یہ مشترکہ پوسٹ ہے جس نے مشترکہ طور پر لکھا ہے۔ Leidos اور AWS. Leidos ایک FORTUNE 500 سائنس اور ٹیکنالوجی کے حل کا رہنما ہے جو دفاع، انٹیلی جنس، ہوم لینڈ سیکیورٹی، سول اور ہیلتھ کیئر مارکیٹوں میں دنیا کے کچھ مشکل ترین چیلنجوں سے نمٹنے کے لیے کام کر رہا ہے۔
Leidos نے AWS کے ساتھ پرائیویسی کے تحفظ، خفیہ مشین لرننگ (ML) ماڈلنگ کے لیے ایک نقطہ نظر تیار کرنے کے لیے شراکت کی ہے جہاں آپ کلاؤڈ سے چلنے والی، انکرپٹڈ پائپ لائنز بناتے ہیں۔
ہومومورفک انکرپشن انکرپشن کے لیے ایک نیا طریقہ ہے جو کمپیوٹیشنز اور تجزیاتی فنکشنز کو خفیہ کردہ ڈیٹا پر چلانے کی اجازت دیتا ہے، پہلے اسے ڈکرپٹ کیے بغیر، ایسے معاملات میں رازداری کو محفوظ رکھنے کے لیے جہاں آپ کی پالیسی ہے کہ ڈیٹا کو کبھی بھی ڈکرپٹ نہیں کیا جانا چاہیے۔ مکمل طور پر ہومومورفک انکرپشن (FHE) اس قسم کے نقطہ نظر کا سب سے مضبوط تصور ہے، اور یہ آپ کو اپنے ڈیٹا کی قدر کو غیر مقفل کرنے کی اجازت دیتا ہے جہاں صفر اعتماد کلید ہے۔ بنیادی ضرورت یہ ہے کہ اعداد و شمار کو ایک انکوڈنگ تکنیک کے ذریعے اعداد کے ساتھ نمائندگی کرنے کے قابل ہونے کی ضرورت ہے، جس کا اطلاق عددی، متنی، اور تصویر پر مبنی ڈیٹاسیٹس پر کیا جا سکتا ہے۔ FHE استعمال کرنے والا ڈیٹا سائز میں بڑا ہوتا ہے، اس لیے ان ایپلی کیشنز کے لیے جانچ کی جانی چاہیے جن کے لیے تقریباً حقیقی وقت میں یا سائز کی حدود کے ساتھ اندازہ لگانے کی ضرورت ہے۔ تمام حسابات کو لکیری مساوات کے طور پر بیان کرنا بھی ضروری ہے۔
اس پوسٹ میں، ہم دکھاتے ہیں کہ کس طرح انتہائی منظم ماحول کے لیے رازداری کے تحفظ کی ML پیشین گوئیوں کو چالو کیا جائے۔ پیشین گوئیاں (تخمینہ) انکرپٹڈ ڈیٹا کا استعمال کرتی ہیں اور نتائج صرف آخری صارف (کلائنٹ کی طرف) کے ذریعے ڈکرپٹ کیے جاتے ہیں۔
اس کو ظاہر کرنے کے لیے، ہم اپنی مرضی کے مطابق کرنے کی ایک مثال دکھاتے ہیں۔ ایمیزون سیج میکر سکیٹ لرن، اوپن سورس، ڈیپ لرننگ کنٹینر کلائنٹ سائیڈ انکرپٹڈ انفرنس کی درخواستوں کو قبول کرنے کے لیے ایک تعینات اختتامی نقطہ کو فعال کرنے کے لیے۔ اگرچہ اس مثال سے پتہ چلتا ہے کہ اسے کس طرح انجام دینا ہے، آپ تربیت اور دیگر ML مراحل کے حل کو بڑھا سکتے ہیں۔
