یہ کسٹومر کے سینئر سافٹ ویئر اینڈ مشین لرننگ انجینئر، ایان لانٹزی، اور AWS ٹیم Umesh Kalaspurkar، Prasad Shetty، اور Jonathan Greifenberger کی ایک مہمان پوسٹ ہے۔
کسٹومر کے اپنے الفاظ میں، "کسٹمر ایک اومنی چینل SaaS CRM پلیٹ فارم ہے جو شاندار تجربات فراہم کرنے کے لیے انٹرپرائز کسٹمر سروس کا دوبارہ تصور کرتا ہے۔ ذہین آٹومیشن کے ساتھ بنایا گیا، ہم کسی بھی رابطہ مرکز اور کاروبار کی ضروریات کو پورا کرنے کے لیے متعدد ذرائع سے ڈیٹا کو یکجا کر کے اور کمپنیوں کو ایک ہی ٹائم لائن ویو کے ذریعے آسان، مستقل اور ذاتی نوعیت کی سروس اور سپورٹ فراہم کرنے کے قابل بناتے ہیں۔
کسٹومر اپنے کاروباری صارفین — کسٹمر کے تجربے اور سروس تنظیموں — کے لیے سپورٹ کمیونیکیشنز کی بڑی مقدار کا تیزی سے تجزیہ کرنے کی صلاحیت چاہتا تھا اور معلومات کی خودکار دریافت جیسے کہ آخری صارف کا ارادہ، کسٹمر سروس کا مسئلہ، اور صارف سے متعلق دیگر متعلقہ بصیرتیں۔ ان خصوصیات کو سمجھنا CX تنظیموں کو مواد کی خود بخود درجہ بندی اور درجہ بندی کرکے ہزاروں اندرون خانہ سپورٹ ای میلز کا انتظام کرنے میں مدد کرسکتا ہے۔ کسٹمر فائدہ اٹھاتا ہے۔ ایمیزون سیج میکر ان کے AI کی بنیاد پر آنے والی سپورٹ کمیونیکیشنز کے تجزیہ کا انتظام کرنے کے لیے کسٹمر آئی کیو پلیٹ فارم کسٹومر آئی کیو کی بات چیت کی درجہ بندی کی خدمت بات چیت کو سیاق و سباق کے مطابق بنانے اور بصورت دیگر تھکا دینے والے اور دہرائے جانے والے کاموں کو خودکار کرنے کے قابل ہے، ایجنٹ کے خلفشار اور فی رابطہ کی مجموعی لاگت کو کم کرتی ہے۔ اس اور کسٹومر کی دیگر آئی کیو سروسز نے اپنے کاروباری صارفین کے لیے پیداواری صلاحیت اور آٹومیشن میں اضافہ کیا ہے۔
اس پوسٹ میں، ہم اس بارے میں بات کرتے ہیں کہ کسٹومر کس طرح سیج میکر کی تربیت اور تخمینہ کے لیے کسٹم ڈوکر امیجز کا استعمال کرتا ہے، جو انضمام کو آسان بناتا ہے اور عمل کو ہموار کرتا ہے۔ اس نقطہ نظر کے ساتھ، کسٹومر کے کاروباری صارفین ہر ماہ 50k سے زیادہ سپورٹ ای میلز کو 70% تک درستگی کے ساتھ خود بخود درجہ بندی کر رہے ہیں۔
پس منظر اور چیلنجز
کسٹومر اپنی گفتگو کی درجہ بندی کی خدمت کے لیے حسب ضرورت ٹیکسٹ کی درجہ بندی کی پائپ لائن استعمال کرتا ہے۔ اس سے انہیں سیج میکر کی ٹریننگ اور انفرنس آرکیسٹریشن کا استعمال کرتے ہوئے خودکار درجہ بندی اور درجہ بندی کے ذریعے روزانہ ہزاروں درخواستوں کا انتظام کرنے میں مدد ملتی ہے۔ بات چیت کی درجہ بندی کا تربیتی انجن اپنی مرضی کے مطابق ڈاکر امیجز کو ڈیٹا پر کارروائی کرنے کے لیے استعمال کرتا ہے اور تاریخی بات چیت کا استعمال کرتے ہوئے ماڈلز کو تربیت دیتا ہے اور پھر ان موضوعات، زمروں، یا دیگر حسب ضرورت لیبلز کی پیش گوئی کرتا ہے جن کی کسی خاص ایجنٹ کو گفتگو کی درجہ بندی کرنے کی ضرورت ہوتی ہے۔ پھر پیشن گوئی کا انجن بات چیت کی درجہ بندی کرنے کے لیے تربیت یافتہ ماڈلز کو ایک اور کسٹم ڈوکر امیج کے ساتھ استعمال کرتا ہے، جسے تنظیمیں اپنے موضوع کی بنیاد پر کسی مخصوص ٹیم کو رپورٹنگ یا روٹ بات چیت کو خودکار کرنے کے لیے استعمال کرتی ہیں۔
سیج میکر کی درجہ بندی کا عمل ایک ٹریننگ اور انفرنس پائپ لائن کے قیام سے شروع ہوتا ہے جو متن کی درجہ بندی اور متعلقہ سفارشات فراہم کر سکے۔ ایک عام سیٹ اپ کو سرور لیس اپروچ کے ساتھ لاگو کیا جائے گا جیسے او ڈبلیو ایس لامبڈا۔ ڈیٹا پری پروسیسنگ اور پوسٹ پروسیسنگ کے لیے کیونکہ اس میں ایک موثر آن ڈیمانڈ پرائسنگ ماڈل کے ساتھ کم سے کم پروویژننگ کی ضرورت ہوتی ہے۔ تاہم، TensorFlow، NumPy، اور Pandas جیسے انحصار کے ساتھ SageMaker کا استعمال ماڈل پیکیج کے سائز میں تیزی سے اضافہ کر سکتا ہے، جس سے تعیناتی کے مجموعی عمل کو بوجھل اور انتظام کرنا مشکل ہو جاتا ہے۔ کسٹومر نے ان چیلنجوں پر قابو پانے کے لیے کسٹم ڈوکر امیجز کا استعمال کیا۔
اپنی مرضی کے مطابق ڈاکر کی تصاویر کافی فوائد فراہم کرتی ہیں:
- بڑے کمپریسڈ پیکیج سائز (10 GB سے زیادہ) کی اجازت دیتا ہے، جس میں مشہور مشین لرننگ (ML) فریم ورک جیسے TensorFlow، MXNet، PyTorch، یا دیگر شامل ہو سکتے ہیں۔
- آپ کو مقامی طور پر تیار کردہ حسب ضرورت کوڈ یا الگورتھم لانے کی اجازت دیتا ہے۔ ایمیزون سیج میکر اسٹوڈیو تیز رفتار تکرار اور ماڈل ٹریننگ کے لیے نوٹ بک۔
- تعیناتی پیکجوں کو پیک کرتے وقت Lambda میں ہونے والی تاخیر سے بچتا ہے۔
- اندرونی نظاموں کے ساتھ بغیر کسی رکاوٹ کے انضمام کے لیے لچک پیش کرتا ہے۔
- مستقبل کی مطابقت اور اسکیل ایبلٹی لیمبڈا فنکشن میں .zip فائلوں کو پیک کرنے کی بجائے ڈوکر کا استعمال کرتے ہوئے کسی سروس کو تبدیل کرنا آسان بناتی ہے۔
- CI/CD کی تعیناتی پائپ لائن کے لیے ٹرناراؤنڈ ٹائم کو کم کرتا ہے۔
- ٹیم کے اندر ڈوکر سے واقفیت اور استعمال میں آسانی فراہم کرتا ہے۔
- APIs اور بیک اینڈ رن ٹائم کے ذریعے ڈیٹا اسٹورز تک رسائی فراہم کرتا ہے۔
- کسی بھی پری پروسیسنگ یا پوسٹ پروسیسنگ کے لیے مداخلت کرنے کے لیے بہتر تعاون فراہم کرتا ہے کہ لیمبڈا کو ہر عمل کے لیے الگ کمپیوٹ سروس کی ضرورت ہوگی (جیسے کہ تربیت یا تعیناتی)۔
