے فن تعمیر کو ظاہر کرتا ہے، اور ہم بیان کرتے ہیں کہ کس طرح عمل کے مخصوص مراحل پر ذمہ داری کو مختلف تکنیکی کرداروں کے درمیان تقسیم کیا جاتا ہے۔
۔ ماڈلنگ اکاؤنٹ میں ایم ایل ماڈلز کی ترقی کے لیے خدمات شامل ہیں۔ سب سے پہلے، ڈیٹا انجینئر SIGNAL IDUNA ڈیٹا لیک سے متعلقہ ڈیٹا فراہم کرنے کے لیے ETL عمل کا استعمال کرتا ہے، AWS کلاؤڈ میں ڈیٹا سے چلنے والے ورک فلو کے لیے مرکزی گیٹ وے ہے۔ اس کے بعد، ڈیٹاسیٹ کو ڈیٹا سائنسدان کے ذریعہ ماڈل امیدواروں کو تربیت دینے اور جانچنے کے لیے استعمال کیا جا سکتا ہے۔ وسیع تجربات کے لیے تیار ہونے کے بعد، ایک ماڈل امیدوار کو ایم ایل انجینئر کے ذریعے خودکار ٹریننگ پائپ لائن میں ضم کر دیا جاتا ہے۔ ہم Amazon SageMaker پائپ لائنز کو خودکار تربیت، ہائپر پیرامیٹر ٹیوننگ، اور پیمانے پر ماڈل کی تشخیص کے لیے استعمال کرتے ہیں۔ اس میں ماڈل نسب اور پروڈکشن میں تعیناتی کے لیے ماڈلز کے لیے ایک معیاری منظوری کا طریقہ کار بھی شامل ہے۔ خودکار یونٹ ٹیسٹ اور کوڈ کا تجزیہ پائپ لائن کے ہر قدم کے لیے کوڈ کے معیار اور وشوسنییتا کو یقینی بناتا ہے، جیسے ڈیٹا پری پروسیسنگ، ماڈل ٹریننگ، اور تشخیص۔ ایک بار جب کسی ماڈل کی جانچ اور منظوری ہو جاتی ہے، تو ہم Amazon SageMaker ModelPackages کو تربیت یافتہ ماڈل اور متعلقہ میٹا ڈیٹا کے انٹرفیس کے طور پر استعمال کرتے ہیں۔
۔ tooling اکاؤنٹ میں تربیت یافتہ ماڈلز کی جانچ اور تعیناتی کے مختلف مراحل کے ساتھ خودکار CI/CD پائپ لائنز شامل ہیں۔ ٹیسٹ کے مرحلے میں، ماڈلز کو میں تعینات کیا جاتا ہے۔ سرونگ نان پروڈ کھاتہ. اگرچہ ماڈل کو پروڈکشن کے لیے پیش کیے جانے سے پہلے ٹریننگ پائپ لائن میں ماڈل کے معیار کا جائزہ لیا جاتا ہے، لیکن یہاں ہم الگ تھلگ ٹیسٹنگ ماحول میں کارکردگی اور انضمام کے ٹیسٹ چلاتے ہیں۔ جانچ کے مرحلے سے گزرنے کے بعد، ماڈلز کو میں تعینات کیا جاتا ہے۔ سرونگ پراڈ اکاؤنٹ کو پروڈکشن ورک فلو میں ضم کیا جائے۔
MLOps ورک فلو کے مراحل کو مختلف AWS اکاؤنٹس میں الگ کرنے سے ہمیں ترقی اور جانچ کو پیداوار سے الگ کرنے دیتا ہے۔ لہذا، ہم ایک سخت رسائی اور حفاظتی پالیسی کو نافذ کر سکتے ہیں۔ مزید برآں، موزوں آئی اے ایم کے کردار اس بات کو یقینی بناتے ہیں کہ مخصوص خدمات صرف اس کے دائرہ کار کے لیے درکار ڈیٹا اور دیگر خدمات تک رسائی حاصل کر سکتی ہیں، کم سے کم استحقاق کا اصول. خدمت کرنے والے ماحول میں خدمات کو بیرونی کاروباری عملوں کے لیے بھی قابل رسائی بنایا جا سکتا ہے۔ مثال کے طور پر، ایک کاروباری عمل ماڈل پیشین گوئیوں کے لیے سرونگ پروڈ ماحول کے اندر ایک اختتامی نقطہ سے استفسار کر سکتا ہے۔
ہمارے نقطہ نظر کے فوائد