اینڈ پوائنٹس کو SageMaker کا استعمال کرتے ہوئے کچھ کلکس یا کوڈ کی لائنوں کے ساتھ تعینات کیا جاتا ہے، جو کہ ڈیولپرز اور ML ماہرین کے لیے کلاؤڈ میں ML اور ڈیپ لرننگ ماڈلز بنانے اور تربیت دینے کے عمل کو آسان بناتا ہے۔ SageMaker کا استعمال کرتے ہوئے بنائے گئے ماڈلز کو پھر بطور تعینات کیا جا سکتا ہے۔ ریئل ٹائم اینڈ پوائنٹس، جو انفرنس ورک بوجھ کے لیے اہم ہے جہاں آپ کے پاس حقیقی وقت، مستحکم حالت، کم تاخیر کے تقاضے ہیں۔ ایپلیکیشنز اور خدمات تعینات کردہ اختتامی نقطہ کو براہ راست یا بغیر تعینات سرور کے ذریعے کال کر سکتی ہیں۔ ایمیزون API گیٹ وے فن تعمیر ریئل ٹائم اینڈ پوائنٹ آرکیٹیکچرل بہترین طریقوں کے بارے میں مزید جاننے کے لیے، رجوع کریں۔ ایمیزون API گیٹ وے میپنگ ٹیمپلیٹس اور ایمیزون سیج میکر کے ساتھ مشین لرننگ سے چلنے والا REST API بنانا. مندرجہ ذیل اعداد و شمار ان نمونوں کے دونوں ورژن دکھاتا ہے۔
ان دونوں نمونوں میں، ٹرانزٹ میں خفیہ کاری رازداری فراہم کرتی ہے کیونکہ ڈیٹا سروسز کے ذریعے انفرنس آپریشن کو انجام دیتا ہے۔ SageMaker اینڈ پوائنٹ کے ذریعے موصول ہونے پر، ڈیٹا کو عام طور پر رن ٹائم پر انفرنس آپریشن انجام دینے کے لیے ڈکرپٹ کیا جاتا ہے، اور کسی بھی بیرونی کوڈ اور عمل کے لیے ناقابل رسائی ہے۔ تحفظ کی اضافی سطحوں کو حاصل کرنے کے لیے، FHE انکرپٹڈ نتائج پیدا کرنے کے لیے انفرنس آپریشن کو قابل بناتا ہے جس کے لیے ایک قابل اعتماد ایپلی کیشن یا کلائنٹ کے ذریعے نتائج کو ڈکرپٹ کیا جا سکتا ہے۔
مکمل طور پر ہومومورفک انکرپشن پر مزید
FHE سسٹمز کو انکرپٹڈ ڈیٹا پر کمپیوٹیشن کرنے کے قابل بناتا ہے۔ نتیجے میں آنے والی کمپیوٹیشنز، جب ڈکرپٹ کیے جاتے ہیں، ان کے قریب ہوتے ہیں جو خفیہ کاری کے عمل کے بغیر تیار ہوتے ہیں۔ FHE کا نتیجہ ایک چھوٹی ریاضی کی خرابی کا باعث بن سکتا ہے، جیسا کہ فلوٹنگ پوائنٹ کی خرابی، کمپیوٹیشن میں شور کی وجہ سے۔ یہ مناسب FHE انکرپشن پیرامیٹرز کو منتخب کرکے کنٹرول کیا جاتا ہے، جو کہ ایک مسئلہ کے لیے مخصوص، ٹیونڈ پیرامیٹر ہے۔ مزید معلومات کے لیے، ویڈیو دیکھیں آپ ہومومورفک انکرپشن کی وضاحت کیسے کریں گے؟
درج ذیل خاکہ FHE نظام کے نفاذ کی مثال فراہم کرتا ہے۔
اس سسٹم میں، آپ یا آپ کا بھروسہ مند کلائنٹ درج ذیل کام کر سکتے ہیں:
- عوامی کلید FHE اسکیم کا استعمال کرتے ہوئے ڈیٹا کو انکرپٹ کریں۔ مختلف قابل قبول اسکیمیں ہیں؛ اس مثال میں، ہم CKKS اسکیم استعمال کر رہے ہیں۔ FHE عوامی کلیدی خفیہ کاری کے عمل کے بارے میں مزید جاننے کے لیے جو ہم نے منتخب کیا ہے، ملاحظہ کریں۔ CKKS نے وضاحت کی۔.
