ایمیزون کمپریہنڈ کسٹم کلاسیفائر کے ساتھ آئی ٹی سروس کی درخواستوں کی خودکار درجہ بندی کریں۔

انٹرپرائزز اکثر بڑی تعداد میں IT سروس کی درخواستوں سے نمٹتے ہیں۔ روایتی طور پر، ہر مسئلے کے لیے صحیح زمرہ منتخب کرنے کا بوجھ درخواست گزار پر ڈالا جاتا ہے۔ ٹکٹ کی دستی غلطی یا غلط درجہ بندی کا مطلب عام طور پر IT سروس کی درخواست کو حل کرنے میں تاخیر ہوتی ہے۔ اس کے نتیجے میں پیداواری صلاحیت میں کمی، گاہک کی اطمینان میں کمی، سروس لیول کے معاہدوں (SLAs) پر اثر اور وسیع تر آپریشنل اثرات مرتب ہو سکتے ہیں۔ جیسے جیسے آپ کا انٹرپرائز بڑھتا ہے، صحیح ٹیم کو صحیح سروس کی درخواست حاصل کرنے کا مسئلہ اور بھی اہم ہو جاتا ہے۔ مشین لرننگ (ML) اور مصنوعی ذہانت پر مبنی نقطہ نظر کو استعمال کرنے سے آپ کے انٹرپرائز کی مسلسل ترقی پذیر ضروریات میں مدد مل سکتی ہے۔

سپروائزڈ ML ایک ایسا عمل ہے جو ڈیٹا کی درجہ بندی کرنے یا کسی نتیجے کی پیشین گوئی کرنے کے بارے میں سیکھنے کے الگورتھم کو تربیت دینے کے لیے لیبل لگے ڈیٹا سیٹس اور آؤٹ پٹس کا استعمال کرتا ہے۔ ایمیزون کی تعریف ایک قدرتی لینگویج پروسیسنگ (NLP) سروس ہے جو متن میں قیمتی بصیرت اور کنکشن کو سامنے لانے کے لیے ML کا استعمال کرتی ہے۔ یہ کلیدی جملے، اداروں، جذبات کا تجزیہ، اور مزید کو نکالنے کے لیے ML کے ذریعے تقویت یافتہ APIs فراہم کرتا ہے۔

اس پوسٹ میں، ہم آپ کو دکھاتے ہیں کہ کس طرح ایک زیر نگرانی ML ماڈل کو لاگو کیا جائے جو IT سروس کی درخواستوں کو خود بخود درجہ بندی کرنے میں مدد کر سکے۔ ایمیزون اپنی مرضی کی درجہ بندی کو سمجھیں۔. Amazon Comprehend اپنی مرضی کے مطابق درجہ بندی آپ کو ML-based NLP حل بنانے کے لیے درکار مہارت کے سیٹ کے بغیر اپنی مخصوص ضروریات کے لیے Amazon Comprehend کو حسب ضرورت بنانے میں مدد کرتی ہے۔ خودکار ML، یا AutoML کے ساتھ، Amazon Comprehend اپنی مرضی کے مطابق درجہ بندی آپ کی جانب سے آپ کے فراہم کردہ تربیتی ڈیٹا کا استعمال کرتے ہوئے اپنی مرضی کے مطابق NLP ماڈل بناتا ہے۔

حل کا جائزہ

آئی ٹی سروس کی درخواست کی درجہ بندی کو واضح کرنے کے لیے، یہ حل استعمال کرتا ہے۔ SEOSS ڈیٹاسیٹ. یہ ڈیٹاسیٹ ایک منظم طریقے سے بازیافت کردہ ڈیٹاسیٹ ہے جس میں 33 اوپن سورس سافٹ ویئر پروجیکٹس شامل ہیں جس میں بڑی تعداد میں ٹائپ شدہ نمونے ہیں اور ان کے درمیان روابط کا پتہ لگانا ہے۔ یہ حل ان 33 اوپن سورس پروجیکٹس، خلاصوں اور وضاحتوں کے ایشو ڈیٹا کا استعمال کرتا ہے جیسا کہ آخری صارفین نے Amazon Comprehend کا استعمال کرتے ہوئے اپنی مرضی کے مطابق کلاسیفائر ماڈل بنانے کے لیے رپورٹ کیا ہے۔

