AWS Low Code- No Code خدمات کے ساتھ سرمایہ کاری کے عمل کو تیز کریں۔

پچھلے کچھ سالوں میں ایک زبردست تبدیلی دیکھنے میں آئی ہے کہ کس طرح ادارہ جاتی اثاثہ جات کے منتظمین اپنے سرمایہ کاری کے عمل میں متعدد ڈیٹا کے ذرائع کو ماخذ اور انضمام کرتے ہیں۔ خطرے کے ارتباط میں متواتر تبدیلیوں، اتار چڑھاؤ کے غیر متوقع ذرائع، اور غیر فعال حکمت عملیوں سے بڑھتے ہوئے مسابقت کے ساتھ، اثاثہ جات کے منتظمین مسابقتی برتری حاصل کرنے اور رسک ایڈجسٹ شدہ ریٹرن کو بہتر بنانے کے لیے فریق ثالث کے ڈیٹا ذرائع کا ایک وسیع سیٹ استعمال کر رہے ہیں۔ تاہم، متعدد ڈیٹا ذرائع سے فوائد حاصل کرنے کا عمل انتہائی مشکل ہو سکتا ہے۔ اثاثہ مینیجرز کی ڈیٹا انجینئرنگ ٹیمیں ڈیٹا کے حصول اور پری پروسیسنگ سے بھری ہوئی ہیں، جبکہ ڈیٹا سائنس ٹیمیں سرمایہ کاری کی بصیرت کے لیے ڈیٹا کی کان کنی کر رہی ہیں۔

فریق ثالث یا متبادل ڈیٹا سے مراد وہ ڈیٹا ہے جو سرمایہ کاری کے عمل میں استعمال ہوتا ہے، جو روایتی مارکیٹ ڈیٹا فراہم کنندگان سے باہر حاصل کیا جاتا ہے۔ ادارہ جاتی سرمایہ کار اپنی سرمایہ کاری کے عمل میں برتری حاصل کرنے کے لیے اپنے روایتی ڈیٹا ذرائع کو فریق ثالث یا متبادل ڈیٹا کے ساتھ کثرت سے بڑھا رہے ہیں۔ عام طور پر حوالہ کردہ مثالوں میں سیٹلائٹ امیجنگ، کریڈٹ کارڈ ڈیٹا، اور سوشل میڈیا جذبات شامل ہیں، لیکن ان تک محدود نہیں ہیں۔ فنڈ مینیجرز بیرونی ڈیٹا سیٹس میں سالانہ تقریباً $3 بلین کی سرمایہ کاری کرتے ہیں، سالانہ اخراجات میں 20-30 فیصد اضافہ ہوتا ہے۔

دستیاب تھرڈ پارٹی اور متبادل ڈیٹاسیٹس کی تیزی سے ترقی کے ساتھ، یہ فوری تجزیہ کرنے کی صلاحیت کہ آیا کوئی نیا ڈیٹاسیٹ سرمایہ کاری کی نئی بصیرتیں شامل کرتا ہے، سرمایہ کاری کے انتظام کی صنعت میں مسابقتی فرق ہے۔ AWS نو کوڈ لو کوڈ (LCNC) ڈیٹا اور AI سروسز نان ٹیکنیکل ٹیموں کو ابتدائی ڈیٹا اسکریننگ کرنے، ڈیٹا آن بورڈنگ کو ترجیح دینے، وقت سے بصیرت کو تیز کرنے، اور مفت قیمتی تکنیکی وسائل کے قابل بناتی ہیں۔

اس بلاگ پوسٹ میں، ہم بحث کرتے ہیں کہ کس طرح، ایک ادارہ جاتی اثاثہ مینیجر کے طور پر، آپ AWS LCNC ڈیٹا اور AI خدمات کا فائدہ اٹھا سکتے ہیں تاکہ ابتدائی ڈیٹا کے تجزیہ اور ترجیحی عمل کو تکنیکی ٹیموں سے آگے بڑھایا جا سکے اور اپنی فیصلہ سازی کو تیز کیا جا سکے۔ AWS LCNC خدمات کے ساتھ، آپ کوڈ کے ایک ٹکڑے کو لکھے بغیر، آپ کو تیزی سے سبسکرائب کرنے اور متنوع تھرڈ پارٹی ڈیٹا سیٹس، پری پروسیس ڈیٹا، اور مشین لرننگ (ML) ماڈلز کا استعمال کرتے ہوئے ان کی پیشین گوئی کی طاقت کو چیک کرنے کے قابل ہیں۔

