ایمیزون سیج میکر ٹریننگ کے زیر انتظام گرم تالابوں کے بہترین طریقے

Amazon SageMaker Training Managed Warm Pools آپ کو استعمال کرنے کے لیے آپٹ ان کرنے کے لیے لچک فراہم کرتا ہے اور صارف کی طے شدہ مدت کے لیے بنیادی ڈھانچے کو برقرار رکھتا ہے۔ ایسا اس وقت کیا جاتا ہے جب کہ کمپیوٹ انسٹینس کے انتظام کے غیر متفرق ہیوی لفٹنگ کو پاس کرنے کے فائدے کو برقرار رکھتے ہوئے ایمیزون سیج میکر ماڈل ٹریننگ. اس پوسٹ میں، ہم SageMaker Training Managed Warm Pools کے ذریعے حل کیے گئے کلیدی فوائد اور درد کے نکات کے ساتھ ساتھ بینچ مارکس اور بہترین طریقوں کا خاکہ پیش کرتے ہیں۔

سیج میکر ٹریننگ کے زیر انتظام گرم تالابوں کا جائزہ

سیج میکر ماڈل ٹریننگ ایک مکمل طور پر منظم صلاحیت ہے جو ہر کام کے لیے مثالیں گھماتی ہے، ماڈل کو تربیت دیتی ہے، دوڑتی ہے اور پھر جاب کے بعد مثالوں کو گھماتی ہے۔ آپ کو صرف کام کی مدت کے لیے بل کیا جاتا ہے جو دوسری تک ہے۔ یہ مکمل طور پر منظم صلاحیت آپ کو اپنی مشین لرننگ (ML) الگورتھم پر توجہ مرکوز کرنے کی آزادی دیتی ہے اور اپنے ماڈلز کی تربیت کے دوران انفراسٹرکچر مینجمنٹ جیسے غیر متفاوت بھاری لفٹنگ کی فکر نہ کریں۔

یہ طریقہ کار تربیتی کام کے لیے ایک محدود آغاز وقت کی ضرورت ہے۔ اگرچہ یہ آغاز وقت، کے طور پر بھی جانا جاتا ہے کولڈ اسٹارٹ اسٹارٹ اپ ٹائم، کافی حد تک کم ہے، ہمارے کچھ سب سے زیادہ مطالبہ کرنے والے صارفین کے استعمال کے معاملات میں اس سے بھی کم آغاز کا وقت درکار ہوتا ہے، جیسے کہ 20 سیکنڈ سے کم۔ استعمال کے دو نمایاں معاملات ہیں جن میں یہ تقاضے ہیں:

• سب سے پہلے ڈیٹا سائنسدانوں کا استعمال کرتے ہوئے فعال ML تجربہ ہے۔ ایمیزون سیج میکر تربیتی پلیٹ فارم، خاص طور پر بڑے ماڈلز کی تربیت کے دوران، جیسے GPT3، جس کو پیداوار کے لیے تیار حالت میں جانے کے لیے متعدد تکرار کی ضرورت ہوتی ہے۔
• دوسرا ایک طے شدہ کیڈینس پر ایک ہی قسم کے واقعات پر لگاتار ملازمتوں کی ایک بڑی تعداد (کئی سو یا ہزاروں کی ترتیب میں) کا پروگرامیٹک آغاز ہے۔ مثال کے طور پر، پیرامیٹر کی تلاش یا اضافی تربیت۔

اس طرح کے استعمال کے معاملات میں، اوور ہیڈ پر خرچ ہونے والا ہر سیکنڈ، جیسے کہ تربیتی کام کے آغاز کا وقت، ان تمام ملازمتوں پر مجموعی اثر ڈالتا ہے۔

