یہ ایک مہمان کی پوسٹ ہے۔ توسیع پذیر دارالحکومت۔، یورپ میں ایک معروف FinTech جو ڈیجیٹل دولت کے انتظام اور تجارتی فلیٹ ریٹ کے ساتھ بروکریج پلیٹ فارم پیش کرتا ہے۔
ایک تیزی سے ترقی کرنے والی کمپنی کے طور پر، Scalable Capital کے اہداف نہ صرف ایک اختراعی، مضبوط، اور قابل اعتماد انفراسٹرکچر بنانا ہیں، بلکہ اپنے کلائنٹس کو بہترین تجربات فراہم کرنا بھی ہیں، خاص طور پر جب بات کلائنٹ کی خدمات کی ہو۔
اسکیل ایبل روزانہ کی بنیاد پر ہمارے کلائنٹس سے سینکڑوں ای میل استفسارات وصول کرتا ہے۔ جدید نیچرل لینگویج پروسیسنگ (NLP) ماڈل کو نافذ کرنے سے، ردعمل کے عمل کو بہت زیادہ مؤثر طریقے سے تشکیل دیا گیا ہے، اور کلائنٹس کے لیے انتظار کا وقت بہت کم کر دیا گیا ہے۔ مشین لرننگ (ML) ماڈل نئی آنے والی کسٹمر کی درخواستوں کے آتے ہی ان کی درجہ بندی کرتا ہے اور انہیں پہلے سے طے شدہ قطاروں میں بھیج دیتا ہے، جس سے ہمارے سرشار کلائنٹ کی کامیابی کے ایجنٹوں کو ان کی مہارت کے مطابق ای میلز کے مواد پر توجہ مرکوز کرنے اور مناسب جوابات فراہم کرنے کی اجازت ملتی ہے۔
اس پوسٹ میں، ہم ہگنگ فیس ٹرانسفارمرز کے ساتھ لگائے گئے استعمال کے تکنیکی فوائد کا مظاہرہ کرتے ہیں۔ ایمیزون سیج میکر، جیسے پیمانے پر تربیت اور تجربہ، اور پیداواری صلاحیت اور لاگت کی کارکردگی میں اضافہ۔
مسئلہ یہ بیان
اسکیل ایبل کیپٹل یورپ میں تیزی سے ترقی کرنے والی FinTechs میں سے ایک ہے۔ سرمایہ کاری کو جمہوری بنانے کے مقصد کے ساتھ، کمپنی اپنے گاہکوں کو مالیاتی منڈیوں تک آسان رسائی فراہم کرتی ہے۔ اسکیل ایبل کے کلائنٹ کمپنی کے بروکریج ٹریڈنگ پلیٹ فارم کے ذریعے مارکیٹ میں فعال طور پر حصہ لے سکتے ہیں، یا ایک ذہین اور خودکار انداز میں سرمایہ کاری کرنے کے لیے اسکیل ایبل ویلتھ مینجمنٹ کا استعمال کر سکتے ہیں۔ 2021 میں، اسکیل ایبل کیپٹل نے اپنے کلائنٹ بیس میں دس گنا اضافے کا تجربہ کیا، دسیوں ہزار سے لاکھوں تک۔
اپنے کلائنٹس کو پروڈکٹس اور کلائنٹ سروس میں اعلیٰ درجے کا (اور مستقل) صارف کا تجربہ فراہم کرنے کے لیے، کمپنی آپریشنل فضیلت کو برقرار رکھتے ہوئے توسیع پذیر حل کے لیے افادیت پیدا کرنے کے لیے خودکار حل تلاش کر رہی تھی۔ اسکیل ایبل کیپیٹل کی ڈیٹا سائنس اور کلائنٹ سروس ٹیموں نے نشاندہی کی کہ ہمارے کلائنٹس کی خدمت میں سب سے بڑی رکاوٹ ای میل کی پوچھ گچھ کا جواب دینا تھی۔ خاص طور پر، رکاوٹ درجہ بندی کا مرحلہ تھا، جس میں ملازمین کو روزانہ کی بنیاد پر درخواست کے متن کو پڑھنا اور لیبل لگانا پڑتا تھا۔ ای میلز کو ان کی مناسب قطاروں میں بھیجنے کے بعد، متعلقہ ماہرین نے جلدی سے معاملات کو حل کیا اور ان کو حل کیا۔