حل جائزہ

ہمارے استعمال کا معاملہ کسی بیرونی ڈیٹاسیٹ کی اسٹاک کی قیمت کی پیش گوئی کرنے والی طاقت کا تجزیہ کرنا اور اس کی خصوصیت کی اہمیت کی نشاندہی کرنا ہے — کون سی فیلڈز اسٹاک کی قیمت کی کارکردگی کو سب سے زیادہ متاثر کرتی ہیں۔ یہ آپ کے سرمایہ کاری کے عمل کے ساتھ فٹ ہونے کے لیے روایتی مقداری طریقہ کار کا استعمال کرتے ہوئے ڈیٹاسیٹ کے متعدد فیلڈز میں سے کس کا زیادہ باریک بینی سے جائزہ لیا جانا چاہیے۔ اس قسم کا فرسٹ پاس ٹیسٹ تجزیہ کار تیزی سے کر سکتے ہیں، جس سے وقت کی بچت ہوتی ہے اور آپ کو ڈیٹاسیٹ آن بورڈنگ کو زیادہ تیزی سے ترجیح دینے دیتا ہے۔ اس کے علاوہ، جب ہم اسٹاک کی قیمت کو اپنی ہدف مثال کے طور پر استعمال کر رہے ہیں، دیگر میٹرکس جیسے منافع، تشخیص کا تناسب، یا تجارتی حجم بھی استعمال کیا جا سکتا ہے۔ اس استعمال کے کیس کے لیے استعمال ہونے والے تمام ڈیٹاسیٹس میں شائع کیے گئے ہیں۔ AWS ڈیٹا ایکسچینج.

مندرجہ ذیل خاکہ اختتام سے آخر تک کے فن تعمیر اور AWS LCNC خدمات کی وضاحت کرتا ہے جو فیصلوں کو چلانے کے لیے استعمال ہوتی ہیں:

ہمارا حل درج ذیل اقدامات اور حل پر مشتمل ہے:

1. ڈیٹا کا ادخال: AWS ڈیٹا ایکسچینج شائع شدہ متبادل ڈیٹاسیٹس کو سبسکرائب کرنے اور انہیں ڈاؤن لوڈ کرنے کے لیے ایمیزون سادہ اسٹوریج سروس (ایمیزون S3) بالٹی۔
2. ڈیٹا انجینئرنگ: AWS گلو ڈیٹا بریو ڈیٹا انجینئرنگ اور ایمیزون S3 میں محفوظ ڈیٹا کی تبدیلی کے لیے۔
3. مشین لرننگ: ایمیزون سیج میکر کینوس پیشن گوئی کے لیے ٹائم سیریز کی پیشن گوئی کا ماڈل بنانا اور پیشن گوئی پر ڈیٹا کے اثرات کی نشاندہی کرنا۔
4. کاروبار کی ذہانت: ایمیزون کوئیک سائٹ یا Amazon SageMaker Canvas فیصلہ سازی کے لیے پیشن گوئی کے لیے خصوصیت کی اہمیت کا جائزہ لینے کے لیے۔

ڈیٹا ادخال

AWS ڈیٹا ایکسچینج کلاؤڈ میں فریق ثالث ڈیٹا کو تلاش کرنا، سبسکرائب کرنا اور استعمال کرنا آسان بناتا ہے۔ آپ AWS ڈیٹا ایکسچینج کیٹلاگ کے ذریعے براؤز کر سکتے ہیں اور ڈیٹا پروڈکٹس تلاش کر سکتے ہیں جو آپ کے کاروبار اور سبسکرائب فراہم کنندگان کے ڈیٹا کو بغیر کسی مزید پروسیسنگ کے، اور ETL عمل کی ضرورت نہیں۔ نوٹ کریں کہ بہت سے فراہم کنندگان مفت ابتدائی سبسکرپشنز پیش کرتے ہیں، جو آپ کو پہلے پیشگی اخراجات اٹھائے بغیر ان کے ڈیٹا کا تجزیہ کرنے کی اجازت دیتے ہیں۔