سیج میکر ٹریننگ مینیجڈ وارم پولز کے ساتھ، ڈیٹا سائنسدانوں اور ایم ایل انجینئرز کے پاس سیج میکر ٹریننگ انسٹینسز یا ملٹی انسٹینس کلسٹرز کو ایک مقررہ اور دوبارہ ترتیب دینے کے قابل وقت کے لیے گرم رکھنے کا انتخاب کرنے کی صلاحیت ہے (keep_alive_period_in_secondsہر تربیتی کام مکمل ہونے کے بعد۔ لہٰذا اگرچہ آپ کو کسی مثال یا کلسٹر پر چلنے والی پہلی تربیتی جاب کے لیے کولڈ اسٹارٹ جرمانہ ادا کرنا پڑتا ہے، اس کے بعد کی تمام تربیتی ملازمتوں کے لیے، مثالیں پہلے ہی تیار اور چل رہی ہیں۔ نتیجے کے طور پر، یہ بعد میں تربیتی ملازمتیں جو پہلے ایک مثال پر شروع ہوتی ہیں keep_alive_period_in_seconds میعاد ختم ہونے پر کولڈ سٹارٹ سٹارٹ اپ ٹائم اوور ہیڈ کو برداشت نہیں ہوتا۔ یہ تربیتی ملازمت کے آغاز کے اوقات کو تقریباً 20 سیکنڈ (P90) سے کم کر سکتا ہے۔

ڈیٹا سائنسدان اور ایم ایل انجینئرز سیج میکر ٹریننگ مینیجڈ وارم پولز کا استعمال کر سکتے ہیں تاکہ تجربہ کے لیے ٹریننگ کے درمیان ایک یا ایک سے زیادہ مثالوں کو گرم رکھا جا سکے یا ایک ہی سنگل یا ملٹی انسٹینس کلسٹر پر لگاتار ایک سے زیادہ ملازمتیں چلا سکیں۔ آپ صرف تربیتی ملازمتوں کی مدت اور دوبارہ ترتیب دینے کے لیے ادائیگی کرتے ہیں۔ keep_alive_period_in_seconds ہر جگہ کی طرح آپ ہر ایک مثال کے لئے وضاحت کرتے ہیں۔

خلاصہ یہ کہ سیج میکر ٹریننگ مینیجڈ وارم پولز کے ساتھ، آپ کو سیج میکر کے زیر انتظام مثال کے استعمال کا ایک مجموعہ ملتا ہے جس میں آپٹ اِن کرنے اور صلاحیت کی فراہمی اور وقت کے مختصر وقفوں کے لیے خود کو استعمال کرنے کا انتظام ہوتا ہے۔ یہ وقفے کسی کام سے پہلے قابل ترتیب ہیں، لیکن اگر اس کے دوران keep_alive_period_in_seconds وقفہ، آپ کو اسے کم یا بڑھانے کی ضرورت ہے، آپ ایسا کر سکتے ہیں۔ تک بڑھ جاتا ہے۔ keep_alive_period_in_seconds 60 منٹ تک کے وقفوں میں کیا جا سکتا ہے، مثال کے طور پر زیادہ سے زیادہ مدت یا کلسٹر 7 دن کے ساتھ۔

گرم تالابوں کے ساتھ شروع کرنے کے لیے، پہلے گرم پول کوٹہ کی حد میں اضافے کی درخواست کریں۔، پھر وضاحت کریں keep_alive_period_in_seconds پیرامیٹر تربیتی کام شروع کرتے وقت۔