درجہ بندی کے اس عمل کو ہموار کرنے کے لیے، اسکیل ایبل میں ڈیٹا سائنس ٹیم نے پہلے سے تربیت یافتہ کی بنیاد پر جدید ترین ٹرانسفارمر فن تعمیر کا استعمال کرتے ہوئے ایک ملٹی ٹاسک NLP ماڈل بنایا اور تعینات کیا۔ distilbert-base-german-cased ہگنگ فیس کے ذریعہ شائع کردہ ماڈل۔ distilbert-base-german-cased کا استعمال کرتا ہے علم کشید اصل BERT بیس ماڈل کے مقابلے میں ایک چھوٹے عام مقصد کی زبان کی نمائندگی کے ماڈل کو پہلے سے تربیت دینے کا طریقہ۔ ڈسٹلڈ ورژن اصل ورژن سے موازنہ کارکردگی حاصل کرتا ہے، جبکہ چھوٹا اور تیز تر ہوتا ہے۔ اپنے ایم ایل لائف سائیکل کے عمل کو آسان بنانے کے لیے، ہم نے اپنے ماڈلز کی تعمیر، تعیناتی، خدمات اور نگرانی کے لیے SageMaker کو اپنانے کا فیصلہ کیا۔ مندرجہ ذیل سیکشن میں، ہم اپنے پراجیکٹ آرکیٹیکچر ڈیزائن کو متعارف کراتے ہیں۔
حل جائزہ
توسیع پذیر کیپٹل کا ML انفراسٹرکچر دو AWS اکاؤنٹس پر مشتمل ہے: ایک ترقی کے مرحلے کے لیے ماحول کے طور پر اور دوسرا پیداواری مرحلے کے لیے۔
مندرجہ ذیل خاکہ ہمارے ای میل کی درجہ بندی کرنے والے پروجیکٹ کے لیے ورک فلو کو ظاہر کرتا ہے، لیکن اسے دوسرے ڈیٹا سائنس پروجیکٹس کے لیے بھی عام کیا جا سکتا ہے۔
ورک فلو مندرجہ ذیل اجزاء پر مشتمل ہے:
- ماڈل تجربہ - ڈیٹا سائنسدان استعمال کرتے ہیں۔ ایمیزون سیج میکر اسٹوڈیو ڈیٹا سائنس لائف سائیکل کے پہلے مراحل کو انجام دینے کے لیے: ایکسپلوریٹری ڈیٹا اینالیسس (EDA)، ڈیٹا کی صفائی اور تیاری، اور پروٹو ٹائپ ماڈلز کی تعمیر۔ جب ریسرچ کا مرحلہ مکمل ہو جاتا ہے، تو ہم اپنے کوڈ بیس کو ماڈیولرائز اور پروڈکشن کرنے کے لیے اپنے ریموٹ ڈویلپمنٹ ٹول کے طور پر SageMaker نوٹ بک کے ذریعے میزبان VSCode کا رخ کرتے ہیں۔ مختلف قسم کے ماڈلز اور ماڈل کنفیگریشنز کو دریافت کرنے کے لیے، اور ساتھ ہی ساتھ اپنے تجربات پر نظر رکھنے کے لیے، ہم SageMaker ٹریننگ اور SageMaker تجربات کا استعمال کرتے ہیں۔
- ماڈل کی تعمیر - جب ہم اپنے پروڈکشن کے استعمال کے کیس کے لیے ایک ماڈل کا فیصلہ کرتے ہیں، تو اس معاملے میں ایک ملٹی ٹاسک distilbert-base-german-cased ماڈل، ہیگنگ فیس کے پہلے سے تربیت یافتہ ماڈل سے ٹھیک ہے، ہم اپنے کوڈ کو گیتھب ڈیولپمنٹ برانچ میں بھیجتے ہیں۔ Github مرج ایونٹ ہماری Jenkins CI پائپ لائن کو متحرک کرتا ہے، جس کے نتیجے میں ٹیسٹ ڈیٹا کے ساتھ SageMaker Pipelines کام شروع ہوتا ہے۔ یہ اس بات کو یقینی بنانے کے لیے ٹیسٹ کے طور پر کام کرتا ہے کہ کوڈز توقع کے مطابق چل رہے ہیں۔ جانچ کے مقاصد کے لیے ایک ٹیسٹ اینڈ پوائنٹ تعینات کیا گیا ہے۔
- ماڈل کی تعیناتی۔ - اس بات کو یقینی بنانے کے بعد کہ ہر چیز توقع کے مطابق چل رہی ہے، ڈیٹا سائنسدان ترقی کی شاخ کو بنیادی شاخ میں ضم کر دیتے ہیں۔ یہ انضمام کا واقعہ اب تربیتی مقاصد کے لیے پروڈکشن ڈیٹا کا استعمال کرتے ہوئے SageMaker Pipelines جاب کو متحرک کرتا ہے۔ اس کے بعد، ماڈل نمونے تیار کیے جاتے ہیں اور آؤٹ پٹ میں محفوظ کیے جاتے ہیں۔ ایمیزون سادہ اسٹوریج سروس (ایمیزون S3) بالٹی، اور ایک نیا ماڈل ورژن سیج میکر ماڈل رجسٹری میں لاگ ان ہے۔ ڈیٹا سائنسدان نئے ماڈل کی کارکردگی کا جائزہ لیتے ہیں، پھر منظوری دیتے ہیں کہ آیا یہ توقعات کے مطابق ہے۔ ماڈل کی منظوری کی تقریب کی طرف سے قبضہ کر لیا ہے ایمیزون ایونٹ برج، جو پھر ماڈل کو پروڈکشن ماحول میں SageMaker اینڈ پوائنٹ پر تعینات کرتا ہے۔