اس استعمال کے معاملے کے لیے، AWS ڈیٹا ایکسچینج میں درج ذیل ڈیٹاسیٹس کو تلاش کریں اور سبسکرائب کریں:

• مارکیٹ کیپ کے لحاظ سے ٹاپ 20 امریکی کمپنیوں کے لیے 10 سال کے اختتامی اسٹاک ڈیٹا کی طرف سے شائع الفا وینٹیج. اس مفت ڈیٹاسیٹ میں 20 ستمبر 10 تک مارکیٹ کیپٹلائزیشن کے لحاظ سے سرفہرست 5 امریکی اسٹاکس کا 2020 سال کا تاریخی ڈیٹا شامل ہے۔ ڈیٹاسیٹ میں درج ذیل 10 علامتیں ہیں—AAPL: Apple Inc.; AMZN: Amazon.com، Inc.؛ BRK-A: Berkshire Hathaway Inc. (Class A)؛ FB: Facebook, Inc. GOOG: الفابیٹ انکارپوریشن؛ JNJ: جانسن اینڈ جانسن؛ MA: Mastercard Incorporated; MSFT: Microsoft Corporation V: Visa Inc.; اور WMT: Walmart Inc.
• کلیدی ڈیٹا فیلڈز میں شامل ہیں۔
  • کھلا: دن کے لیے بطور ٹریڈڈ افتتاحی قیمت
  • زیادہ: جیسا کہ تجارت کی جاتی ہے دن کے لیے زیادہ قیمت
  • کم: جیسا کہ تجارت کی گئی دن کے لیے کم قیمت
  • بند کریں: دن کے لیے بطور تجارت بند قیمت
  • حجم: دن کے لیے تجارتی حجم
  • ایڈجسٹ بند: تقسیم اور ڈیویڈنڈ کے مطابق دن کی اختتامی قیمت
  • تقسیم کا تناسب: مؤثر تاریخ پر نئے اور پرانے حصص کا تناسب
  • ڈیویڈنڈ: نقد ڈیویڈنڈ کی ادائیگی کی رقم
• S3 مختصر سود اور سیکیورٹیز فنانس ڈیٹا کی طرف سے شائع S3 شراکت دار. اس ڈیٹاسیٹ میں درج ذیل فیلڈز شامل ہیں:

فیلڈ	Description
کاروباری تاریخ	شرح کے لیے موثر تاریخ
سیکیورٹی آئی ڈیز	سیکیورٹی شناخت کنندگان میں Sedol, ISIN, FIGI, Ticker, Bloomberg ID شامل ہیں۔
نام	حفاظتی نام
پیشکش کی شرح	موجودہ مختصر عہدوں کے لیے ادا کی گئی مارکیٹ کمپوزٹ فنانسنگ فیس
بولی کی شرح	لانگ ہولڈرز کے قرض پر موجودہ حصص کے لیے کمائی گئی مارکیٹ کمپوزٹ لیڈنگ فیس
آخری شرح	مارکیٹ کمپوزٹ قرضہ کی فیس جو اس تاریخ کو قرضے میں دیے گئے اضافی حصص کے لیے حاصل کی گئی ہے (اسپاٹ ریٹ)
ہجوم	مومینٹم انڈیکیٹر مارکیٹ فلوٹ کے حوالے سے روزانہ کی کمی اور کورنگ ایونٹس کی پیمائش کرتا ہے۔
مختصر دلچسپی	حصص کی تعداد میں حقیقی وقت میں مختصر دلچسپی کا اظہار
شارٹ انٹرسٹ نوشنل	قلیل سود * قیمت (USD)
ShortInterestPct	ایکویٹی فلوٹ کے فیصد کے طور پر حقیقی وقت کی مختصر دلچسپی کا اظہار
S3 فلوٹ	قابل تجارت حصص کی تعداد جس میں مصنوعی لانگس شامل ہیں جو مختصر فروخت کے ذریعے تخلیق کیے گئے ہیں۔
S3SIPctFloat	حقیقی وقت میں مختصر دلچسپی کا تخمینہ S3 فلوٹ سے تقسیم کیا گیا ہے۔
اشارے کی دستیابی	S3 متوقع دستیاب قابل قرضہ مقدار
استعمال	ریئل ٹائم مختصر سود کو کل قابل قرضے کی فراہمی سے تقسیم کیا گیا ہے۔
DaystoCover10Day	یہ ایک لیکویڈیٹی پیمائش = مختصر دلچسپی / 10 دن کی اوسط ADTV ہے۔
DaystoCover30Day	یہ ایک لیکویڈیٹی پیمائش = مختصر دلچسپی / 30 دن کی اوسط ADTV ہے۔
DaystoCover90Day	یہ ایک لیکویڈیٹی پیمائش = مختصر دلچسپی / 90 دن کی اوسط ADTV ہے۔
اصل ایس آئی	وقت کی مختصر دلچسپی کی طرف اشارہ کریں۔