یہ پوسٹ ظاہر کرتی ہے کہ کس طرح کا استعمال کرتے ہوئے حل کو لاگو اور تعینات کیا جائے۔ AWS کلاؤڈ ڈویلپمنٹ کٹ (AWS CDK) الگ تھلگ میں ایمیزون ورچوئل پرائیویٹ کلاؤڈ (ایمیزون وی پی سی) ماحول صرف نجی ذیلی نیٹ پر مشتمل ہے۔ ہم یہ ظاہر کرنے کے لیے کوڈ کا بھی استعمال کرتے ہیں کہ آپ AWS CDK کیسے استعمال کر سکتے ہیں۔ فراہم کنندہ فریم ورککے لیے فراہم کنندہ کو لاگو کرنے کے لیے ایک منی فریم ورک AWS کلاؤڈ فارمیشن حسب ضرورت وسائل بنانے، اپ ڈیٹ کرنے یا حذف کرنے کے لیے حسب ضرورت وسائل، جیسے کہ Amazon Comprehend اینڈ پوائنٹ۔ Amazon Comprehend اینڈ پوائنٹ میں منظم وسائل شامل ہیں جو آپ کے حسب ضرورت ماڈل کو کلائنٹ مشین یا فریق ثالث ایپلی کیشنز کے لیے حقیقی وقت کے لیے دستیاب بناتے ہیں۔ دی اس حل کے لیے کوڈ Github پر دستیاب ہے۔

آپ بنیادی ڈھانچہ، ایپلیکیشن کوڈ، اور حل کے لیے کنفیگریشن کو تعینات کرنے کے لیے AWS CDK استعمال کرتے ہیں۔ آپ کو AWS اکاؤنٹ اور AWS وسائل بنانے کی اہلیت کی بھی ضرورت ہے۔ آپ AWS وسائل بنانے کے لیے AWS CDK استعمال کرتے ہیں جیسے کہ نجی ذیلی نیٹ کے ساتھ VPC، ایمیزون وی پی سی اینڈ پوائنٹس, ایمیزون لچکدار فائل سسٹم (ایمیزون ای ایف ایس)، ایک ایمیزون سادہ نوٹیفکیشن سروس (ایمیزون SNS) موضوع، ایک ایمیزون سادہ اسٹوریج سروس (ایمیزون S3) بالٹی، ایمیزون S3 ایونٹ کی اطلاعات، اور او ڈبلیو ایس لامبڈا۔ افعال. اجتماعی طور پر، یہ AWS وسائل ٹریننگ اسٹیک بناتے ہیں، جسے آپ اپنی مرضی کے مطابق درجہ بندی کرنے والے ماڈل کو بنانے اور تربیت دینے کے لیے استعمال کرتے ہیں۔

یہ AWS وسائل بنانے کے بعد، آپ SEOSS ڈیٹاسیٹ ڈاؤن لوڈ کرتے ہیں اور ڈیٹا سیٹ کو S3 بالٹی میں اپ لوڈ کرتے ہیں جو حل کے ذریعے تخلیق کیا جاتا ہے۔ اگر آپ اس حل کو AWS ریجن us-east-2 میں تعینات کر رہے ہیں تو S3 بالٹی نام کی شکل یہ ہے comprehendcustom--us-east-2-s3stack. حل ایمیزون S3 ملٹی پارٹ اپ لوڈ ٹرگر کا استعمال کرتا ہے ایک Lambda فنکشن کو شروع کرنے کے لیے جو ان پٹ ڈیٹا کی پری پروسیسنگ شروع کرتا ہے، اور Amazon Comprehend کسٹم کلاسیفائر کو کسٹم کلاسیفائر ماڈل بنانے کے لیے تربیت دینے کے لیے پری پروسیسڈ ڈیٹا کا استعمال کرتا ہے۔ اس کے بعد آپ انفرنس اسٹیک بنانے کے لیے کسٹم کلاسیفائر ماڈل کا ایمیزون ریسورس نیم (ARN) استعمال کرتے ہیں، جو AWS CDK کا استعمال کرتے ہوئے ایک Amazon Comprehend اینڈ پوائنٹ بناتا ہے۔ فراہم کنندہ فریم ورک، جسے آپ پھر فریق ثالث کی ایپلیکیشن یا کلائنٹ مشین سے حاصل کرنے کے لیے استعمال کر سکتے ہیں۔