- ایم ایل اوپس - کیونکہ سیج میکر کا اختتامی نقطہ نجی ہے اور VPC سے باہر خدمات کے ذریعے اس تک نہیں پہنچا جا سکتا، ایک او ڈبلیو ایس لامبڈا۔ فنکشن اور ایمیزون API گیٹ وے CRM کے ساتھ بات چیت کرنے کے لیے پبلک اینڈ پوائنٹ کی ضرورت ہے۔ جب بھی نئی ای میلز CRM ان باکس میں آتی ہیں، CRM API گیٹ وے پبلک اینڈ پوائنٹ کو طلب کرتا ہے، جس کے نتیجے میں Lambda فنکشن کو پرائیویٹ SageMaker اینڈ پوائنٹ کو طلب کرنے کے لیے متحرک کرتا ہے۔ اس کے بعد فنکشن API گیٹ وے پبلک اینڈ پوائنٹ کے ذریعے درجہ بندی کو واپس CRM پر بھیج دیتا ہے۔ اپنے تعینات کردہ ماڈل کی کارکردگی پر نظر رکھنے کے لیے، ہم CRM اور ڈیٹا سائنسدانوں کے درمیان ایک فیڈ بیک لوپ کو نافذ کرتے ہیں تاکہ ماڈل سے پیشین گوئی میٹرکس پر نظر رکھی جا سکے۔ ماہانہ بنیادوں پر، CRM تجربات اور ماڈل ٹریننگ کے لیے استعمال ہونے والے تاریخی ڈیٹا کو اپ ڈیٹ کرتا ہے۔ ہم استعمال کرتے ہیں Apache Airflow کے لیے Amazon کے زیر انتظام ورک فلوز (Amazon MWAA) ہماری ماہانہ ریٹرین کے لیے شیڈولر کے طور پر۔
مندرجہ ذیل حصوں میں، ہم ڈیٹا کی تیاری، ماڈل کے تجربات، اور ماڈل کی تعیناتی کے مراحل کو مزید تفصیل سے بیان کرتے ہیں۔
ڈیٹا کی تیاری
اسکیل ایبل کیپٹل ای میل ڈیٹا کے انتظام اور ذخیرہ کرنے کے لیے CRM ٹول استعمال کرتا ہے۔ متعلقہ ای میل مواد موضوع، باڈی، اور کسٹوڈین بینکوں پر مشتمل ہوتا ہے۔ ہر ای میل کو تفویض کرنے کے لیے تین لیبل ہیں: ای میل کس کاروبار کی لائن سے ہے، کون سی قطار مناسب ہے، اور ای میل کا مخصوص موضوع۔
کسی بھی NLP ماڈل کی تربیت شروع کرنے سے پہلے، ہم اس بات کو یقینی بناتے ہیں کہ ان پٹ ڈیٹا صاف ہے اور لیبل توقع کے مطابق تفویض کیے گئے ہیں۔
اسکیل ایبل کلائنٹس سے کلین انکوائری مواد کو بازیافت کرنے کے لیے، ہم خام ای میل ڈیٹا اور اضافی متن اور علامتوں کو ہٹا دیتے ہیں، جیسے ای میل کے دستخط، تاثرات، ای میل چینز میں پچھلے پیغامات کے اقتباسات، CSS علامتیں وغیرہ۔ بصورت دیگر، ہمارے مستقبل کے تربیت یافتہ ماڈلز کو خراب کارکردگی کا سامنا کرنا پڑ سکتا ہے۔
ای میلز کے لیبل وقت کے ساتھ ساتھ تیار ہوتے ہیں کیونکہ توسیع پذیر کلائنٹ سروس ٹیمیں نئے شامل کرتی ہیں اور کاروباری ضروریات کو پورا کرنے کے لیے موجودہ کو بہتر یا ہٹاتی ہیں۔ اس بات کو یقینی بنانے کے لیے کہ تربیتی ڈیٹا کے لیبلز کے ساتھ ساتھ پیشین گوئی کے لیے متوقع درجہ بندی تازہ ترین ہیں، ڈیٹا سائنس ٹیم لیبلز کی درستگی کو یقینی بنانے کے لیے کلائنٹ سروس ٹیم کے ساتھ قریبی تعاون میں کام کرتی ہے۔
ماڈل تجربہ