دونوں ایم ایل ماڈلز کے ساتھ ساتھ مطلوبہ بنیادی ڈھانچے کے لیے ترقی اور آپریشن کی سخت علیحدگی کے مقابلے میں اس عمل کے بہت سے فوائد ہیں:
- تنہائی: ہر ٹیم کو AWS اکاؤنٹس کا اپنا سیٹ ملتا ہے جو دوسری ٹیموں کے ماحول سے بالکل الگ تھلگ ہوتے ہیں۔ اس سے رسائی کے حقوق کا انتظام کرنا اور ڈیٹا کو ان لوگوں کے لیے نجی رکھنا آسان ہو جاتا ہے جو اس کے ساتھ کام کرنے کے حقدار ہیں۔
- کلاؤڈ کو فعال کرنا: کلاؤڈ ڈی او اوپس میں تھوڑا سا سابقہ تجربہ رکھنے والے ٹیم کے اراکین (جیسے بہت سے ڈیٹا سائنسدان) بنیادی ڈھانچے کو ڈیزائن کرنے اور اس کا انتظام کرنے کے پورے عمل کو آسانی سے دیکھ سکتے ہیں کیونکہ (تقریباً) ان سے مرکزی سروس کے پیچھے کچھ بھی پوشیدہ نہیں ہے۔ اس سے بنیادی ڈھانچے کی بہتر تفہیم پیدا ہوتی ہے، جس کے نتیجے میں ڈیٹا سائنس کی مصنوعات کو زیادہ موثر طریقے سے بنانے میں مدد مل سکتی ہے۔
- پروڈکٹ کی ملکیت: پہلے سے تشکیل شدہ بنیادی ڈھانچے کے حل اور منظم خدمات کا استعمال ایم ایل پروڈکٹ کے انتظام میں رکاوٹ کو بہت کم رکھتا ہے۔ لہذا، ایک ڈیٹا سائنسدان آسانی سے ایک ماڈل کی ملکیت لے سکتا ہے جو پیداوار میں ڈال دیا جاتا ہے. یہ ترقی کے بعد ماڈل کو پیداوار میں ڈالنے میں ناکام ہونے کے معروف خطرے کو کم کرتا ہے۔
- جدت طرازی: چونکہ ML انجینئرز ماڈل کے تیار ہونے سے بہت پہلے اس میں شامل ہوتے ہیں، اس لیے وہ نئے استعمال کے معاملات کے لیے موزوں بنیادی ڈھانچے کے حل تیار کر سکتے ہیں جبکہ ڈیٹا سائنسدان ایک ML ماڈل تیار کرتے ہیں۔
- ملائمیت: چونکہ DAP کے ذریعہ تیار کردہ IaC حل آزادانہ طور پر دستیاب ہے، اس لیے کوئی بھی ٹیم آسانی سے ان کو اپنے استعمال کے معاملے کی مخصوص ضرورت کے مطابق ڈھال سکتی ہے۔
- آزاد مصدر: تمام نئے بنیادی ڈھانچے کے حل آسانی سے مرکزی DAP کوڈ ریپو کے ذریعے دستیاب کیے جا سکتے ہیں جو دوسری ٹیموں کے ذریعے استعمال کیے جا سکتے ہیں۔ وقت گزرنے کے ساتھ، یہ مختلف استعمال کے معاملات کے مطابق بنیادی ڈھانچے کے اجزاء کے ساتھ ایک بھرپور کوڈ بیس بنائے گا۔
خلاصہ
اس پوسٹ میں، ہم نے واضح کیا کہ کس طرح SIGNAL IDUNA میں کراس فنکشنل ٹیموں کو AWS پر ML پروڈکٹس بنانے اور چلانے کے لیے فعال کیا جا رہا ہے۔ ہمارے نقطہ نظر کا مرکز ہر ٹیم کے لیے مخصوص IaC بلیو پرنٹس اور حل کے ساتھ AWS اکاؤنٹس کے وقف کردہ سیٹ کا استعمال ہے۔ یہ دو اجزاء ایک کراس فنکشنل ٹیم کو پیداواری معیار کے بنیادی ڈھانچے کو بنانے اور چلانے کے قابل بناتے ہیں۔ بدلے میں، وہ اپنی ML مصنوعات کی مکمل ملکیت لے سکتے ہیں۔
کا حوالہ دیتے ہیں ایمیزون سیج میکر ماڈل بلڈنگ پائپ لائنز - ایمیزون سیج میکر مزید جاننے کے لئے.