ڈیٹا حاصل کرنے کے لیے، آپ پہلے AWS ڈیٹا ایکسچینج میں ڈیٹاسیٹ تلاش کریں گے اور ڈیٹاسیٹ کو سبسکرائب کریں گے:

ایک بار جب ڈیٹا سیٹس کا ناشر آپ کی سبسکرپشن کی درخواستوں کو منظور کر لیتا ہے، تو آپ کے پاس ڈیٹا سیٹس آپ کے S3 بالٹی میں ڈاؤن لوڈ کرنے کے لیے دستیاب ہوں گے:

منتخب کریں آٹو ایکسپورٹ ملازمت کی منزل شامل کریں۔S3 بالٹی کی تفصیلات فراہم کریں، اور ڈیٹاسیٹ ڈاؤن لوڈ کریں:

الفا وینٹیج ڈیٹاسیٹ حاصل کرنے کے لیے اقدامات کو دہرائیں۔ مکمل ہونے کے بعد، آپ کے S3 بالٹی میں دونوں ڈیٹا سیٹس ہوں گے۔

ڈیٹا انجینئرنگ

ایک بار جب ڈیٹا سیٹ آپ کے S3 بالٹیوں میں آجائے تو آپ استعمال کر سکتے ہیں۔ AWS گلو ڈیٹا بریو ڈیٹا کو تبدیل کرنے کے لیے۔ AWS Glue DataBrew ڈیٹا کی تیاری کے کاموں کو خودکار کرنے کے لیے 350 سے زیادہ پہلے سے تعمیر شدہ تبدیلیاں پیش کرتا ہے (جیسے فلٹرنگ بے ضابطگیوں، فارمیٹس کو معیاری بنانا، اور غلط اقدار کو درست کرنا) جو کہ دوسری صورت میں ہاتھ سے کوڈ شدہ تبدیلیوں کو لکھنے میں دنوں یا ہفتوں کی ضرورت ہوگی۔

AWS DataBrew میں پیشن گوئی کے لیے ایک مربوط کیوریٹڈ ڈیٹاسیٹ بنانے کے لیے، درج ذیل اقدامات انجام دیں۔ تفصیلی معلومات کے لیے اس سے رجوع کریں۔ کے بلاگ.

1. DataBrew ڈیٹاسیٹس بنائیں۔
2. DataBrew ڈیٹاسیٹس کو DataBrew پروجیکٹس میں لوڈ کریں۔
3. ڈیٹا بریو کی ترکیبیں بنائیں۔
4. DataBrew جابز چلائیں۔