مندرجہ ذیل خاکہ ٹریننگ اسٹیک کے فن تعمیر کو واضح کرتا ہے۔

ورک فلو کے مراحل درج ذیل ہیں:

1. ٹریننگ اسٹیک تعیناتی کے عمل کے حصے کے طور پر بنائے گئے S3 بالٹی میں SEOSS ڈیٹاسیٹ اپ لوڈ کریں۔ یہ ایک ایونٹ ٹرگر بناتا ہے جو کہ دعوت دیتا ہے۔ etl_lambda تقریب.
2. ۔ etl_lambda فنکشن خام ڈیٹا سیٹ کو Amazon S3 سے Amazon EFS میں ڈاؤن لوڈ کرتا ہے۔
3. ۔ etl_lambda فنکشن SEOSS ڈیٹاسیٹ کا ڈیٹا پری پروسیسنگ کا کام انجام دیتا ہے۔
4. جب فنکشن کا عمل مکمل ہوجاتا ہے، تو یہ تبدیل شدہ ڈیٹا کو اس کے ساتھ اپ لوڈ کرتا ہے۔ prepped_data S3 بالٹی کا سابقہ۔
5. تبدیل شدہ ڈیٹا کے اپ لوڈ مکمل ہونے کے بعد، ایک کامیاب ETL تکمیل کا پیغام Amazon SNS کو بھیجا جاتا ہے۔
6. Amazon Comprehend میں، آپ اپنی دستاویزات کو دو طریقوں سے درجہ بندی کر سکتے ہیں: ملٹی کلاس یا ملٹی لیبل۔ ملٹی کلاس موڈ ہر دستاویز کے لیے ایک اور صرف ایک کلاس کی شناخت کرتا ہے، اور ملٹی لیبل موڈ ہر دستاویز کے لیے ایک یا زیادہ لیبلز کی شناخت کرتا ہے۔ چونکہ ہم ہر دستاویز کے لیے ایک کلاس کی شناخت کرنا چاہتے ہیں، اس لیے ہم اپنی مرضی کے مطابق کلاسیفائر ماڈل کو ملٹی کلاس موڈ میں تربیت دیتے ہیں۔ ایمیزون ایس این ایس کو متحرک کرتا ہے۔ train_classifier_lambda فنکشن، جو ایمیزون کمپری ہینڈ کلاسیفائر ٹریننگ کو ملٹی کلاس موڈ میں شروع کرتا ہے۔
7. ۔ train_classifier_lambda فنکشن ایمیزون کمپری ہینڈ کسٹم کلاسیفائر ٹریننگ کا آغاز کرتا ہے۔
8. Amazon Comprehend سے تبدیل شدہ ڈیٹا ڈاؤن لوڈ کرتا ہے۔ prepped_data کسٹم کلاسیفائر ماڈل کو تربیت دینے کے لیے ایمیزون S3 میں سابقہ۔
9. جب ماڈل ٹریننگ مکمل ہو جاتی ہے، تو Amazon Comprehend اپ لوڈ کرتا ہے۔ model.tar.gz کو فائل کریں output_data S3 بالٹی کا سابقہ۔ اس کسٹم کلاسیفائر ماڈل کی تربیت کے لیے تکمیل کا اوسط وقت تقریباً 10 گھنٹے ہے۔
10. ایمیزون S3 اپ لوڈ ٹرگر کی درخواست کرتا ہے۔ extract_comprehend_model_name_lambda فنکشن، جو کسٹم کلاسیفائر ماڈل ARN کو بازیافت کرتا ہے۔
11. فنکشن کسٹم کلاسیفائر ماڈل ARN کو S3 ایونٹ پے لوڈ اور کے جواب سے نکالتا ہے۔ list-document-classifiers کال کریں۔
12. فنکشن کسٹم کلاسیفائر ماڈل ARN کو اس ای میل ایڈریس پر بھیجتا ہے جسے آپ نے پہلے ٹریننگ اسٹیک بنانے کے عمل کے حصے کے طور پر سبسکرائب کیا تھا۔ اس کے بعد آپ اس ARN کو انفرنس اسٹیک کو تعینات کرنے کے لیے استعمال کرتے ہیں۔