حل جائزہ
سپورٹ ای میلز کی درجہ بندی اور لیبلنگ کسٹمر سپورٹ کے عمل میں ایک اہم مرحلہ ہے۔ یہ کمپنیوں کو بات چیت کو صحیح ٹیموں تک پہنچانے اور اعلیٰ سطح پر سمجھنے کی اجازت دیتا ہے کہ ان کے گاہک ان سے کس بارے میں رابطہ کر رہے ہیں۔ کسٹومر کے کاروباری صارفین روزانہ ہزاروں بات چیت کو سنبھالتے ہیں، اس لیے پیمانے پر درجہ بندی کرنا ایک چیلنج ہے۔ اس عمل کو خودکار بنانے سے ایجنٹوں کو زیادہ موثر ہونے اور مزید مربوط تعاون فراہم کرنے میں مدد ملتی ہے، اور ان کے صارفین کو صحیح لوگوں سے تیزی سے جوڑنے میں مدد ملتی ہے۔
درج ذیل خاکہ حل کے فن تعمیر کی وضاحت کرتا ہے:
بات چیت کی درجہ بندی کا عمل کاروباری گاہک کے ساتھ شروع ہوتا ہے جو کسٹومر کو تربیت اور تخمینہ پائپ لائن قائم کرنے کی اجازت دیتا ہے جو متن کی درجہ بندی اور متعلقہ سفارشات میں ان کی مدد کر سکتی ہے۔ کسٹومر ٹریننگ اور انفرنس کے عمل کی نگرانی کے لیے اپنے صارفین کے سامنے یوزر انٹرفیس کو بے نقاب کرتا ہے، جسے TensorFlow ماڈلز اور کسٹم Docker امیجز کے ساتھ SageMaker کا استعمال کرتے ہوئے لاگو کیا جاتا ہے۔ درجہ بندی کرنے اور استعمال کرنے کے عمل کو پانچ اہم ورک فلوز میں تقسیم کیا گیا ہے، جو ایک ورکر سروس کے ذریعے مربوط ہوتے ہیں۔ ایمیزون ای سی ایس. پائپ لائن کے واقعات کو مربوط کرنے اور ماڈل کی تربیت اور تعیناتی کو متحرک کرنے کے لیے، کارکن ایک استعمال کرتا ہے۔ ایمیزون ایس کیو ایس AWS فراہم کردہ Node.js SDK کا استعمال کرتے ہوئے قطار میں اور براہ راست SageMaker کے ساتھ ضم ہوتا ہے۔ ورک فلو یہ ہیں:
- ڈیٹا ایکسپورٹ
- ڈیٹا پروپوزل کی گذارش
- ٹریننگ
- تعیناتی
- ارادہ
ڈیٹا ایکسپورٹ
ڈیٹا ایکسپورٹ کا عمل ڈیمانڈ پر چلایا جاتا ہے اور تجزیہ کے لیے ای میل ڈیٹا کے استعمال کی تصدیق کے لیے کسٹومر کے کاروباری کسٹمر سے منظوری کے عمل سے شروع ہوتا ہے۔ درجہ بندی کے عمل سے متعلقہ ڈیٹا آخری صارف سے موصول ہونے والی ابتدائی ای میل کے ذریعے حاصل کیا جاتا ہے۔ مثال کے طور پر، ایک سپورٹ ای میل میں عام طور پر مسئلے کے بارے میں تفصیلات کے ساتھ مسئلہ کے بارے میں مکمل مربوط سوچ ہوتی ہے۔ برآمدی عمل کے حصے کے طور پر، ای میلز کو ڈیٹا اسٹور (MongoDB اور ایمیزون اوپن سرچ) اور اس میں محفوظ کیا گیا۔ ایمیزون سادہ اسٹوریج سروس (ایمیزون S3)۔
ڈیٹا پروپوزل کی گذارش