DataBrew ڈیٹاسیٹس بنائیں: AWS Glue DataBrew میں، a ڈیٹاسیٹ S3 بالٹی سے اپ لوڈ کردہ ڈیٹا کی نمائندگی کرتا ہے۔ ہم دو DataBrew ڈیٹا سیٹس بنائیں گے—دونوں اسٹاک کی قیمت اور S3 مختصر دلچسپی کے لیے۔ جب آپ اپنا ڈیٹا سیٹ بناتے ہیں، تو آپ S3 کنکشن کی تفصیلات صرف ایک بار درج کرتے ہیں۔ اس مقام سے، DataBrew آپ کے لیے بنیادی ڈیٹا تک رسائی حاصل کر سکتا ہے۔

DataBrew ڈیٹاسیٹس کو DataBrew پروجیکٹس میں لوڈ کریں۔: AWS Glue DataBrew میں، a منصوبے آپ کے ڈیٹا کے تجزیہ اور تبدیلی کی کوششوں کا مرکز ہے۔ DataBrew پروجیکٹ DataBrew ڈیٹاسیٹس کو اکٹھا کرتا ہے اور آپ کو ڈیٹا ٹرانسفارمیشن (DataBrew recipe) تیار کرنے کے قابل بناتا ہے۔ یہاں ایک بار پھر، ہم دو DataBrew پروجیکٹ بنائیں گے، دن کے آخر میں اسٹاک کی قیمت اور S3 مختصر دلچسپی کے لیے۔

DataBrew کی ترکیبیں بنائیں: DataBrew میں، a ہدایت ڈیٹا کی تبدیلی کے مراحل کا ایک مجموعہ ہے۔ آپ ان اقدامات کو اپنے ڈیٹا سیٹ پر لاگو کر سکتے ہیں۔ استعمال کے معاملے کے لیے، ہم دو تبدیلیاں بنائیں گے۔ پہلا والا دن کے اختتامی اسٹاک کی قیمت کے ٹائم اسٹیمپ کالم کا فارمیٹ تبدیل کرے گا تاکہ ڈیٹا سیٹ کو S3 مختصر دلچسپی میں شامل کیا جا سکے:

دوسری تبدیلی ڈیٹا کو درست کرتی ہے، اور اس کا آخری مرحلہ یقینی بناتا ہے کہ ہم ڈیٹاسیٹ کو ایک واحد کیوریٹڈ ڈیٹاسیٹ میں شامل کریں۔ ڈیٹا ٹرانسفارمیشن کی ترکیبیں بنانے کے بارے میں مزید تفصیلات کے لیے، اس سے رجوع کریں۔ کے بلاگ.

ڈیٹا بریو نوکریاں: DataBrew کی ترکیبیں بنانے کے بعد، آپ پہلے دن کے آخر میں اسٹاک کی قیمت DataBrew جاب چلا سکتے ہیں جس کے بعد S3 مختصر دلچسپی کی ترکیب۔ اس سے رجوع کریں۔ کے بلاگ ایک واحد مربوط ڈیٹاسیٹ بنانے کے لیے۔ حتمی کیوریٹڈ ڈیٹاسیٹ کو S3 بالٹی میں محفوظ کریں۔

اینڈ ٹو اینڈ ڈیٹا انجینئرنگ ورک فلو اس طرح نظر آئے گا:

مشین سیکھنے

پوسٹ ڈیٹا انجینئرنگ تخلیق کردہ کیوریٹڈ ڈیٹاسیٹ کے ساتھ، آپ استعمال کر سکتے ہیں۔ ایمیزون سیج میکر کینوس اپنے پیشن گوئی کا ماڈل بنانے اور پیشن گوئی پر خصوصیات کے اثرات کا تجزیہ کرنے کے لیے۔ ایمیزون سیج میکر کینوس کاروباری صارفین کو ایک بصری پوائنٹ اور کلک انٹرفیس فراہم کرتا ہے جو انہیں ماڈلز بنانے اور خود ہی درست ML پیشین گوئیاں پیدا کرنے کی اجازت دیتا ہے - بغیر کسی ML تجربے کی ضرورت کے یا کوڈ کی ایک لائن لکھنے کی ضرورت نہیں ہے۔

Amazon SageMaker Canvas میں ٹائم سیریز کی پیشن گوئی کا ماڈل بنانے کے لیے، ذیل کے مراحل پر عمل کریں۔ تفصیلی معلومات کے لیے اس سے رجوع کریں۔ کے بلاگ:

1. سیج میکر کینوس میں کیوریٹڈ ڈیٹاسیٹ کو منتخب کریں۔
2. ٹائم سیریز کی پیشن گوئی کا ماڈل بنائیں۔
3. نتائج اور خصوصیت کی اہمیت کا تجزیہ کریں۔

ٹائم سیریز کی پیشن گوئی کا ماڈل بنائیں: ایک بار جب آپ ڈیٹا سیٹ کو منتخب کر لیتے ہیں، تو پیشین گوئی کے لیے ہدف کالم منتخب کریں۔ ہمارے معاملے میں، یہ اسٹاک ٹکر کی قریبی قیمت ہوگی۔ سیج میکر کینوس خود بخود پتہ لگاتا ہے کہ یہ ٹائم سیریز کی پیشن گوئی کے مسئلے کا بیان ہے۔

ٹائم سیریز کی پیشن گوئی کے لیے آپ کو مندرجہ ذیل ماڈل کو ترتیب دینا ہوگا۔ آئٹم ID کے لیے، اسٹاک ٹکر کا نام منتخب کریں۔ یاد رکھیں، ہمارے ڈیٹاسیٹ میں ٹاپ 10 اسٹاکس کے لیے اسٹاک ٹکر کی قیمتیں ہیں۔ ٹائم اسٹیمپ کے لیے ٹائم اسٹیمپ کالم منتخب کریں، اور آخر میں، ان دنوں کی تعداد درج کریں جن کی آپ مستقبل میں پیشن گوئی کرنا چاہتے ہیں [Forecast Horizon]۔

اب آپ ماڈل بنانے کے لیے تیار ہیں۔ SageMaker Canvas ماڈل بنانے کے لیے دو اختیارات فراہم کرتا ہے: Quick Build اور Standard Build۔ ہمارے معاملے میں، ہم "معیاری تعمیر" استعمال کریں گے۔

معیاری تعمیر کو ماڈل بنانے اور استعمال کرنے میں تقریباً تین گھنٹے لگتے ہیں۔ ایمیزون کی پیشن گوئی، ML پر مبنی ایک ٹائم سیریز پیشن گوئی سروس بنیادی پیشن گوئی انجن کے طور پر۔ پیشن گوئی ML تجربے کی ضرورت کے بغیر روایتی اور گہری سیکھنے کے ماڈلز کے ماڈل کے ذریعے انتہائی درست پیشین گوئیاں تخلیق کرتی ہے۔

ماڈل بننے کے بعد، اب آپ ماڈل کی کارکردگی (پیش گوئی کی درستگی) اور خصوصیت کی اہمیت کا جائزہ لے سکتے ہیں۔ جیسا کہ نیچے دیے گئے اعداد و شمار سے دیکھا جا سکتا ہے، ماڈل Crowding اور DaysToCover10Day کی شناخت پیشن گوئی کی اقدار کو چلانے والی دو اعلی خصوصیات کے طور پر کرتا ہے۔ یہ ہماری مارکیٹ کے وجدان کے مطابق ہے، کیونکہ ہجوم ایک مومینٹم انڈیکیٹر ہے جو روزانہ شارٹنگ کی پیمائش کرتا ہے اور واقعات کو کور کرتا ہے، اور قریب المدت شارٹ انٹرسٹ ایک لیکویڈیٹی پیمانہ ہے، جو اس بات کی نشاندہی کرتا ہے کہ سرمایہ کار اسٹاک میں کس طرح پوزیشن میں ہیں۔ رفتار اور لیکویڈیٹی دونوں قیمتوں میں اتار چڑھاؤ کو بڑھا سکتے ہیں۔

یہ نتیجہ ظاہر کرتا ہے کہ ان دو خصوصیات (یا فیلڈز) کا اسٹاک کی قیمت کی نقل و حرکت کے ساتھ گہرا تعلق ہے اور آن بورڈنگ اور مزید تجزیے کے لیے اعلیٰ ترجیح دی جا سکتی ہے۔