یہ تعیناتی انفرنس اسٹیک بناتی ہے، جیسا کہ درج ذیل تصویر میں دکھایا گیا ہے۔ انفرنس اسٹیک آپ کو ایک REST API فراہم کرتا ہے۔ AWS شناخت اور رسائی کا انتظام (IAM) مجاز، جسے آپ تیسرے فریق کی ایپلیکیشن یا کلائنٹ مشین سے فراہم کردہ ان پٹ ٹیکسٹ کی بنیاد پر لیبلز کے اعتماد کے اسکور بنانے کے لیے استعمال کر سکتے ہیں۔

شرائط

اس ڈیمو کے لیے، آپ کے پاس درج ذیل شرائط ہونی چاہئیں:

• An AWS اکاؤنٹ.
• Python 3.7 یا بعد کا, Node.js، اور جاؤ ترقی کی مشین میں. AWS CDK Node.js (>=10.13.0، ورژن 13.0.0 – 13.6.0 کے علاوہ) کے مخصوص ورژن استعمال کرتا ہے۔ فعال لانگ ٹرم سپورٹ (LTS) میں ایک ورژن کی سفارش کی جاتی ہے۔
  Node.js کے فعال LTS ورژن کو انسٹال کرنے کے لیے، آپ درج ذیل کو استعمال کر سکتے ہیں۔ اسکرپٹ انسٹال کریں۔ لیے nvm اور استعمال کریں nvm کرنے کے لئے انسٹال Node.js LTS ورژن۔ آپ موجودہ فعال LTS Node.js کو بھی اپنی پسند کے آپریٹنگ سسٹم کے لحاظ سے پیکیج مینیجر کے ذریعے انسٹال کر سکتے ہیں۔

  macOS کے لیے، آپ مندرجہ ذیل کو استعمال کرتے ہوئے پیکیج مینیجر کے ذریعے Node.js انسٹال کر سکتے ہیں۔ ہدایات.

  ونڈوز کے لیے، آپ مندرجہ ذیل کو استعمال کرتے ہوئے پیکیج مینیجر کے ذریعے Node.js انسٹال کر سکتے ہیں۔ ہدایات.

• اگر آپ ایک استعمال کر رہے ہیں تو AWS CDK v2 پہلے سے انسٹال ہے۔ AWS کلاؤڈ 9 IDE اگر آپ AWS Cloud9 IDE استعمال کر رہے ہیں، تو آپ اس مرحلے کو چھوڑ سکتے ہیں۔ اگر آپ کے پاس ڈیولپمنٹ مشین میں AWS CDK انسٹال نہیں ہے، تو Node Package Manager کمانڈ کا استعمال کرتے ہوئے AWS CDK v2 عالمی سطح پر انسٹال کریں۔ npm install -g aws-cdk. اس قدم کے لیے Node.js کو ڈویلپمنٹ مشین میں انسٹال کرنے کی ضرورت ہے۔
• AWS CDK کا استعمال کرتے ہوئے AWS وسائل تک رسائی اور تخلیق کرنے کے لیے اپنے AWS اسناد کو کنفیگر کریں۔ ہدایات کے لیے، رجوع کریں۔ اسناد اور علاقہ کی وضاحت کرنا.
• ڈاؤن لوڈ، اتارنا SEOSS ڈیٹاسیٹ ضروریات، بگ رپورٹس، کوڈ ہسٹری، اور 33 اوپن سورس سافٹ ویئر پروجیکٹس کے ٹریس لنکس پر مشتمل ہے۔ فائل کو محفوظ کریں۔ dataverse_files.zip آپ کی مقامی مشین پر۔