- پروسیسنگ کے لیے کلائنٹ سائیڈ انکرپٹڈ ڈیٹا فراہم کنندہ یا سرور کو بھیجیں۔
- خفیہ کردہ ڈیٹا پر ماڈل کا اندازہ لگائیں؛ FHE کے ساتھ، کسی ڈکرپشن کی ضرورت نہیں ہے۔
- خفیہ کردہ نتائج کال کرنے والے کو واپس کر دیے جاتے ہیں اور پھر ایک نجی کلید کا استعمال کرتے ہوئے آپ کا نتیجہ ظاہر کرنے کے لیے ڈکرپٹ کیا جاتا ہے جو کلائنٹ کے اندر صرف آپ یا آپ کے قابل اعتماد صارفین کے لیے دستیاب ہے۔
ہم نے سیج میکر اینڈ پوائنٹس کا استعمال کرتے ہوئے ایک مثال قائم کرنے کے لیے پچھلے فن تعمیر کا استعمال کیا ہے، پائفیل ایک FHE API ریپر کے طور پر ML ایپلی کیشنز کے ساتھ انضمام کو آسان بناتا ہے، اور SEAL ہماری بنیادی FHE انکرپشن ٹول کٹ کے طور پر۔
حل جائزہ
ہم نے AWS میں ایک قابل توسیع FHE پائپ لائن کی ایک مثال بنائی ہے۔ SKLearn لاجسٹک ریگریشن کے ساتھ گہری سیکھنے کا کنٹینر آئیرس ڈیٹاسیٹ. ہم SageMaker نوٹ بک کا استعمال کرتے ہوئے ڈیٹا کی تلاش اور فیچر انجینئرنگ کرتے ہیں، اور پھر ایک کا استعمال کرتے ہوئے ماڈل ٹریننگ کرتے ہیں۔ سیج میکر کی تربیت کا کام. نتیجہ ماڈل ہے تعینات کلائنٹ سروسز کے استعمال کے لیے سیج میکر ریئل ٹائم اینڈ پوائنٹ پر، جیسا کہ درج ذیل خاکہ میں دکھایا گیا ہے۔
اس فن تعمیر میں، صرف کلائنٹ ایپلیکیشن ہی غیر خفیہ کردہ ڈیٹا دیکھتی ہے۔ اندازہ لگانے کے لیے ماڈل کے ذریعے پروسیس کیا جانے والا ڈیٹا اپنی زندگی بھر میں خفیہ رہتا ہے، یہاں تک کہ الگ تھلگ پروسیسر کے اندر رن ٹائم پر بھی۔ AWS نائٹرو انکلیو. مندرجہ ذیل حصوں میں، ہم اس پائپ لائن کو بنانے کے لیے کوڈ کے ذریعے چلتے ہیں۔
شرائط
ساتھ چلنے کے لیے، ہم فرض کرتے ہیں کہ آپ نے ایک لانچ کیا ہے۔ سیج میکر نوٹ بک کے ساتھ ایک AWS شناخت اور رسائی کا انتظام (IAM) کے ساتھ کردار AmazonSageMakerFullAccess منظم پالیسی.
ماڈل کو تربیت دیں۔
مندرجہ ذیل خاکہ ماڈل ٹریننگ ورک فلو کو واضح کرتا ہے۔
مندرجہ ذیل کوڈ سے پتہ چلتا ہے کہ ہم کس طرح سب سے پہلے اپنے ٹریننگ ڈیٹاسیٹ کو کھینچ کر، صفائی کے ضروری کام انجام دے کر، اور پھر ڈیٹا کو اپ لوڈ کر کے SageMaker نوٹ بک کا استعمال کرتے ہوئے تربیت کے لیے ڈیٹا تیار کرتے ہیں۔ ایمیزون سادہ اسٹوریج سروس (ایمیزون S3) بالٹی۔ اس مرحلے پر، آپ کو اپنے ڈیٹاسیٹ کی اضافی فیچر انجینئرنگ کرنے یا مختلف آف لائن فیچر اسٹورز کے ساتھ ضم کرنے کی بھی ضرورت پڑسکتی ہے۔
اس مثال میں، ہم استعمال کر رہے ہیں۔ سکرپٹ موڈ SageMaker کے اندر مقامی طور پر تعاون یافتہ فریم ورک پر (سائنٹ سیکھنا)، جہاں ہم اپنے پہلے سے طے شدہ SageMaker SKLearn تخمینہ کار کو ایک حسب ضرورت ٹریننگ اسکرپٹ کے ساتھ انسٹینٹیٹ کرتے ہیں تاکہ انکرپٹڈ ڈیٹا کو انفرنس کے دوران ہینڈل کیا جا سکے۔ مقامی طور پر تعاون یافتہ فریم ورک اور اسکرپٹ موڈ کے بارے میں مزید معلومات دیکھنے کے لیے، رجوع کریں۔ Amazon SageMaker کے ساتھ مشین لرننگ فریم ورک، Python، اور R استعمال کریں۔.