کاروبار کی ذہانت

ٹائم سیریز کی پیشن گوئی کے تناظر میں، کا تصور backresting موجودہ تاریخی ڈیٹا کا استعمال کرتے ہوئے پیشن گوئی کے طریقہ کار کی درستگی کا اندازہ لگانے کے عمل سے مراد ہے۔ یہ عمل عام طور پر تکراری ہوتا ہے اور تاریخی اعداد و شمار میں موجود متعدد تاریخوں پر دہرایا جاتا ہے۔

جیسا کہ ہم پہلے ہی بحث کر چکے ہیں، SageMaker Canvas Amazon Forecast کو ٹائم سیریز کی پیشن گوئی کے انجن کے طور پر استعمال کرتا ہے۔ پیشن گوئی ماڈل کی تعمیر کے عمل کے ایک حصے کے طور پر بیک ٹیسٹ بناتی ہے۔ اب آپ Amazon Forecast میں سائن ان کر کے پیش گو کی تفصیلات دیکھ سکتے ہیں۔ ماڈل کی وضاحت کے بارے میں گہری تفہیم کے لیے، اس کا حوالہ دیں۔ کے بلاگ.

Amazon Forecast پیشین گوئی کرنے والے میٹرکس پر اضافی تفصیلات فراہم کرتا ہے جیسے وزنی مطلق فیصدی غلطی (WAPE)، جڑ کا مطلب مربع غلطی (RMSE)، مطلب مطلق فیصدی غلطی (MAPE)، اور مطلب مطلق اسکیل شدہ غلطی (MASE)۔ آپ Amazon Forecast سے پیشن گوئی کے معیار کے اسکور برآمد کر سکتے ہیں۔

Amazon Forecast فراہم کردہ ٹائم سیریز ڈیٹاسیٹ کے لیے ایک بیک ٹیسٹ چلاتا ہے۔ بیک ٹیسٹ کے نتائج کا استعمال کرتے ہوئے ڈاؤن لوڈ کے لیے دستیاب ہیں۔ بیک ٹیسٹ کے نتائج برآمد کریں۔ بٹن برآمد شدہ بیک ٹیسٹ کے نتائج S3 بالٹی میں ڈاؤن لوڈ کیے جاتے ہیں۔

اب ہم Amazon QuickSight میں بہترین نتائج کی منصوبہ بندی کریں گے۔ Amazon QuickSight میں بہترین نتائج کو دیکھنے کے لیے، QuickSight سے Amazon S3 میں ڈیٹا سیٹ سے جڑیں اور ایک ویژولائزیشن بنائیں۔

صاف کرو

اس حل میں فائدہ اٹھانے والی AWS خدمات کا انتظام اور فطرت میں سرور لیس ہے۔ سیج میکر کینوس کو طویل عرصے سے چلنے والی ایم ایل ٹریننگ چلانے کے لیے ڈیزائن کیا گیا ہے اور یہ ہمیشہ جاری رہے گا۔ یقینی بنائیں کہ آپ سیج میکر کینوس کو واضح طور پر لاگ آف کر رہے ہیں۔ براے مہربانی رجوع کریں دستاویزات مزید تفصیلات کے لئے.

نتیجہ

اس بلاگ پوسٹ میں، ہم نے بحث کی کہ کس طرح، ایک ادارہ جاتی اثاثہ مینیجر کے طور پر، آپ AWS کم کوڈ نو کوڈ (LCNC) ڈیٹا اور AI سروسز کا فائدہ اٹھا سکتے ہیں تاکہ غیر تکنیکی عملے کو ابتدائی ڈیٹا سیٹ اسکریننگ آف لوڈ کرکے بیرونی ڈیٹاسیٹس کی تشخیص کو تیز کیا جا سکے۔ یہ پہلا پاس تجزیہ آپ کو یہ فیصلہ کرنے میں مدد کرنے کے لیے تیزی سے کیا جا سکتا ہے کہ آن بورڈنگ اور مزید تجزیہ کے لیے کن ڈیٹاسیٹس کو ترجیح دی جانی چاہیے۔

ہم نے مرحلہ وار مظاہرہ کیا کہ کس طرح ڈیٹا تجزیہ کار AWS ڈیٹا ایکسچینج کے ذریعے تیسرے فریق کا نیا ڈیٹا حاصل کر سکتا ہے، ڈیٹا کو پری پروسیس کرنے کے لیے AWS Glue DataBrew no-code ETL سروسز کا استعمال کر سکتا ہے اور اس بات کا اندازہ لگا سکتا ہے کہ ڈیٹا سیٹ میں کون سی خصوصیات ماڈل کی پیشن گوئی پر سب سے زیادہ اثر ڈالتی ہیں۔ .