AWS CDK ٹریننگ اسٹیک تعینات کریں۔

AWS CDK کی تعیناتی کے لیے، ہم ٹریننگ اسٹیک کے ساتھ شروع کرتے ہیں۔ درج ذیل مراحل کو مکمل کریں:

1. GitHub ذخیرہ کلون کریں:

$ git clone https://github.com/aws-samples/amazon-comprehend-custom-automate-classification-it-service-request.git

2. پر تشریف لے جائیں amazon-comprehend-custom-automate-classification-it-service-request فولڈر:

$ cd amazon-comprehend-custom-automate-classification-it-service-request/

مندرجہ ذیل تمام کمانڈز کے اندر چلائی جاتی ہیں۔ amazon-comprehend-custom-automate-classification-it-service-request ڈائریکٹری.

3. amazon-comprehend-custom-automate-classification-it-service-request ڈائرکٹری میں، Python ورچوئل ماحول شروع کریں اور pip کے ساتھ requirements.txt انسٹال کریں:

$ python3 -m venv .venv
$ source .venv/bin/activate
$ pip install -r requirements.txt

4. اگر آپ پہلی بار کسی مخصوص AWS اکاؤنٹ اور علاقے میں AWS CDK استعمال کر رہے ہیں، تو اس کے لیے ہدایات دیکھیں آپ کے AWS CDK ماحول کو بوٹسٹریپ کرنا:

$ cdk bootstrap aws:///

5. استعمال کرتے ہوئے اس حل کے لیے CloudFormation ٹیمپلیٹس کی ترکیب کریں۔ cdk synth اور استعمال کریں cdk deploy پہلے ذکر کردہ AWS وسائل بنانے کے لیے:

$ cdk synth
$ cdk deploy VPCStack EFSStack S3Stack SNSStack ExtractLoadTransformEndPointCreateStack --parameters SNSStack:emailaddressarnnotification=

داخل ہونے کے بعد cdk deploy، AWS CDK اشارہ کرتا ہے کہ آیا آپ cdk deploy کمانڈ میں بلائے گئے ہر اسٹیک کے لیے تبدیلیاں تعینات کرنا چاہتے ہیں۔

6. درج y ہر ایک اسٹیک تخلیق کے اشارے کے لیے، پھر cdk deploy مرحلہ ان اسٹیکوں کو تخلیق کرتا ہے۔ آپ کے ذریعہ فراہم کردہ ای میل ایڈریس کو سبسکرائب کریں۔
7. cdk کی تعیناتی کامیابی کے ساتھ مکمل ہونے کے بعد، ایک فولڈر بنائیں جسے کہا جاتا ہے۔ raw_data S3 بالٹی میں comprehendcustom---s3stack.
8. SEOSS ڈیٹاسیٹ اپ لوڈ کریں۔ dataverse_files.zip جسے آپ نے پہلے اس فولڈر میں ڈاؤن لوڈ کیا تھا۔

اپ لوڈ مکمل ہونے کے بعد، حل طلب کرتا ہے۔ etl_lambda ایکسٹریکٹ، ٹرانسفارم، اور لوڈ (ETL) عمل شروع کرنے کے لیے Amazon S3 ایونٹ ٹرگر کا استعمال کرتے ہوئے فنکشن۔ ETL کے عمل کے کامیابی سے مکمل ہونے کے بعد، SNS موضوع پر ایک پیغام بھیجا جاتا ہے، جس میں اس کی درخواست کی جاتی ہے۔ train_classifier_lambda فنکشن یہ فنکشن Amazon Comprehend کسٹم کلاسیفائر ماڈل ٹریننگ کو متحرک کرتا ہے۔ اس بات پر منحصر ہے کہ آیا آپ اپنے ماڈل کو مکمل SEOSS ڈیٹاسیٹ پر تربیت دیتے ہیں، تربیت میں 10 گھنٹے لگ سکتے ہیں۔ تربیت کا عمل مکمل ہونے پر، Amazon Comprehend اپ لوڈ کرتا ہے۔ model.tar.gz کو فائل کریں output_data S3 بالٹی میں سابقہ۔