ڈیٹا پری پروسیسنگ اسٹیج کسٹمر ای میلز سے کسی بھی HTML ٹیگز کو ہٹا کر اور کسی بھی خراب HTML کا پتہ لگانے کے لیے متعدد صفائی اور صفائی ستھرائی کے اقدامات کے ذریعے تربیت اور انفرنس ورک فلو کے لیے ڈیٹا سیٹ کو صاف کرتا ہے۔ اس عمل کا استعمال بھی شامل ہے۔ ہگنگ فیس ٹوکنائزرز اور ٹرانسفارمرز. جب صفائی کا عمل مکمل ہو جاتا ہے، تربیت کے لیے درکار کوئی بھی اضافی حسب ضرورت ٹوکن آؤٹ پٹ ڈیٹا سیٹ میں شامل کر دیے جاتے ہیں۔
پری پروسیسنگ مرحلے کے دوران، ایک لیمبڈا فنکشن اپنی مرضی کے مطابق ڈوکر امیج کو طلب کرتا ہے۔ یہ تصویر ایک Python 3.8 سلم بیس پر مشتمل ہے۔ AWS Lambda Python رن ٹائم انٹرفیس کلائنٹ، اور انحصار جیسے بے حس اور پانڈاس. اپنی مرضی کے مطابق ڈوکر امیج کو اسٹور کیا گیا ہے۔ ایمیزون لچکدار کنٹینر رجسٹری (ایمیزون ای سی آر) اور پھر تعیناتی کے لیے CI/CD پائپ لائن کے ذریعے کھلایا جاتا ہے۔ تعینات کردہ لیمبڈا فنکشن ڈیٹا کو نمونہ بناتا ہے تاکہ فی درجہ بندی کرنے والے تین الگ ڈیٹاسیٹ تیار کیے جا سکیں:
- ٹریننگ - اصل تربیتی عمل کے لیے استعمال کیا جاتا ہے۔
- توثیق - TensorFlow تربیتی عمل کے دوران توثیق کے لیے استعمال کیا جاتا ہے۔
- ٹیسٹ - میٹرکس ماڈل کے موازنہ کے لیے تربیتی عمل کے اختتام پر استعمال کیا جاتا ہے۔
تیار کردہ آؤٹ پٹ ڈیٹاسیٹس پانڈاس اچار کی فائلیں ہیں، جنہیں ایمیزون S3 میں محفوظ کیا جاتا ہے تاکہ تربیت کے مرحلے میں استعمال کیا جا سکے۔
ٹریننگ
کسٹومر کی کسٹم ٹریننگ امیج میں ٹینسر فلو 2.7 جی پی یو آپٹمائزڈ ڈوکر استعمال کیا گیا ہے۔ تصویر ایک بنیاد کے طور پر. کسٹم کوڈ، انحصار، اور بیس ماڈلز کو ECR پر کسٹم ڈوکر ٹریننگ امیج اپ لوڈ کرنے سے پہلے شامل کیا جاتا ہے۔ تربیتی عمل کے لیے P3 مثال کی قسمیں استعمال کی جاتی ہیں اور GPU آپٹمائزڈ بیس امیج کا استعمال تربیت کے عمل کو ممکنہ حد تک موثر بنانے میں مدد کرتا ہے۔ Amazon SageMaker اس حسب ضرورت ڈوکر امیج کے ساتھ TensorFlow ماڈلز کو تربیت دینے کے لیے استعمال کیا جاتا ہے جو پھر S3 میں محفوظ ہوتے ہیں۔ حسب ضرورت میٹرکس کو بھی شمار کیا جاتا ہے اور اضافی صلاحیتوں جیسے ماڈل کے موازنہ اور خودکار دوبارہ تربیت میں مدد کے لیے محفوظ کیا جاتا ہے۔ تربیت کا مرحلہ مکمل ہونے کے بعد، AI کارکن کو مطلع کیا جاتا ہے اور کاروباری صارف تعیناتی کا ورک فلو شروع کرنے کے قابل ہو جاتا ہے۔
تعیناتی