معیارات

ہم نے 1.34 GB TensorFlow امیج، 2 GB ڈیٹا، اور مختلف ٹریننگ ڈیٹا ان پٹ موڈز (Amazon FSx، فاسٹ فائل موڈ، فائل موڈ) کا استعمال کرتے ہوئے جاب اسٹارٹ اپ لیٹینسی کی پیمائش کرنے کے لیے بینچ مارکنگ ٹیسٹ کیے ہیں۔ یہ ٹیسٹ US-east-4 ریجن میں m4، c5، m5، اور c2 خاندانوں کی مختلف مثالوں میں چلائے گئے تھے۔ سٹارٹ اپ لیٹینسی کو مثال کے طور پر اصل تربیتی جاب کے آغاز تک جاب تخلیق کے وقت کے طور پر ماپا گیا۔ پہلی ملازمتیں جنہوں نے کلسٹر شروع کیا اور گرم تالاب بنایا ان میں 2-3 منٹ کی شروعاتی تاخیر تھی۔ یہ زیادہ تاخیر بنیادی ڈھانچے کی فراہمی، تصویر ڈاؤن لوڈ کرنے اور ڈیٹا ڈاؤن لوڈ کرنے میں لگنے والے وقت کی وجہ سے ہے۔ اس کے نتیجے میں جو ملازمتیں گرم پول کلسٹر کو استعمال کرتی تھیں ان میں فاسٹ فائل موڈ (FFM) یا Amazon FSx کے لیے تقریباً 20 سیکنڈز اور فائل موڈ (FM) کے لیے 70 سیکنڈز کا آغاز ہوتا تھا۔ یہ ڈیلٹا FM کا نتیجہ ہے جس کے لیے کام کے آغاز سے پہلے Amazon S3 سے پورے ڈیٹا سیٹ کو ڈاؤن لوڈ کرنے کی ضرورت ہوتی ہے۔

ٹریننگ ڈیٹا ان پٹ موڈ کا آپ کا انتخاب شروع ہونے کے وقت کو متاثر کرتا ہے، یہاں تک کہ گرم تالابوں کے ساتھ۔ اس پوسٹ میں بعد میں بہترین طریقوں کے سیکشن میں کون سا ان پٹ موڈ منتخب کرنا ہے اس بارے میں رہنمائی ہے۔

مندرجہ ذیل جدول مختلف ٹریننگ ڈیٹا ان پٹ موڈز کے لیے جاب اسٹارٹ اپ لیٹینسی P90 کا خلاصہ کرتا ہے۔

ڈیٹا ان پٹ وضع	اسٹارٹ اپ لیٹینسی P90 (سیکنڈز)
	پہلی ملازمت	گرم تالاب کی نوکریاں (دوسری نوکری کے بعد)
ایف ایس ایکس	136	19
فاسٹ فائل موڈ	143	21
فائل موڈ۔	176	70

گرم تالابوں کے استعمال کے بہترین طریقے

درج ذیل حصے میں، ہم گرم تالابوں کا استعمال کرتے وقت کچھ بہترین طریقوں کا اشتراک کرتے ہیں۔

آپ کو گرم تالاب کب استعمال کرنا چاہئے؟

درج ذیل حالات میں گرم تالابوں کی سفارش کی جاتی ہے۔

• آپ مختصر ملازمتوں کے سلسلے میں اپنی اسکرپٹ کو انٹرایکٹو تجربہ اور ٹیوننگ کر رہے ہیں۔
• آپ اپنی مرضی کے مطابق، بڑے پیمانے پر ہائپر پیرامیٹر آپٹیمائزیشن چلا رہے ہیں (مثال کے طور پر، سائین ٹیون).
• آپ کے پاس ایک بیچ کا عمل ہے جو روزانہ یا ہفتہ وار کیڈینس پر ایک ہی قسم کے واقعات پر لگاتار ملازمتوں کی ایک بڑی تعداد (کئی سیکڑوں یا ہزاروں کی ترتیب میں) چلاتا ہے۔ مثال کے طور پر، فی شہر ایم ایل ماڈل کی تربیت۔

گرم تالابوں کی سفارش نہیں کی جاتی ہے جب اس بات کا امکان نہ ہو کہ کوئی شخص گرم تالاب کی میعاد ختم ہونے سے پہلے اسے دوبارہ استعمال کرے گا۔ مثال کے طور پر، ایک لمبا کام جو خودکار ML پائپ لائن کے ذریعے چلتا ہے۔