پر مزید معلومات حاصل کریں AWS پر ایم ایل ہمارے آفیشل پیج پر۔
حوالہ جات
[1] https://www.handelsblatt.com/finanzen/versicherungsbranche-vorbild-spotify-signal-iduna-wird-von-einer-handwerker-versicherung-zum-agilen-konzern/27381902.html
[2] https://blog.crisp.se/wp-content/uploads/2012/11/SpotifyScaling.pdf
[3] https://aws.amazon.com/compliance/shared-responsibility-model/
مصنفین کے بارے میں
جان پال ایسنڈورپ ایک مضبوط ڈیٹا سائنس فوکس کے ساتھ ایم ایل انجینئر ہے۔ وہ ایم ایل ماڈل بناتا ہے اور ماڈل ٹریننگ اور پیداواری ماحول میں تعیناتی کو خودکار کرتا ہے۔
تھامس لیٹزو اسکواڈ ڈیٹا اینالٹکس پلیٹ فارم کا سکرم ماسٹر ہے۔
کرسٹوفر ماش ڈیٹا انجینئرنگ، ڈیٹا سائنس، اور ایم ایل انجینئرنگ میں علم کے ساتھ اسکواڈ ڈیٹا اینالٹکس پلیٹ فارم کا پروڈکٹ اونر ہے۔
الیگزینڈر مینرٹ ڈیٹا اینالیٹکس پلیٹ فارم ٹیم کا حصہ ہے اور ایم ایل انجینئر کے طور پر کام کرتا ہے۔ اعداد و شمار کے ساتھ شروع کیا، ڈیٹا سائنس کے منصوبوں میں اضافہ ہوا، ML طریقوں اور فن تعمیر کا شوق پایا۔
ڈاکٹر لارس پالزر ایک ڈیٹا سائنسدان ہے اور ڈیٹا اینالیٹکس پلیٹ فارم ٹیم کا حصہ ہے۔ MLOps فن تعمیر کے اجزاء کی تعمیر میں مدد کرنے کے بعد، وہ اب انہیں ML مصنوعات بنانے کے لیے استعمال کر رہا ہے۔
جان شلیمینز سافٹ ویئر انجینئرنگ پس منظر کے ساتھ ایم ایل انجینئر ہے۔ وہ ML ماحولیات (MLOps) پر سافٹ ویئر انجینئرنگ کے بہترین طریقوں کو لاگو کرنے پر توجہ مرکوز کرتا ہے۔
- "
- 100
- 2021
- تک رسائی حاصل
- اکاؤنٹ
- کے پار
- عمل
- فوائد
- فرتیلی
- تمام
- اگرچہ
- ایمیزون
- تجزیہ
- تجزیاتی
- درخواست دینا
- نقطہ نظر
- فن تعمیر
- آٹومیٹڈ
- دستیاب
- AWS
- کیا جا رہا ہے
- BEST
- بہترین طریقوں
- تعمیر
- عمارت
- بنڈل
- کاروبار
- صلاحیتوں
- مقدمات
- چیلنج
- بادل
- کلاؤڈ بنیادی ڈھانچے
- کوڈ
- تعاون
- مجموعہ
- کامن
- کمپنی کے
- مقابلے میں
- تعمیل