تعیناتی ورک فلو کے لیے، TensorFlow سرونگ بیس امیج کا استعمال کرتے ہوئے ایک حسب ضرورت ڈوکر انفرنس امیج بنائی جاتی ہے (خاص طور پر تیز تر اندازہ لگانے کے لیے بنائی گئی ہے)۔ اضافی کوڈ اور انحصار جیسے numPy، Pandas، کسٹم NL، وغیرہ کو اضافی فعالیت فراہم کرنے کے لیے شامل کیا گیا ہے، جیسا کہ تخمینہ سے پہلے ان پٹ کی فارمیٹنگ اور صفائی۔ FastAPI کو حسب ضرورت تصویر کے حصے کے طور پر بھی شامل کیا گیا ہے، اور اس کا استعمال REST API کے اختتامی نکات اور صحت کی جانچ کے لیے کیا جاتا ہے۔ اس کے بعد SageMaker کو S3 میں محفوظ کردہ TensorFlow ماڈلز کو کمپیوٹ آپٹیمائزڈ ml.c5 AWS مثالوں پر اعلی کارکردگی کے انفرنس اینڈ پوائنٹس بنانے کے لیے ترتیب دیا گیا ہے۔ ہر اختتامی نقطہ ایک واحد گاہک کے استعمال کے لیے بنایا گیا ہے تاکہ ان کے ماڈلز اور ڈیٹا کو الگ کیا جا سکے۔
ارادہ
ایک بار جب تعیناتی کا ورک فلو مکمل ہو جاتا ہے، تو انفرنس ورک فلو اپنی جگہ لے لیتا ہے۔ تمام پہلے ان باؤنڈ سپورٹ ای میلز اس گاہک کے لیے مخصوص تعینات کردہ درجہ بندی کے لیے انفرنس API کے ذریعے پاس کیے جاتے ہیں۔ تعینات کردہ درجہ بندی کرنے والے پھر ان ای میلز میں سے ہر ایک پر متن کی درجہ بندی کرتے ہیں، ہر ایک صارف کے لیے درجہ بندی کے لیبل تیار کرتا ہے۔
ممکنہ اضافہ اور تخصیصات
کسٹومر مندرجہ ذیل اضافہ کے ساتھ حل کو بڑھانے پر غور کر رہا ہے:
- گلے لگانا چہرہ DLCs - کسٹومر فی الحال ڈیٹا پری پروسیسنگ مرحلے کے لیے ٹینسر فلو کی بیس ڈوکر امیجز کا استعمال کرتا ہے اور اس میں منتقل ہونے کا ارادہ رکھتا ہے۔ ہگنگ فیس ڈیپ لرننگ کنٹینرز (DLCs). اس سے آپ کو فوری طور پر ٹریننگ ماڈلز شروع کرنے میں مدد ملتی ہے، تعمیر کے پیچیدہ عمل کو چھوڑ کر آپ کے تربیتی ماحول کو شروع سے ہی بہتر بناتے ہیں۔ مزید معلومات کے لیے دیکھیں ایمیزون سیج میکر پر گلے لگانا چہرہ.
- فیڈ بیک لوپ - آپ ماڈل کی مجموعی کارکردگی کو بڑھانے کے لیے فعال سیکھنے یا کمک سیکھنے کی تکنیک کا استعمال کرتے ہوئے فیڈ بیک لوپ کو نافذ کر سکتے ہیں۔
- دوسرے اندرونی نظاموں کے ساتھ انضمام - کسٹومر متن کی درجہ بندی کو دوسرے سسٹمز جیسے Smart Suggestions کے ساتھ مربوط کرنے کی صلاحیت چاہتا ہے، جو کہ ایک اور Kustomer IQ سروس ہے جو سیکڑوں شارٹ کٹس کو دیکھتی ہے اور ایسے شارٹ کٹس تجویز کرتی ہے جو گاہک کے سوال سے سب سے زیادہ متعلقہ ہوں، ایجنٹ کے جوابی اوقات اور کارکردگی کو بہتر بنا کر۔
نتیجہ