ایک بار جب ڈیٹا تجزیہ کے لیے تیار ہو جاتا ہے، ایک تجزیہ کار پیش گوئی کرنے والا ماڈل بنانے، اس کے فٹ کا جائزہ لینے اور اہم خصوصیات کی نشاندہی کرنے کے لیے SageMaker Canvas کا استعمال کرتا ہے۔ ہماری مثال میں، ماڈل کے MAPE (.05) اور WAPE (.045) نے اچھی فٹ ہونے کی نشاندہی کی اور پیشن گوئی پر سب سے زیادہ اثر کے ساتھ ڈیٹاسیٹ میں سگنلز کے طور پر "ہجوم" اور "DaysToCover10Day" کو دکھایا۔ اس تجزیے نے اس بات کی توثیق کی کہ کس ڈیٹا نے ماڈل کو سب سے زیادہ متاثر کیا اور اس وجہ سے آپ کے الفا سگنلز یا رسک مینجمنٹ کے عمل میں مزید تفتیش اور ممکنہ شمولیت کے لیے ترجیح دی جا سکتی ہے۔ اور بالکل اسی طرح اہم بات یہ ہے کہ وضاحتی اسکور اس بات کی نشاندہی کرتے ہیں کہ کون سا ڈیٹا پیشن گوئی کے تعین میں نسبتاً کم کردار ادا کرتا ہے اور اس لیے مزید تفتیش کے لیے کم ترجیح ہو سکتی ہے۔

آپ کی سرمایہ کاری کے عمل کو سپورٹ کرنے کے لیے فریق ثالث کے مالیاتی ڈیٹا کی صلاحیت کا زیادہ تیزی سے جائزہ لینے کے لیے، کا جائزہ لیں۔ AWS ڈیٹا ایکسچینج پر دستیاب مالیاتی خدمات کے ڈیٹا کے ذرائع، اور دے ڈیٹا بریو اور کینوس آج ایک کوشش.

---

مصنفین کے بارے میں

بورس لیٹوین پرنسپل سلوشن آرکیٹیکٹ ہے، جو فنانشل سروسز انڈسٹری کی جدت کے لیے ذمہ دار ہے۔ وہ کوانٹ اور فن ٹیک کے سابق بانی ہیں، جو منظم سرمایہ کاری کے لیے پرجوش ہیں۔

میناکشی سندرم تھنڈاورائن AWS کے ساتھ ایک سینئر AI/ML ماہر ہے۔ وہ ہائی ٹیک اسٹریٹجک اکاؤنٹس کو ان کے AI اور ML سفر میں مدد کرتا ہے۔ وہ ڈیٹا سے چلنے والی AI کے بارے میں بہت پرجوش ہے۔

کیمیلو انانیا برطانیہ میں مقیم AWS کے ساتھ ایک سینئر سٹارٹ اپ سلوشنز آرکیٹیکٹ ہے۔ وہ ایک پرجوش ٹیکنولوجسٹ ہے جو کسی بھی سائز کے اسٹارٹ اپس کی تعمیر اور ترقی میں مدد کرتا ہے۔

ڈین سنریچ AWS کے ساتھ ایک سینئر پروڈکٹ مینیجر ہے، جو ML کے ساتھ بہتر فیصلے کرنے کے لیے کمپنیوں کو بااختیار بنانے پر مرکوز ہے۔ اس نے پہلے بڑے ادارہ جاتی سرمایہ کاروں کے لیے پورٹ فولیو اینالیٹکس پلیٹ فارمز اور ملٹی ایسٹ کلاس رسک ماڈل بنائے تھے۔