آخر میں، ہم اپنے ماڈل کو ڈیٹاسیٹ پر تربیت دیتے ہیں اور اپنے تربیت یافتہ ماڈل کو اپنی پسند کی مثال کی قسم میں تعینات کرتے ہیں۔
اس مقام پر، ہم نے ایک حسب ضرورت SKLearn FHE ماڈل کو تربیت دی ہے اور اسے SageMaker ریئل ٹائم انفرنس اینڈ پوائنٹ پر تعینات کیا ہے جو انکرپٹڈ ڈیٹا کو قبول کرنے کے لیے تیار ہے۔
کلائنٹ کا ڈیٹا انکرپٹ اور بھیجیں۔
مندرجہ ذیل خاکہ ماڈل کو کلائنٹ ڈیٹا کو خفیہ کرنے اور بھیجنے کے ورک فلو کو واضح کرتا ہے۔
زیادہ تر معاملات میں، انفرنس اینڈ پوائنٹ پر کال کے پے لوڈ میں پہلے ایمیزون S3 میں اسٹور کرنے کے بجائے انکرپٹڈ ڈیٹا ہوتا ہے۔ ہم یہ اس مثال میں کرتے ہیں کیونکہ ہم نے ایک ساتھ مل کر انفرنس کال کے ریکارڈ کی ایک بڑی تعداد کو بیچ دیا ہے۔ عملی طور پر، اس بیچ کا سائز چھوٹا ہو گا یا اس کے بجائے بیچ ٹرانسفارم استعمال کیا جائے گا۔ FHE کے لیے Amazon S3 کو بطور ثالث استعمال کرنے کی ضرورت نہیں ہے۔
اب جب کہ انفرنس اینڈ پوائنٹ قائم ہو چکا ہے، ہم ڈیٹا بھیجنا شروع کر سکتے ہیں۔ ہم عام طور پر مختلف ٹیسٹ اور ٹریننگ ڈیٹاسیٹ استعمال کرتے ہیں، لیکن اس مثال کے لیے ہم ایک ہی ٹریننگ ڈیٹاسیٹ استعمال کرتے ہیں۔
سب سے پہلے، ہم کلائنٹ کی طرف سے Iris ڈیٹاسیٹ لوڈ کرتے ہیں۔ اگلا، ہم Pyfhel کا استعمال کرتے ہوئے FHE سیاق و سباق مرتب کرتے ہیں۔ ہم نے اس عمل کے لیے Pyfhel کو منتخب کیا ہے کیونکہ یہ انسٹال کرنا اور اس کے ساتھ کام کرنا آسان ہے، اس میں مشہور FHE اسکیمے شامل ہیں، اور قابل اعتماد بنیادی اوپن سورسڈ انکرپشن کے نفاذ پر انحصار کرتا ہے۔ SEAL. اس مثال میں، ہم اس FHE اسکیم کے لیے عوامی کلیدوں کی معلومات کے ساتھ انکرپٹڈ ڈیٹا سرور کو بھیجتے ہیں، جو اختتامی نقطہ کو ضروری FHE پیرامیٹرز کے ساتھ اس کی طرف بھیجنے کے لیے نتیجہ کو خفیہ کرنے کے قابل بناتا ہے، لیکن اسے نہیں دیتا۔ آنے والے ڈیٹا کو ڈکرپٹ کرنے کی صلاحیت۔ نجی کلید صرف کلائنٹ کے پاس رہتی ہے، جس میں نتائج کو ڈکرپٹ کرنے کی صلاحیت ہوتی ہے۔
اپنے ڈیٹا کو انکرپٹ کرنے کے بعد، ہم ایک مکمل ڈیٹا لغت کو جمع کرتے ہیں—جس میں متعلقہ کلیدیں اور خفیہ کردہ ڈیٹا شامل ہیں—Amazon S3 پر ذخیرہ کرنے کے لیے۔ Aferwards، ماڈل کلائنٹ کے خفیہ کردہ ڈیٹا پر اپنی پیشین گوئیاں کرتا ہے، جیسا کہ درج ذیل کوڈ میں دکھایا گیا ہے۔ نوٹس کریں کہ ہم نجی کلید کو منتقل نہیں کرتے ہیں، اس لیے ماڈل ہوسٹ ڈیٹا کو ڈکرپٹ کرنے کے قابل نہیں ہے۔ اس مثال میں، ہم ڈیٹا کو S3 آبجیکٹ کے طور پر منتقل کر رہے ہیں۔ متبادل طور پر، وہ ڈیٹا براہ راست سیج میکر اینڈ پوائنٹ پر بھیجا جا سکتا ہے۔ ریئل ٹائم اینڈ پوائنٹ کے طور پر، پے لوڈ میں درخواست کے باڈی میں ڈیٹا پیرامیٹر ہوتا ہے، جس کا ذکر سیج میکر دستاویزات.