اس پوسٹ میں، ہم نے بحث کی کہ کسٹومر کس طرح سیج میکر کی تربیت اور تخمینہ کے لیے کسٹم ڈوکر امیجز کا استعمال کرتا ہے، جو انضمام کو آسان بناتا ہے اور عمل کو ہموار کرتا ہے۔ ہم نے یہ ظاہر کیا کہ کسٹومر کس طرح اپنی مرضی کے مطابق ڈوکر امیجز کے ساتھ لیمبڈا اور سیج میکر کا فائدہ اٹھاتا ہے جو پری پروسیسنگ اور پوسٹ پروسیسنگ ورک فلوز کے ساتھ ٹیکسٹ کی درجہ بندی کے عمل کو نافذ کرنے میں مدد کرتا ہے۔ یہ ماڈل بنانے، تربیت اور اندازہ لگانے کے لیے بڑی تصاویر کے استعمال کے لیے لچک فراہم کرتا ہے۔ لیمبڈا کے لیے کنٹینر امیج سپورٹ آپ کو اپنے فنکشن کو اور زیادہ حسب ضرورت بنانے کی اجازت دیتا ہے، جس سے سرور لیس ایم ایل کے استعمال کے بہت سے نئے کیسز کھل جاتے ہیں۔ حل کئی AWS خدمات سے فائدہ اٹھاتا ہے، بشمول SageMaker، Lambda، Docker امیجز، Amazon ECR، Amazon ECS، Amazon SQS، اور Amazon S3۔
اگر آپ کسٹومر کے بارے میں مزید جاننا چاہتے ہیں، تو ہم آپ کو یہاں جانے کی ترغیب دیتے ہیں۔ کسٹمر ویب سائٹ اور ان کی دریافت کریں۔ کیس اسٹڈیز
کلک کریں یہاں Amazon SageMaker کے ساتھ اپنا سفر شروع کرنے کے لیے۔ ہینڈ آن تجربے کے لیے، آپ Amazon SageMaker کا حوالہ دے سکتے ہیں۔ ورکشاپ.
مصنفین کے بارے میں
امیش کالاسپورکر AWS کے لیے نیویارک میں مقیم سولیوشن آرکیٹیکٹ ہے۔ وہ انٹرپرائزز اور اسٹارٹ اپس میں ڈیجیٹل انوویشن اور ٹرانسفارمیشن پروجیکٹس کے ڈیزائن اور ڈیلیوری میں 20 سال سے زیادہ کا تجربہ لاتا ہے۔ وہ گاہکوں کو چیلنجوں کی شناخت اور ان پر قابو پانے میں مدد کرکے حوصلہ افزائی کرتا ہے۔ کام سے باہر، امیش کو باپ بننے، اسکیئنگ اور سفر کرنے میں مزہ آتا ہے۔
ایان لینٹزی کسٹومر کے لیے ایک سینئر سافٹ ویئر اور مشین لرننگ انجینئر ہے اور مشین لرننگ کے تحقیقی کاموں کو لینے اور انہیں پیداواری خدمات میں تبدیل کرنے میں مہارت رکھتا ہے۔
پرساد شیٹی AWS کے لیے بوسٹن میں مقیم سولیوشن آرکیٹیکٹ ہے۔ اس نے سافٹ ویئر پراڈکٹس بنائے ہیں اور 20 سال سے زیادہ عرصے سے تمام کاروباری اداروں میں مصنوعات اور خدمات میں جدید کاری اور ڈیجیٹل اختراع کی قیادت کی ہے۔ وہ کلاؤڈ حکمت عملی چلانے اور اپنانے، اور صارفین کے بہترین تجربات پیدا کرنے کے لیے ٹیکنالوجی سے فائدہ اٹھانے کا شوق رکھتا ہے۔ اپنے فارغ وقت میں، پرساد کو بائیک چلانے اور سفر کرنے کا شوق ہے۔
جوناتھن گریفنبرگر IT انڈسٹری کے 25 سال کے تجربے کے ساتھ AWS کے لیے نیویارک میں مقیم سینئر اکاؤنٹ مینیجر ہیں۔ جوناتھن ایک ٹیم کی قیادت کرتا ہے جو مختلف صنعتوں اور عمودی علاقوں کے کلائنٹس کو ان کے کلاؤڈ اپنانے اور جدید کاری کے سفر میں مدد کرتا ہے۔
- سکے سمارٹ۔ یورپ کا بہترین بٹ کوائن اور کرپٹو ایکسچینج۔
- پلیٹو بلاک چین۔ Web3 Metaverse انٹیلی جنس۔ علم میں اضافہ۔ مفت رسائی۔
- کرپٹو ہاک۔ Altcoin ریڈار. مفت جانچ.