ہم اپنا تجربہ آسانی سے دستیاب پہلے سے تربیت یافتہ کے ساتھ شروع کرتے ہیں۔ distilbert-base-german-cased ہگنگ فیس کے ذریعہ شائع کردہ ماڈل۔ چونکہ پہلے سے تربیت یافتہ ماڈل ایک عام مقصد کی زبان کی نمائندگی کرنے والا ماڈل ہے، اس لیے ہم عصبی نیٹ ورک کے ساتھ مناسب سروں کو منسلک کر کے مخصوص بہاو کے کاموں کو انجام دینے کے لیے فن تعمیر کو ڈھال سکتے ہیں—جیسے درجہ بندی اور سوالوں کے جوابات۔ ہمارے استعمال کے معاملے میں، ہم جس بہاو کام میں دلچسپی رکھتے ہیں وہ ہے ترتیب کی درجہ بندی۔ ترمیم کیے بغیر موجودہ فن تعمیرہم اپنے ہر مطلوبہ زمرے کے لیے تین الگ الگ پہلے سے تربیت یافتہ ماڈلز کو ٹھیک کرنے کا فیصلہ کرتے ہیں۔ کے ساتہ سیج میکر گہرے سیکھنے والے کنٹینرز کو گلے لگا رہا ہے۔ (DLCs)، NLP تجربات کو شروع کرنا اور ان کا انتظام کرنا Hugging Face کنٹینرز اور SageMaker Experiments API کے ساتھ آسان بنایا گیا ہے۔
درج ذیل کا کوڈ کا ٹکڑا ہے۔ train.py
:
مندرجہ ذیل کوڈ گلے لگانے والے چہرے کا تخمینہ لگانے والا ہے:
ٹھیک ٹیون شدہ ماڈلز کی توثیق کرنے کے لیے، ہم استعمال کرتے ہیں۔ F1 سکور ہمارے ای میل ڈیٹاسیٹ کی غیر متوازن نوعیت کی وجہ سے، بلکہ دوسرے میٹرکس جیسے درستگی، درستگی، اور یاد کرنے کے لیے بھی۔ ٹریننگ جاب کے میٹرکس کو رجسٹر کرنے کے لیے SageMaker Experiments API کے لیے، ہمیں پہلے میٹرکس کو ٹریننگ جاب لوکل کنسول میں لاگ کرنے کی ضرورت ہے، جنہیں ایمیزون کلاؤڈ واچ. پھر ہم CloudWatch لاگز کو کیپچر کرنے کے لیے درست ریجیکس فارمیٹ کی وضاحت کرتے ہیں۔ میٹرک کی تعریفوں میں میٹرکس کا نام اور ٹریننگ جاب سے میٹرکس نکالنے کے لیے ریجیکس کی توثیق شامل ہے:
درجہ بندی کرنے والے ماڈل کے لیے تربیتی تکرار کے حصے کے طور پر، ہم نتیجہ کا جائزہ لینے کے لیے کنفیوژن میٹرکس اور درجہ بندی کی رپورٹ کا استعمال کرتے ہیں۔ درج ذیل اعداد و شمار کاروباری پیشین گوئی کی لائن کے لیے کنفیوژن میٹرکس کو ظاہر کرتا ہے۔
درج ذیل اسکرین شاٹ کاروباری پیشین گوئی کی لائن کے لیے درجہ بندی کی رپورٹ کی ایک مثال دکھاتا ہے۔
As a next iteration of our experiment, we’ll take advantage of کثیر کام سیکھنے ہمارے ماڈل کو بہتر بنانے کے لیے۔ ملٹی ٹاسک لرننگ تربیت کی ایک شکل ہے جہاں ایک ماڈل متعدد کاموں کو بیک وقت حل کرنا سیکھتا ہے، کیونکہ کاموں کے درمیان مشترکہ معلومات سیکھنے کی استعداد کو بہتر بنا سکتی ہے۔ اصل ڈسٹلبرٹ فن تعمیر کے ساتھ دو مزید درجہ بندی کے سروں کو جوڑ کر، ہم ملٹی ٹاسک فائن ٹیوننگ کر سکتے ہیں، جو ہماری کلائنٹ سروس ٹیم کے لیے معقول میٹرکس حاصل کرتی ہے۔
ماڈل کی تعیناتی۔
ہمارے استعمال کے معاملے میں، ای میل کی درجہ بندی کو ایک اختتامی نقطہ پر تعینات کیا جانا ہے، جس پر ہماری CRM پائپ لائن غیر درجہ بند ای میلز کا ایک بیچ بھیج سکتی ہے اور پیشین گوئیاں واپس لے سکتی ہے۔ چونکہ ہمارے پاس دیگر منطقیں ہیں—جیسے کہ ان پٹ ڈیٹا کی صفائی اور ملٹی ٹاسک پیشین گوئیاں—ہگنگ فیس ماڈل انفرنس کے علاوہ، ہمیں ایک حسب ضرورت انفرنس اسکرپٹ لکھنے کی ضرورت ہے جو سیج میکر کا معیار.