یہ اپ لوڈ کو متحرک کرتا ہے۔ extract_comprehend_model_name_lambda S3 ایونٹ ٹرگر کا استعمال کرتے ہوئے فنکشن جو اپنی مرضی کے مطابق کلاسیفائر ماڈل ARN کو نکالتا ہے اور اسے اس ای میل ایڈریس پر بھیجتا ہے جسے آپ نے پہلے سبسکرائب کیا تھا۔ یہ کسٹم کلاسیفائر ماڈل ARN پھر انفرنس اسٹیک بنانے کے لیے استعمال ہوتا ہے۔ ماڈل ٹریننگ مکمل ہونے پر، آپ Amazon Comprehend کنسول میں ورژن کی تفصیلات کے سیکشن پر جا کر یا Amazon Comprehend کا استعمال کر کے حسب ضرورت درجہ بندی کرنے والے ماڈل کی کارکردگی کے میٹرکس دیکھ سکتے ہیں۔ Boto3 SDK.

AWS CDK انفرنس اسٹیک تعینات کریں۔

اب آپ انفرنس اسٹیک کو تعینات کرنے کے لیے تیار ہیں۔

1. آپ کو موصول ہونے والی ای میل سے حسب ضرورت کلاسیفائر ماڈل ARN کاپی کریں اور درج ذیل کو استعمال کریں۔ cdk deploy انفرنس اسٹیک بنانے کے لیے کمانڈ۔

یہ کمانڈ ایک API گیٹ وے REST API کو تعینات کرتا ہے جسے IAM اتھارٹی کے ذریعے محفوظ کیا گیا ہے، جسے آپ AWS صارف ID یا IAM کردار کے ساتھ اندازہ لگانے کے لیے استعمال کرتے ہیں جس میں صرف execute-api:Invoke IAM استحقاق ہے۔ درج ذیل cdk deploy کمانڈ انفرنس اسٹیک کو تعینات کرتی ہے۔ یہ اسٹیک AWS CDK استعمال کرتا ہے۔ فراہم کنندہ فریم ورک Amazon Comprehend اینڈ پوائنٹ کو حسب ضرورت وسائل کے طور پر بنانے کے لیے، تاکہ Amazon Comprehend اینڈ پوائنٹ کو تخلیق، حذف اور اپ ڈیٹ کرنا cdk deploy اور cdk کو تباہ کرنے والے کمانڈز کا استعمال کرتے ہوئے انفرنس اسٹیک لائف سائیکل کے حصے کے طور پر کیا جا سکے۔

چونکہ ماڈل ٹریننگ مکمل ہونے کے بعد آپ کو مندرجہ ذیل کمانڈ چلانے کی ضرورت ہے، جس میں 10 گھنٹے لگ سکتے ہیں، اس لیے یقینی بنائیں کہ آپ ازگر کے ورچوئل ماحول میں ہیں جسے آپ نے پہلے مرحلے میں شروع کیا تھا۔ amazon-comprehend-custom-automate-classification-it-service-request ڈائریکٹری:

$ cdk deploy APIGWInferenceStack --parameters APIGWInferenceStack:documentclassifierarn=

مثال کے طور پر:

$ cdk deploy APIGWInferenceStack --parameters APIGWInferenceStack:documentclassifierarn=arn:aws:comprehend:us-east-2:111122223333:document-classifier/ComprehendCustomClassifier-11111111-2222-3333-4444-abc5d67e891f/version/v1

2. کے بعد cdk deploy کمانڈ کامیابی سے مکمل ہوتی ہے، کاپی کریں۔ APIGWInferenceStack.ComprehendCustomClassfierInvokeAPI کنسول آؤٹ پٹ سے قدر حاصل کریں، اور اس REST API کا استعمال کسی کلائنٹ مشین یا کسی تھرڈ پارٹی ایپلیکیشن سے انفرنس پیدا کرنے کے لیے کریں جس میں execute-api:Invoke IAM استحقاق۔ اگر آپ یہ حل us-east-2 میں چلا رہے ہیں، تو اس REST API کا فارمیٹ ہے۔ https://.execute-api.us-east-2.amazonaws.com/prod/invokecomprehendV1.