مندرجہ ذیل اسکرین شاٹ مرکزی پیشین گوئی کو ظاہر کرتا ہے۔ fhe_train.py
(ضمیمہ پوری تربیت کا اسکرپٹ دکھاتا ہے)۔
ہم اپنے انکرپٹڈ لاجسٹک ریگریشن کے نتائج کا حساب لگا رہے ہیں۔ یہ کوڈ ہر ممکنہ کلاس کے لیے ایک انکرپٹڈ اسکیلر پروڈکٹ کی گنتی کرتا ہے اور کلائنٹ کو نتائج واپس کرتا ہے۔ نتائج تمام مثالوں میں ہر کلاس کے لیے پیش گوئی شدہ لاگٹس ہیں۔
کلائنٹ ڈکرپٹ شدہ نتائج واپس کرتا ہے۔
مندرجہ ذیل خاکہ کلائنٹ کے انکرپٹ شدہ نتیجہ کو بازیافت کرنے اور اسے (نجی کلید کے ساتھ جس تک صرف انہیں رسائی حاصل ہے) کو ڈکرپٹ کرنے کے کام کے فلو کی وضاحت کرتا ہے تاکہ نتیجہ ظاہر کیا جا سکے۔
اس مثال میں، نتائج Amazon S3 پر محفوظ کیے جاتے ہیں، لیکن عام طور پر یہ ریئل ٹائم اینڈ پوائنٹ کے پے لوڈ کے ذریعے واپس کیے جائیں گے۔ FHE کے لیے Amazon S3 کو بطور ثالث استعمال کرنے کی ضرورت نہیں ہے۔
تخمینہ کا نتیجہ کنٹرول کے طور پر نتائج کے قریب ہو گا گویا انہوں نے FHE استعمال کیے بغیر خود اس کی گنتی کی ہے۔
صاف کرو
ہم اپنے بنائے گئے اینڈ پوائنٹ کو حذف کر کے اس عمل کو ختم کرتے ہیں، یہ یقینی بنانے کے لیے کہ اس عمل کے بعد کوئی غیر استعمال شدہ کمپیوٹ نہیں ہے۔
نتائج اور تحفظات
ماڈلز کے اوپر FHE استعمال کرنے کی ایک عام خرابی یہ ہے کہ اس میں کمپیوٹیشنل اوور ہیڈ کا اضافہ ہوتا ہے، جو کہ عملی طور پر نتیجتاً ماڈل کو انٹرایکٹو استعمال کے معاملات کے لیے بہت سست بنا دیتا ہے۔ لیکن، ان صورتوں میں جہاں ڈیٹا انتہائی حساس ہے، اس تاخیری تجارت کو قبول کرنا مفید ہو سکتا ہے۔ تاہم، ہمارے سادہ لوجسٹک ریگریشن کے لیے، ہم 140 سیکنڈ کے اندر اندر 60 ان پٹ ڈیٹا کے نمونوں پر کارروائی کرنے اور لکیری کارکردگی دیکھنے کے قابل ہیں۔ مندرجہ ذیل چارٹ میں کل اختتام سے آخر تک کا وقت شامل ہے، بشمول کلائنٹ کی طرف سے ان پٹ کو خفیہ کرنے اور نتائج کو ڈی سیپٹ کرنے کا وقت۔ یہ Amazon S3 کا بھی استعمال کرتا ہے، جس میں تاخیر کا اضافہ ہوتا ہے اور ان معاملات کے لیے اس کی ضرورت نہیں ہے۔
جب ہم مثالوں کی تعداد کو 1 سے 150 تک بڑھاتے ہیں تو ہم لکیری اسکیلنگ دیکھتے ہیں۔ اس کی توقع کی جاتی ہے کیونکہ ہر مثال کو ایک دوسرے سے آزادانہ طور پر خفیہ کیا جاتا ہے، اس لیے ہم ایک مقررہ سیٹ اپ لاگت کے ساتھ حساب میں لکیری اضافے کی توقع کرتے ہیں۔
اس کا مطلب یہ بھی ہے کہ آپ اپنے سیج میکر کے اختتامی نقطہ کے پیچھے زیادہ درخواست کے تھرو پٹ کے لیے اپنے انفرنس فلیٹ کو افقی طور پر پیمانہ کرسکتے ہیں۔ آپ استعمال کر سکتے ہیں Amazon SageMaker Inference Recommender اپنی کاروباری ضروریات کے لحاظ سے اپنے بیڑے کو بہتر بنانے کے لیے۔