درج ذیل کا کوڈ کا ٹکڑا ہے۔ inference.py
:
جب سب کچھ تیار اور تیار ہو جاتا ہے، تو ہم اپنی تربیتی پائپ لائن کو منظم کرنے کے لیے SageMaker پائپ لائنز کا استعمال کرتے ہیں اور اپنے MLOps سیٹ اپ کو مکمل کرنے کے لیے اسے اپنے بنیادی ڈھانچے سے منسلک کرتے ہیں۔
تعینات کردہ ماڈل کی کارکردگی پر نظر رکھنے کے لیے، ہم ایک فیڈ بیک لوپ بناتے ہیں تاکہ CRM کو اس قابل بنایا جا سکے کہ کیسز بند ہونے پر ہمیں کلاسیفائیڈ ای میلز کی حیثیت فراہم کی جا سکے۔ اس معلومات کی بنیاد پر، ہم تعینات ماڈل کو بہتر بنانے کے لیے ایڈجسٹمنٹ کرتے ہیں۔
نتیجہ
اس پوسٹ میں، ہم نے شیئر کیا کہ کس طرح SageMaker ڈیٹا سائنس پراجیکٹ، یعنی ای میل کلاسیفائر پروجیکٹ کے لائف سائیکل کو مؤثر طریقے سے منظم کرنے کے لیے Scalable پر ڈیٹا سائنس ٹیم کو سہولت فراہم کرتا ہے۔ لائف سائیکل ڈیٹا کے تجزیہ اور سیج میکر اسٹوڈیو کے ساتھ ایکسپلوریشن کے ابتدائی مرحلے سے شروع ہوتا ہے۔ SageMaker ٹریننگ، انفرنس، اور Hugging Face DLCs کے ساتھ ماڈل تجربات اور تعیناتی کی طرف بڑھتا ہے۔ اور دیگر AWS خدمات کے ساتھ مربوط SageMaker پائپ لائنز کے ساتھ تربیتی پائپ لائن کے ساتھ مکمل کرتا ہے۔ اس بنیادی ڈھانچے کی بدولت، ہم نئے ماڈلز کو زیادہ مؤثر طریقے سے دوبارہ بنانے اور ان کی تعیناتی کرنے کے قابل ہیں، اور اس لیے Scalable کے ساتھ ساتھ اپنے کلائنٹس کے تجربات میں موجودہ عمل کو بہتر بنانے کے قابل ہیں۔
Hugging Face اور SageMaker کے بارے میں مزید جاننے کے لیے درج ذیل وسائل سے رجوع کریں:
مصنفین کے بارے میں
ڈاکٹر سینڈرا شمڈ Scalable GmbH میں ڈیٹا اینالیٹکس کے سربراہ ہیں۔ وہ اپنی ٹیموں کے ساتھ مل کر کمپنی میں ڈیٹا پر مبنی طریقوں اور استعمال کے معاملات کی ذمہ دار ہے۔ اس کی کلیدی توجہ مشین لرننگ اور ڈیٹا سائنس ماڈلز اور کاروباری اہداف کا بہترین امتزاج تلاش کرنا ہے تاکہ ڈیٹا سے زیادہ سے زیادہ کاروباری قدر اور افادیت حاصل کی جا سکے۔
ہوا ڈانگ Scalable GmbH میں ڈیٹا سائنسدان۔ اس کی ذمہ داریوں میں ڈیٹا اینالیٹکس، مشین لرننگ ماڈلز کی تعمیر اور تعیناتی کے ساتھ ساتھ ڈیٹا سائنس ٹیم کے لیے بنیادی ڈھانچے کو تیار کرنا اور برقرار رکھنا شامل ہے۔ اپنے فارغ وقت میں، وہ پڑھنے، پیدل سفر، راک چڑھنے، اور مشین لرننگ کی تازہ ترین پیشرفت کے ساتھ اپ ٹو ڈیٹ رہنے سے لطف اندوز ہوتا ہے۔
میا چانگ ایمیزون ویب سروسز کے لیے ایم ایل اسپیشلسٹ سلوشنز آرکیٹیکٹ ہے۔ وہ EMEA میں صارفین کے ساتھ کام کرتی ہے اور اطلاقی ریاضی، کمپیوٹر سائنس، اور AI/ML میں اپنے پس منظر کے ساتھ کلاؤڈ پر AI/ML ورک بوجھ چلانے کے بہترین طریقوں کا اشتراک کرتی ہے۔ وہ NLP سے متعلق مخصوص کام کے بوجھ پر توجہ مرکوز کرتی ہے، اور ایک کانفرنس اسپیکر اور کتاب کے مصنف کے طور پر اپنا تجربہ شیئر کرتی ہے۔ اپنے فارغ وقت میں، وہ یوگا، بورڈ گیمز اور کافی پینے سے لطف اندوز ہوتی ہے۔