متبادل طور پر، آپ ٹیسٹ کلائنٹ استعمال کر سکتے ہیں۔ apiclientinvoke.py کسٹم کلاسیفائر ماڈل کو درخواست بھیجنے کے لیے GitHub ریپوزٹری سے۔ apiclientinvoke.py استعمال کرنے سے پہلے، یقینی بنائیں کہ درج ذیل شرائط موجود ہیں:

• آپ کے پاس ہے۔ boto3 اور requests کلائنٹ مشین پر پائپ کا استعمال کرتے ہوئے Python پیکیج انسٹال ہوا۔
• آپ نے Boto3 اسناد کو ترتیب دیا ہے۔ پہلے سے طے شدہ طور پر، ٹیسٹ کلائنٹ فرض کرتا ہے کہ ڈیفالٹ نامی پروفائل موجود ہے اور اس میں موجود ہے۔ execute-api:Invoke REST API پر IAM کا استحقاق۔
• SigV4Auth اس خطے کی طرف اشارہ کرتا ہے جہاں REST API تعینات ہے۔ اپ ڈیٹ کریں۔ قدر کرنا us-east-2 in apiclientinvoke.py اگر آپ کا REST API us-east-2 میں تعینات ہے۔
• آپ نے تفویض کیا ہے۔ raw_data متن کے ساتھ متغیر جس پر آپ کلاس کی پیشن گوئی یا درجہ بندی کی درخواست کرنا چاہتے ہیں:

raw_data="""Spark is a unified analytics engine for large-scale data processing. It provides high-level APIs in Scala, Java, Python, and R, and an optimized engine that supports general computation graphs for data analysis."""

• آپ نے تفویض کیا ہے۔ restapi پہلے کاپی شدہ REST API کے ساتھ متغیر:

restapi="https://.execute-api.us-east-2.amazonaws.com/prod/invokecomprehendV1"

3. چلائیں apiclientinvoke.py پچھلے اپ ڈیٹس کے بعد:

$ python3 apiclientinvoke.py

آپ کو حسب ضرورت کلاسیفائر ماڈل سے درج ذیل جواب ملتا ہے:

{
 "statusCode": 200,
 "body": [
	{
	 "Name": "SPARK",
	 "Score": 0.9999773502349854
	},
	{
	 "Name": "HIVE",
	 "Score": 1.1613215974648483e-05
	},
	{
	 "Name": "DROOLS",
	 "Score": 1.1110682862636168e-06
	}
   ]
}

Amazon Comprehend ہر اس لیبل کے لیے اعتماد کے اسکور واپس کرتا ہے جسے اس نے درست طریقے سے منسوب کیا ہے۔ اگر سروس کسی لیبل کے بارے میں بہت پراعتماد ہے، تو اسکور 1 کے قریب ہوگا۔ اس لیے، ایمیزون کمپریہنڈ کسٹم کلاسیفائر ماڈل کے لیے جسے SEOSS ڈیٹاسیٹ کا استعمال کرتے ہوئے تربیت دی گئی تھی، کسٹم کلاسیفائر ماڈل پیش گوئی کرتا ہے کہ متن کا تعلق کلاس SPARK سے ہے۔ Amazon Comprehend کسٹم کلاسیفائر ماڈل کے ذریعے واپس کی گئی اس درجہ بندی کو پھر IT سروس کی درخواستوں کی درجہ بندی کرنے یا IT سروس کی درخواستوں کے صحیح زمرے کی پیشین گوئی کرنے کے لیے استعمال کیا جا سکتا ہے، اس طرح دستی غلطیوں یا سروس کی درخواستوں کی غلط درجہ بندی کو کم کیا جا سکتا ہے۔

صاف کرو

اس پوسٹ میں بنائے گئے تمام وسائل کو صاف کرنے کے لیے جو ٹریننگ اسٹیک اور انفرنس اسٹیک کے حصے کے طور پر بنائے گئے تھے، درج ذیل کمانڈ کا استعمال کریں۔ یہ کمانڈ پچھلی cdk deploy کمانڈز کے حصے کے طور پر بنائے گئے تمام AWS وسائل کو حذف کر دیتی ہے۔