نتیجہ
اور آپ کے پاس یہ ہے: SKLearn لاجسٹک ریگریشن ماڈل کے لیے مکمل طور پر ہومومورفک انکرپشن ML جسے آپ کوڈ کی چند لائنوں کے ساتھ ترتیب دے سکتے ہیں۔ کچھ حسب ضرورت کے ساتھ، آپ مختلف ماڈل اقسام اور فریم ورکس کے لیے اسی طرح کے خفیہ کاری کے عمل کو لاگو کر سکتے ہیں، تربیتی ڈیٹا سے آزاد۔
اگر آپ ایک ML حل بنانے کے بارے میں مزید جاننا چاہتے ہیں جو ہومومورفک انکرپشن کا استعمال کرتا ہے، تو مزید جاننے کے لیے اپنی AWS اکاؤنٹ ٹیم یا پارٹنر Leidos سے رابطہ کریں۔ مزید مثالوں کے لیے آپ درج ذیل وسائل سے بھی رجوع کر سکتے ہیں۔
اس پوسٹ میں مواد اور آراء تیسرے فریق کے مصنفین پر مشتمل ہیں اور AWS اس پوسٹ کے مواد یا درستگی کے لیے ذمہ دار نہیں ہے۔
معاہدہ
مکمل تربیتی اسکرپٹ درج ذیل ہے:
مصنفین کے بارے میں
Liv d'Aliberti آفس آف ٹکنالوجی کے تحت Leidos AI/ML ایکسلریٹر کے اندر ایک محقق ہے۔ ان کی تحقیق پرائیویسی کو محفوظ رکھنے والی مشین لرننگ پر مرکوز ہے۔
منبیر گلاٹی آفس آف ٹکنالوجی کے تحت Leidos AI/ML ایکسلریٹر کے اندر ایک محقق ہے۔ اس کی تحقیق سائبرسیکیوریٹی اور ابھرتے ہوئے AI خطرات کے چوراہے پر مرکوز ہے۔
جو کوبا آفس آف ٹیکنالوجی کے تحت لیڈوس ڈیجیٹل ماڈرنائزیشن ایکسلریٹر کے اندر کلاؤڈ سینٹر آف ایکسیلنس پریکٹس لیڈ ہے۔ اپنے فارغ وقت میں، وہ فٹ بال کے کھیلوں کو ریفری کرنے اور سافٹ بال کھیلنے سے لطف اندوز ہوتا ہے۔
بین سنویلی ایک پبلک سیکٹر سپیشلسٹ سولیوشن آرکیٹیکٹ ہے۔ وہ بڑے ڈیٹا اور تجزیاتی منصوبوں پر سرکاری، غیر منافع بخش، اور تعلیمی صارفین کے ساتھ کام کرتا ہے، اور AWS کا استعمال کرتے ہوئے حل تیار کرنے میں ان کی مدد کرتا ہے۔ اپنے فارغ وقت میں، وہ اپنے گھر بھر میں IoT سینسر لگاتا ہے اور ان پر تجزیات چلاتا ہے۔
سمیع ہودا پارٹنرز کنسلٹنگ ڈویژن میں ایک سینئر حل آرکیٹیکٹ ہے جو دنیا بھر میں پبلک سیکٹر کا احاطہ کرتا ہے۔ سامی ان پروجیکٹس کے بارے میں پرجوش ہیں جہاں مساوی حصوں کی ڈیزائننگ سوچ، اختراع، اور جذباتی ذہانت کا استعمال ضرورت مند لوگوں کے مسائل کو حل کرنے اور ان پر اثر انداز ہونے کے لیے کیا جا سکتا 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/enable-fully-homomorphic-encryption-with-amazon-sagemaker-endpoints-for-secure-real-time-inferencing/
- : ہے
- ][p
- $UP
- 1
- 10
- 100
- 11
- 7
- a
- کی صلاحیت
- قابلیت
- ہمارے بارے میں
- مسرع
- قبول کریں
- قابل قبول
- تک رسائی حاصل
- اکاؤنٹ
- درستگی
- حاصل
- کے پار
- ایڈیشنل
- پتہ
- جوڑتا ہے
- کے بعد
- AI
- AI / ML
- تمام
- کی اجازت دیتا ہے
- اگرچہ