مورٹز گرٹلر AWS میں ڈیجیٹل مقامی کاروبار کے حصے میں اکاؤنٹ ایگزیکٹو ہے۔ وہ FinTech اسپیس میں صارفین پر توجہ مرکوز کرتا ہے اور محفوظ اور قابل توسیع کلاؤڈ انفراسٹرکچر کے ذریعے اختراع کو تیز کرنے میں ان کی مدد کرتا ہے۔
- 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۔ آٹوموٹو / ای وی، 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۔
- چارٹ پرائم۔ ChartPrime کے ساتھ اپنے ٹریڈنگ گیم کو بلند کریں۔ یہاں تک رسائی حاصل کریں۔
- بلاک آفسیٹس۔ ماحولیاتی آفسیٹ ملکیت کو جدید بنانا۔ یہاں تک رسائی حاصل کریں۔
- ماخذ: https://aws.amazon.com/blogs/machine-learning/accelerate-client-success-management-through-email-classification-with-hugging-face-on-amazon-sagemaker/
- : ہے
- : ہے
- : نہیں
- :کہاں
- $UP
- 1
- 100
- 13
- 15٪
- 17
- 2021
- 26٪
- 32
- 500
- 7
- a
- قابلیت
- ہمارے بارے میں
- اوپر
- رفتار کو تیز تر
- تیز
- قبول کریں
- تک رسائی حاصل
- ایڈجسٹ کریں
- کے مطابق
- اکاؤنٹ
- اکاؤنٹس
- درستگی
- حاصل کرتا ہے
- کے پار
- فعال طور پر
- کام کرتا ہے
- اپنانے
- شامل کریں
- اس کے علاوہ
- ایڈجسٹمنٹ
- اپنانے
- فائدہ
- کے بعد
- بعد
- ایجنٹ
- AI / ML
- مقصد
- کی اجازت دیتا ہے
- بھی
- ایمیزون
- ایمیزون سیج میکر
- ایمیزون ویب سروسز
- کے درمیان
- an
- تجزیہ
- تجزیاتی
- اور
- کوئی بھی
- اپاچی
- اے پی آئی
- اطلاقی
- نقطہ نظر
- مناسب
- منظوری
- منظور
- فن تعمیر
- کیا
- دلائل
- AS
- تفویض
- At
- منسلک کریں
- مصنف
- آٹومیٹڈ
- دستیاب
- AWS
- واپس
- پس منظر
- بینکوں
- بیس
- کی بنیاد پر
- بنیاد
- BE
- کیونکہ
- رہا
- کیا جا رہا ہے
- فوائد
- BEST
- بہترین طریقوں
- کے درمیان
- بورڈ
- بورڈ کھیل
- جسم
- کتاب
- برانچ
- توڑ
- بروکرج
- تعمیر
- عمارت
- تعمیر
- کاروبار
- کاروبار
- لیکن
- by
- کر سکتے ہیں
- دارالحکومت
- کیپٹل کا
- قبضہ
- پر قبضہ کر لیا
- لے جانے کے
- کیس
- مقدمات
- اقسام
- زنجیروں
- درجہ بندی
- درجہ بندی
- صفائی
- کلائنٹ
- کلائنٹس
- چڑھنا
- کلوز
- بند
- بادل
- کلاؤڈ بنیادی ڈھانچے
- کوڈ
- کوڈ بیس
- کوڈ
- کافی
- تعاون
- مجموعہ
- آتا ہے
- وعدہ کرنا
- ابلاغ
- کمپنی کے
- کمپنی کی
- موازنہ
- مکمل
- مکمل کرتا ہے
- اجزاء
- کمپیوٹنگ
- کمپیوٹر
- کمپیوٹر سائنس
- کانفرنس
- الجھن
- متواتر
- مشتمل