$ cdk destroy --all

نتیجہ

اس پوسٹ میں، ہم نے آپ کو دکھایا کہ کس طرح انٹرپرائزز ایمیزون کمپریہنڈ کسٹم درجہ بندی کا استعمال کرتے ہوئے زیر نگرانی ایم ایل ماڈل کو لاگو کر سکتے ہیں تاکہ موضوع یا اختتامی صارف کی طرف سے جمع کردہ درخواست کی تفصیل کی بنیاد پر آئی ٹی سروس کی درخواستوں کے زمرے کی پیشن گوئی کی جا سکے۔ حسب ضرورت درجہ بندی ماڈل بنانے اور تربیت دینے کے بعد، آپ ایک اختتامی نقطہ بنا کر حسب ضرورت درجہ بندی کے لیے حقیقی وقت کا تجزیہ چلا سکتے ہیں۔ آپ کے اس ماڈل کو Amazon Comprehend اینڈ پوائنٹ پر تعینات کرنے کے بعد، اسے تھرڈ پارٹی ایپلیکیشنز یا دیگر کلائنٹ مشینوں بشمول IT سروس مینجمنٹ ٹولز کے ذریعے ریئل ٹائم انفرنس چلانے کے لیے استعمال کیا جا سکتا ہے۔ اس کے بعد آپ خرابی کے زمرے کا اندازہ لگانے اور ٹکٹوں کی دستی غلطیوں یا غلط درجہ بندی کو کم کرنے کے لیے اس تخمینے کا استعمال کر سکتے ہیں۔ اس سے ٹکٹ کی ریزولوشن میں تاخیر کو کم کرنے میں مدد ملتی ہے اور ریزولوشن کی درستگی اور گاہک کی پیداواری صلاحیت میں اضافہ ہوتا ہے، جس کے نتیجے میں صارفین کی اطمینان میں اضافہ ہوتا ہے۔

آپ اس پوسٹ میں موجود تصورات کو استعمال کے دیگر معاملات تک بڑھا سکتے ہیں، جیسے کہ مختلف داخلی ٹیموں جیسے کاروباری محکموں، کسٹمر سروس ایجنٹس، اور ٹائر 2/3 آئی ٹی سپورٹ کو روٹنگ بزنس یا آئی ٹی ٹکٹس، جو یا تو اختتامی صارفین کے ذریعے یا خودکار کے ذریعے تخلیق کیے گئے ہیں۔ مطلب

حوالہ جات

• راتھ، مائیکل؛ میڈر، پیٹرک، 2019، "دی SEOSS ڈیٹاسیٹ - ضروریات، بگ رپورٹس، کوڈ ہسٹری، اور پورے پروجیکٹس کے لیے ٹریس لنکس"، https://doi.org/10.7910/DVN/PDDZ4Q، ہارورڈ ڈیٹاورس، V1

مصنفین کے بارے میں

ارنب چکرورتی۔ سنسناٹی، اوہائیو میں مقیم AWS میں ایک سینئر سولیوشن آرکیٹیکٹ ہے۔ وہ انٹرپرائز اور حل فن تعمیر، ڈیٹا اینالیٹکس، سرور لیس اور مشین لرننگ کے موضوعات کے بارے میں پرجوش ہیں۔ اپنے فارغ وقت میں، وہ فلمیں، ٹریول شوز اور کھیل دیکھنے سے لطف اندوز ہوتے ہیں۔

وائرل Desai AWS میں پرنسپل سولیوشن آرکیٹیکٹ ہیں۔ انفارمیشن ٹیکنالوجی میں 25 سال سے زیادہ کے تجربات کے ساتھ، وہ صارفین کو AWS کو اپنانے اور ان کے فن تعمیر کو جدید بنانے میں مدد کر رہا ہے۔ اسے پیدل سفر کرنا پسند ہے، اور AWS کی تمام چیزوں پر گاہکوں کے ساتھ گہرائی میں غوطہ خوری سے لطف اندوز ہوتا ہے۔