- ایمیزون
- ایمیزون API گیٹ وے
- ایمیزون سیج میکر
- تجزیاتی
- تجزیاتی
- اور
- اے پی آئی
- درخواست
- ایپلی کیشنز
- اطلاقی
- نقطہ نظر
- مناسب
- ارکیٹیکچرل
- فن تعمیر
- کیا
- AS
- At
- مصنفین
- دستیاب
- AWS
- BE
- کیونکہ
- پیچھے
- BEST
- بہترین طریقوں
- تعصب
- بگ
- بگ ڈیٹا
- جسم
- تعمیر
- عمارت
- تعمیر
- کاروبار
- by
- فون
- کالر
- کر سکتے ہیں
- مقدمات
- سینٹر
- اتھارٹی کے مرکز
- مرکزی
- چیلنجوں
- چارٹ
- چیک کریں
- انتخاب
- کا انتخاب کیا
- طبقے
- صفائی
- سی ایل ایف
- کلائنٹ
- کلوز
- بادل
- کوڈ
- کامن
- مکمل
- حساب
- گنتی
- کمپیوٹنگ
- کمپیوٹنگ
- رازداری
- تعمیر
- مشاورت
- صارفین
- کنٹینر
- پر مشتمل ہے
- مواد
- سیاق و سباق
- کنٹرول
- کور
- قیمت
- جوڑے
- ڈھکنے
- بنائی
- اہم
- اپنی مرضی کے
- گاہکوں
- اصلاح
- سائبر سیکیورٹی
- اعداد و شمار
- ڈیٹاسیٹس
- خرابی
- گہری
- گہری سیکھنے
- پہلے سے طے شدہ
- دفاع
- مظاہرہ
- منحصر ہے
- تعیناتی
- تعینات
- ڈیزائن
- ڈیزائن سوچ
- ترقی
- ڈویلپرز
- DICT
- مختلف
- ڈیجیٹل
- براہ راست
- ڈائریکٹریز
- ڈویژن
- نہیں کرتا
- نہیں
- خرابیاں
- کے دوران
- ہر ایک
- تعلیم
- کرنڈ
- کو چالو کرنے کے
- کے قابل بناتا ہے
- خفیہ کردہ
- خفیہ کاری
- آخر سے آخر تک
- اختتام پوائنٹ
- انجنیئرنگ
- پوری
- اندراج
- ماحول
- مساوات
- خرابی
- بھی
- مثال کے طور پر
- مثال کے طور پر
- ایکسیلنس
- توقع ہے
- توقع
- ماہرین
- وضاحت
- کی تلاش
- توسیع
- بیرونی
- نکالنے
- نمایاں کریں
- چند
- اعداد و شمار
- پہلا
- فٹ
- مقرر
- فلیٹ
- سچل
- بہنا
- توجہ مرکوز
- پر عمل کریں
- کے بعد
- مندرجہ ذیل ہے
- فٹ بال کے
- کے لئے
- فارچیون
- فریم ورک
- فریم ورک
- مفت
- سے
- مکمل
- مکمل طور پر
- افعال
- کھیل
- گیٹ وے
- عام طور پر
- پیدا
- حاصل
- دے دو
- حکومت
- زیادہ سے زیادہ
- ہینڈل
- ہے
- ہونے
- صحت کی دیکھ بھال
- مدد
- انتہائی
- وطن
- ہوم لینڈ سیکورٹی
- میزبان
- ہاؤس
- کس طرح
- کیسے
- تاہم
- HTML
- HTTP
- HTTPS
- شناختی
- اثر
- پر عملدرآمد
- نفاذ
- درآمد
- اہم
- in
- قابل رسائی
- شامل ہیں
- سمیت
- موصولہ
- اضافہ
- آزاد
- آزادانہ طور پر
- معلومات
- جدت طرازی
- ان پٹ
- انسٹال
- مثال کے طور پر
- کے بجائے
- ضم
- انضمام
- انٹیلی جنس
- انٹرایکٹو
- بیچوان
- چوراہا
- IOT
- الگ الگ
- IT
- میں
- مشترکہ
- کلیدی
- چابیاں
- بڑے
- بڑے
- تاخیر
- شروع
- قیادت
- رہنما
- جانیں
- سیکھنے
- سطح
- زندگی کا دورانیہ
- کی طرح
- حدود
- لائنوں
- لوڈ
- مقامی طور پر
- لو
- مشین
- مشین لرننگ
- بنا
- بناتا ہے
- میں کامیاب
- تعریفیں
- Markets
- ریاضیاتی