- ترتیب
- پر مشتمل ہے
- تخلیق
- اعداد و شمار
- ڈیٹا تجزیات
- ڈیٹا سائنس
- ڈیٹا سائنسدان
- وقف
- تعیناتی
- تعینات
- تعیناتی
- ڈیزائننگ
- تفصیل
- ترقی
- ترقی یافتہ
- ترقی
- ترقی
- مختلف
- بات چیت
- تقسیم کئے
- ڈومین
- آسانی سے
- خفیہ کاری
- اختتام پوائنٹ
- انجینئر
- انجنیئرنگ
- انجینئرز
- ماحولیات
- ضروری
- قائم کرو
- مثال کے طور پر
- تجربہ
- فاسٹ
- خصوصیات
- اعداد و شمار
- آخر
- پہلا
- توجہ مرکوز
- توجہ مرکوز
- کے بعد
- ملا
- فاؤنڈیشن
- فریم ورک
- مکمل
- اہداف
- گورننس
- مدد
- مدد کرتا ہے
- یہاں
- کس طرح
- HTTPS
- تصویر
- عملدرآمد
- اہم
- کو بہتر بنانے کے
- شامل
- معلومات
- انفراسٹرکچر
- انشورنس
- ضم
- انضمام
- انٹرفیس
- انٹرنیٹ
- ملوث
- IT
- کلیدی
- علم
- بڑے
- جانیں
- سیکھنے
- تھوڑا
- لانگ
- مشین
- مشین لرننگ
- انتظام
- مینیجنگ
- مارکیٹ
- مارکیٹنگ
- میچ
- اراکین
- میٹا
- ML
- ماڈل
- ماڈل
- ماڈیولر
- نگرانی
- نئی خصوصیات
- نئی مصنوعات
- پیش کرتے ہیں
- سرکاری
- جہاز
- کام
- تنظیم
- دیگر
- مالک
- کارکردگی
- پلیٹ فارم
- پالیسیاں
- پالیسی
- کی پیشن گوئی
- پیشن گوئی
- روک تھام
- نجی
- عمل
- عمل
- مصنوعات
- پیداوار
- حاصل
- پروگرام
- منصوبے
- منصوبوں
- فراہم
- عوامی
- عوامی بادل
- معیار
- ذخیرہ
- ضرورت
- ضروریات
- وسائل
- ذمہ دار
- کا جائزہ لینے کے
- رسک
- رن
- پیمانے
- سائنس
- سائنسدان
- سائنسدانوں
- تلاش کریں
- سیکورٹی
- سروس
- سروسز
- خدمت
- مقرر
- مشترکہ
- سادہ
- سافٹ ویئر کی
- سافٹ ویئر انجینئرنگ
- حل
- مہارت دیتا ہے
- خرچ
- اسٹیج
- شروع کریں
- شروع
- کے اعداد و شمار
- ذخیرہ
- حکمت عملی
- مضبوط
- بعد میں
- حمایت
- تائید
- گھیر لیا ہوا
- کاموں
- ٹیم
- ٹیکنیکل
- ٹیکنالوجی
- ٹیسٹ
- ٹیسٹنگ
- ٹیسٹ
- وقت
- ٹریننگ
- تبدیلی
- شفافیت
- اپ ڈیٹ کریں
- us
- استعمال کی شرائط
- استعمال
- مجازی
- دیکھیئے
- ڈبلیو
- کے اندر
- بغیر
- کام
- افرادی قوت۔
- کام کرتا ہے