- کنسول
- کنٹینر
- مواد
- مندرجات
- درست
- CRM
- CSS
- نگران
- اپنی مرضی کے
- گاہک
- گاہکوں
- روزانہ
- اعداد و شمار
- ڈیٹا تجزیہ
- ڈیٹا تجزیات
- ڈیٹا کی تیاری
- ڈیٹا سائنس
- ڈیٹا سائنسدان
- اعداد و شمار پر مبنی ہے
- تاریخ
- فیصلہ کرنا
- فیصلہ کیا
- وقف
- گہری
- گہری سیکھنے
- پہلے سے طے شدہ
- وضاحت
- کی وضاحت
- تعریفیں
- جمہوری بنانا
- مظاہرہ
- تعیناتی
- تعینات
- تعینات
- تعیناتی
- تعینات کرتا ہے
- ڈیزائن
- تفصیل
- ترقی
- ترقی
- ترقی
- رفت
- مختلف
- ڈیجیٹل
- ڈیجیٹل دولت کا انتظام
- نیچے
- دو
- ہر ایک
- آسان
- استعداد کار
- مؤثر طریقے سے
- اور
- ای میل
- ای میل
- ای ایم ای اے
- ملازمین
- کو چالو کرنے کے
- اختتام پوائنٹ
- مصروف
- کو یقینی بنانے کے
- ماحولیات
- عہد
- خاص طور پر
- یورپ
- اندازہ
- تشخیص
- واقعہ
- سب کچھ
- تیار
- جانچ پڑتال
- مثال کے طور پر
- ایکسیلنس
- ایگزیکٹو
- موجودہ
- امید
- توقعات
- توقع
- تجربہ
- تجربہ کار
- تجربات
- تجربہ
- تجربات
- کی تلاش
- تحقیقی ڈیٹا کا تجزیہ
- تلاش
- اضافی
- f1
- چہرہ
- سہولت
- سہولت
- فیشن
- تیز تر
- سب سے تیزی سے
- تیزی سے بڑھتی ہوئی
- آراء
- اعداد و شمار
- مالی
- تلاش
- فن ٹیک
- fintechs
- پہلا
- پہلا قدم
- فلیٹ
- توجہ مرکوز
- توجہ مرکوز
- کے بعد
- کے لئے
- فارم
- فارمیٹ
- مفت
- سے
- تقریب
- مستقبل
- حاصل کرنا
- کھیل
- گیٹ وے
- عام مقصد
- پیدا
- حاصل
- GitHub کے
- جی ایم بی ایچ
- اہداف
- بڑھتے ہوئے
- مہمان
- مہمان پوسٹ
- تھا
- ہے
- he
- سر
- سر
- اس کی
- ان
- تاریخی
- میزبانی کی
- کس طرح
- HTML
- HTTP
- HTTPS
- سینکڑوں
- کی نشاندہی
- if
- پر عملدرآمد
- پر عمل درآمد
- کو بہتر بنانے کے
- in
- شامل
- موصولہ
- اضافہ
- اضافہ
- معلومات
- انفراسٹرکچر
- ابتدائی
- جدت طرازی
- جدید
- ان پٹ
- انکوائری
- انکوائری
- ضم
- انٹیلجنٹ
- دلچسپی
- میں
- متعارف کرانے
- سرمایہ کاری
- سرمایہ کاری
- پکارتے ہیں۔
- IT
- تکرار
- میں
- ایوب
- JSON
- رکھیں
- کلیدی
- لیبل
- لیبل
- زبان
- سب سے بڑا
- تازہ ترین
- معروف
- جانیں
- سیکھنے
- زندگی کا دورانیہ
- لائن
- لوڈ
- مقامی
- لاگ ان کریں
- انکرنا
- تلاش
- بند
- مشین
- مشین لرننگ
- بنا
- برقرار رکھنے
- بنا
- بنانا
- انتظام
- میں کامیاب
- انتظام
- مینیجنگ
- مارکیٹ
- Markets
- ریاضی
- میٹرکس
- ضم کریں
- ضم واقعہ
- پیغامات
- طریقہ
- میٹرک۔
- پیمائش کا معیار
- شاید
- ML
- ایم ایل اوپس
- ماڈل
- ماڈل
- جدید
- کی نگرانی
- ماہانہ
- زیادہ
- چالیں
- بہت
- ایک سے زیادہ
- نام
- یعنی
- مقامی
- قدرتی
- قدرتی زبان عملیات
- فطرت، قدرت