- ماخذ: https://aws.amazon.com/blogs/machine-learning/how-kustomer-utilizes-custom-docker-images-amazon-sagemaker-to-build-a-text-classification-pipeline/
- "
- &
- 100
- 20 سال
- 7
- ہمارے بارے میں
- تک رسائی حاصل
- اکاؤنٹ
- کے پار
- فعال
- ایڈیشنل
- منہ بولابیٹا بنانے
- فائدہ
- فوائد
- ایجنٹ
- AI
- یلگوردمز
- تمام
- ایمیزون
- تجزیہ
- ایک اور
- اے پی آئی
- APIs
- نقطہ نظر
- فن تعمیر
- میشن
- AWS
- کیا جا رہا ہے
- تعمیر
- عمارت
- کاروبار
- صلاحیتوں
- مقدمات
- وجہ
- چیلنج
- چیلنجوں
- چیک
- درجہ بندی
- صفائی
- بادل
- کوڈ
- کموینیکیشن
- کمپنیاں
- کمپیوٹنگ
- صارفین
- کنٹینر
- کنٹینر
- پر مشتمل ہے
- مواد
- بات چیت
- مکالمات
- گاہک کا تجربہ
- کسٹمر سروس
- کسٹمر سپورٹ
- گاہکوں
- اعداد و شمار
- دن
- تاخیر
- ترسیل
- ڈیمانڈ
- تعیناتی
- ڈیزائن
- ترقی یافتہ
- ڈیجیٹل
- دریافت
- میں Docker
- ڈرائیونگ
- موثر
- کارکردگی
- ای میل
- کو فعال کرنا
- کی حوصلہ افزائی
- اختتام پوائنٹ
- انجینئر
- انٹرپرائز
- واقعات
- مثال کے طور پر
- توسیع
- تجربہ
- تجربات
- چہرہ
- فاسٹ
- فیڈ
- آراء
- پہلا
- لچک
- کے بعد
- تقریب
- فعالیت
- پیدا
- دے
- GPU
- عظیم
- مہمان
- مہمان پوسٹ
- ہونے
- صحت
- مدد
- مدد کرتا ہے
- ہائی
- کس طرح
- HTTPS
- سینکڑوں
- شناخت
- تصویر
- پر عملدرآمد
- عملدرآمد
- شامل
- سمیت
- اضافہ
- اضافہ
- صنعتوں
- صنعت
- معلومات
- جدت طرازی
- بصیرت
- ضم
- انضمام
- انٹیلجنٹ
- ارادے
- انٹرفیس
- مسئلہ
- IT
- لیبل
- لیبل
- بڑے
- بڑے
- جانیں
- سیکھنے
- قیادت
- سطح
- لیتا ہے
- مقامی طور پر
- مشین
- مشین لرننگ
- بنانا
- مینیجر
- پیمائش کا معیار
- ML
- ماڈل
- ماڈل
- منگو ڈی بی
- سب سے زیادہ
- NY
- آرکیسٹرا
- حکم
- تنظیمیں
- دیگر
- دوسری صورت میں
- لوگ
- کارکردگی
- پلیٹ فارم
- مقبول
- ممکن
- کی پیشن گوئی
- قیمتوں کا تعین
- مسئلہ
- عمل
- مصنوعات
- پیداوار
- پیداوری
- حاصل
- منصوبوں
- فراہم
- فراہم کرتا ہے
- جلدی سے
- کو کم کرنے
- کی ضرورت
- ضرورت
- تحقیق
- جواب
- باقی
- روٹ
- رن
- چل رہا ہے
- اسکیل ایبلٹی
- پیمانے
- sdk
- بے سرور
- سروس
- سروسز
- خدمت
- مقرر
- سادہ
- سائز
- ہوشیار
- So
- سافٹ ویئر کی
- حل
- مہارت دیتا ہے
- خاص طور پر
- تقسیم
- اسٹیج
- شروع کریں
- سترٹو
- ذخیرہ
- ذخیرہ
- پردہ
- حکمت عملی
- اتارنے
- مطالعہ
- کافی
- حمایت
- سسٹمز
- بات
- کاموں
- ٹیم
- تکنیک
- ٹیکنالوجی
- ہزاروں
- کے ذریعے
- وقت
- ٹوکن
- موضوعات
- ٹریننگ
- تبدیلی
- سمجھ
- لنک
- کیا
- کے اندر
- الفاظ
- کام
- سال