- کا مطلب ہے کہ
- ذکر کیا
- مائیکروسافٹ
- شاید
- ML
- موڈ
- ماڈل
- ماڈل
- زیادہ
- سب سے زیادہ
- ضروری
- ضرورت ہے
- ضروریات
- نئی
- اگلے
- Nitro
- شور
- غیر منافع بخش
- عام طور پر
- نوٹ بک
- تصور
- تعداد
- تعداد
- عجیب
- اعتراض
- of
- دفتر
- آف لائن
- on
- کھول
- آپریشن
- آپریشنز
- رائے
- کی اصلاح کریں
- حکم
- OS
- دیگر
- پیداوار
- pandas
- پیرامیٹر
- پیرامیٹرز
- پارٹنر
- شراکت دار
- شراکت داروں کے
- حصے
- پاسنگ
- جذباتی
- راستہ
- پیٹرن
- لوگ
- انجام دیں
- کارکردگی
- کارکردگی کا مظاہرہ
- پائپ لائن
- پلاٹا
- افلاطون ڈیٹا انٹیلی جنس
- پلیٹو ڈیٹا
- کھیل
- پوائنٹ
- پالیسی
- مقبول
- ممکن
- پوسٹ
- ممکنہ طور پر
- پریکٹس
- طریقوں
- پیشن گوئی
- پیش گوئی
- کی پیشن گوئی
- پیشن گوئی
- پیش گو
- تیار
- کی رازداری
- نجی
- ذاتی کلید
- مسائل
- عمل
- عملدرآمد
- عمل
- پروسیسنگ
- پروسیسر
- تیار
- مصنوعات
- منصوبوں
- تحفظ
- فراہم کنندہ
- فراہم کرتا ہے
- عوامی
- عوامی کلید
- عوامی چابیاں
- ھیںچو
- ڈال
- ازگر
- بلکہ
- تک پہنچنے
- تیار
- اصلی
- اصل وقت
- موصول
- ریکارڈ
- باضابطہ
- متعلقہ
- باقی
- نمائندگی
- درخواست
- درخواستوں
- ضرورت
- ضرورت
- ضروریات
- تحقیق
- محقق
- وسائل
- جواب
- ذمہ دار
- باقی
- نتیجہ
- نتیجے
- نتائج کی نمائش
- واپسی
- واپسی
- ظاہر
- کردار
- ROW
- رن
- sagemaker
- سیج میکر کا اندازہ
- اسی
- محفوظ کریں
- توسیع پذیر
- پیمانے
- سکیلنگ
- سکیم
- منصوبوں
- سائنس
- سائنس اور ٹیکنالوجی
- سیکنڈ
- سیکشنز
- شعبے
- محفوظ بنانے
- سیکورٹی
- دیکھتا
- منتخب
- منتخب
- بھیجنا
- سینئر
- حساس
- سینسر
- بے سرور
- سروسز
- مقرر
- سیٹ اپ
- ہونا چاہئے
- دکھائیں
- دکھایا گیا
- شوز
- کی طرف
- اسی طرح
- سادہ
- آسان بنانا
- سائز
- سست
- چھوٹے
- چھوٹے
- So
- حل
- حل
- حل
- کچھ
- ماہر
- اسٹیج
- شروع کریں
- حالت
- امریکہ
- مستحکم
- مراحل
- ذخیرہ
- ذخیرہ
- ذخیرہ
- پردہ
- ذخیرہ کرنے
- تائید
- کے نظام
- سسٹمز
- ہدف
- ٹیم
- ٹیکنالوجی
- سانچے
- ٹیسٹ
- ٹیسٹنگ
- کہ
- ۔
- ان
- ان
- خود
- یہ
- سوچنا
- تیسری پارٹی
- خطرات
- کے ذریعے
- بھر میں
- تھرو پٹ
- وقت
- کرنے کے لئے
- مل کر
- بھی
- ٹول کٹ
- سب سے اوپر
- کل
- ٹرین
- تربیت یافتہ
- ٹریننگ
- تبدیل
- ٹرانزٹ
- ترسیل
- قابل اعتماد
- اقسام
- کے تحت
- بنیادی
- انلاک
- غیر استعمال شدہ
- اپ لوڈ کرنا
- استعمال کی شرائط
- صارفین
- قیمت
- ویڈیو
- جس
- گے
- ساتھ
- کے اندر
- بغیر
- کام
- کام کر
- کام کرتا ہے
- دنیا کی
- دنیا بھر
- قابل قدر
- گا
- تم
- اور
- یو ٹیوب پر
- زیفیرنیٹ