- ضرورت ہے
- ضروریات
- نیٹ ورک
- عصبی
- عصبی نیٹ ورک
- نئی
- اگلے
- ویزا
- نوٹ بک
- اب
- تعداد
- of
- تجویز
- on
- ایک
- والوں
- صرف
- آپریشنل
- or
- حکم
- اصل
- دیگر
- دوسری صورت میں
- ہمارے
- باہر
- پیداوار
- باہر
- پر
- حصہ
- شرکت
- انجام دیں
- کارکردگی
- مرحلہ
- اٹھایا
- پائپ لائن
- پلیٹ فارم
- پلاٹا
- افلاطون ڈیٹا انٹیلی جنس
- پلیٹو ڈیٹا
- ممکن
- پوسٹ
- طریقوں
- صحت سے متعلق
- کی پیشن گوئی
- پیشن گوئی
- تیاری
- پچھلا
- پرائمری
- نجی
- عمل
- عمل
- پروسیسنگ
- تیار
- پیداوار
- پیداوری
- حاصل
- منصوبے
- منصوبوں
- مناسب
- پروٹوٹائپ
- فراہم
- فراہم کرتا ہے
- عوامی
- شائع
- مقاصد
- پش
- سوال
- جلدی سے
- واوین
- بلند
- شرح
- خام
- پہنچ گئی
- پڑھیں
- پڑھنا
- تیار
- مناسب
- موصول
- ریکارڈ
- کم
- کا حوالہ دیتے ہیں
- بہتر
- ریجیکس
- رجسٹر
- رجسٹری
- متعلقہ
- قابل اعتماد
- ریموٹ
- ہٹا
- رپورٹ
- نمائندگی
- درخواست
- درخواستوں
- ضرورت
- حل کیا
- وسائل
- متعلقہ
- جواب دیں
- جواب
- جوابات
- ذمہ داریاں
- ذمہ دار
- نتیجہ
- واپسی
- مضبوط
- پتھر
- چل رہا ہے
- sagemaker
- سیج میکر پائپ لائنز
- اسی
- توسیع پذیر
- پیمانے
- سائنس
- سائنسدان
- سائنسدانوں
- اسکرپٹ
- سیکشن
- سیکشنز
- محفوظ بنانے
- حصے
- بھیجنے
- علیحدہ
- تسلسل
- خدمت
- سروس
- سروسز
- سیٹ اپ
- سائز
- مشترکہ
- حصص
- وہ
- شوز
- دستخط
- سادہ
- بیک وقت
- مہارت
- چھوٹے
- ٹکڑا
- So
- حل
- حل
- حل
- جلد ہی
- خلا
- اسپیکر
- ماہر
- ماہرین
- مخصوص
- خاص طور پر
- اسٹیج
- شروع کریں
- شروع
- شروع ہوتا ہے
- ریاستی آرٹ
- درجہ
- رہ
- مرحلہ
- مراحل
- ذخیرہ
- ذخیرہ
- ذخیرہ کرنے
- کارگر
- سٹوڈیو
- موضوع
- کامیابی
- اس طرح
- کی حمایت کرتا ہے
- اس بات کا یقین
- لے لو
- ٹاسک
- کاموں
- ٹیم
- ٹیموں
- ٹیکنیکل
- دہلی
- ٹیسٹ
- ٹیسٹنگ
- متن
- سے
- شکریہ
- کہ
- ۔
- ان
- ان
- تو
- وہاں.
- لہذا
- وہ
- اس
- ہزاروں
- تین
- کے ذریعے
- وقت
- کرنے کے لئے
- مل کر
- کے آلے
- موضوع
- مشعل
- ٹریک
- ٹریڈنگ
- تجارتی ٹرمینل
- ٹرین
- تربیت یافتہ
- ٹریننگ
- ٹرانسفارمر
- ٹرانسفارمرز
- زبردست
- ٹرن
- دو
- قسم
- اقسام
- تازہ ترین معلومات
- us
- استعمال کی شرائط
- استعمال کیس
- استعمال کیا جاتا ہے
- رکن کا
- صارف کا تجربہ
- استعمال
- کا استعمال کرتے ہوئے
- تصدیق کریں۔
- توثیق
- قیمت
- ورژن
- انتظار کر رہا ہے
- تھا
- we
- ویلتھ
- دولت کا انتظام
- ویب
- ویب خدمات
- اچھا ہے
- تھے
- جب
- جب بھی
- جس
- جبکہ
- ساتھ
- کے اندر
- بغیر
- کام کا بہاؤ
- کام کے بہاؤ
- کام کرتا ہے
- لکھنا
- یوگا
- زیفیرنیٹ