گرم پول ٹریننگ کے کام کے آغاز میں تاخیر کو کم سے کم کریں۔

گرم تالاب کو دوبارہ استعمال کرنے والی تربیتی ملازمتیں گرم تالاب بنانے والی پہلی ملازمت سے زیادہ تیزی سے شروع ہوتی ہیں۔ یہ کیشڈ ٹریننگ کنٹینر ڈوکر امیج کے ساتھ ملازمتوں کے درمیان ایم ایل مثالوں کو چلانے کی وجہ سے ہے تاکہ کنٹینر کو کھینچنا چھوڑ دیا جائے۔ ایمیزون لچکدار کنٹینر رجسٹری (ایمیزون ای سی آر)۔ تاہم، گرم تالاب کو دوبارہ استعمال کرتے وقت بھی، تمام ملازمتوں کے لیے کچھ ابتدائی اقدامات ہوتے ہیں۔ ان اقدامات کو بہتر بنانے سے آپ کے جاب شروع ہونے کا وقت کم ہو سکتا ہے (پہلی اور بعد کی دونوں ملازمتیں)۔ مندرجہ ذیل پر غور کریں:

• ٹریننگ ڈیٹا ان پٹ موڈ شروع ہونے کے وقت کو متاثر کر سکتا ہے۔ - منظم تربیتی ڈیٹا ان پٹ چینلز کو ہر تربیتی کام کے لیے دوبارہ بنایا جاتا ہے، جو نوکری کے آغاز میں تاخیر میں حصہ ڈالتے ہیں۔ لہذا ایک چھوٹے ڈیٹاسیٹ پر ابتدائی تجربات کرنے سے تیز تر سٹارٹ اپ ٹائم (اور تیز تر ٹریننگ ٹائم) کی اجازت ملے گی۔ تجربہ کے بعد کے مراحل کے لیے، جب ایک بڑے ڈیٹاسیٹ کی ضرورت ہو، تو ایک ان پٹ موڈ کی قسم استعمال کرنے پر غور کریں جس میں کم سے کم یا مقررہ ابتدائی وقت ہو۔ مثال کے طور پر، FILE ان پٹ موڈ سے پورے ڈیٹاسیٹ کو کاپی کرتا ہے۔ ایمیزون سادہ اسٹوریج سروس (ایمیزون S3) تربیتی مثال کے طور پر، جو بڑے ڈیٹاسیٹس (یہاں تک کہ گرم تالابوں کے ساتھ بھی) کے لیے وقت طلب ہے۔ فاسٹ فائل موڈ کم اسٹارٹ اپ لیٹینسی کے لیے بہتر ہے کیونکہ کام کا بوجھ شروع ہونے سے پہلے صرف S3 آبجیکٹ میٹا ڈیٹا کو Amazon S3 سے پڑھنے کی ضرورت ہے۔ دی ایمیزون ایف ایس ایکس لسٹر، یا ایمیزون لچکدار فائل سسٹم (Amazon EFS) فائل سسٹم ان پٹ موڈ، فائل سسٹم میں فائلوں کی تعداد سے قطع نظر اس کی شروعات کا ایک مقررہ وقت ہوتا ہے، جو بڑے ڈیٹا سیٹ کے ساتھ کام کرتے وقت فائدہ مند ہوتا ہے۔
  ان پٹ چینل کے انتخاب کے بارے میں مزید معلومات کے لیے، دیکھیں اپنے Amazon SageMaker ٹریننگ جاب کے لیے بہترین ڈیٹا سورس کا انتخاب کریں۔.
• پیکجوں کے رن ٹائم انسٹالیشن کو کم کریں۔ – کسی بھی سافٹ ویئر کی تنصیب جو کنٹینر کے آغاز کے دوران ہوتی ہے، مثال کے طور پر، Python's pip یا آپریٹنگ سسٹم apt-get، تربیتی کام میں تاخیر کو بڑھا دے گا۔ اس سٹارٹ اپ لیٹنسی کو کم کرنے کے لیے رن ٹائم انسٹالیشنز بمقابلہ کنٹینر بلڈ ٹائم پر انسٹالیشن کی لچک اور سادگی کے درمیان ایک تجارتی معاہدہ کرنے کی ضرورت ہے۔ اگر آپ SageMaker کے ساتھ اپنا ڈوکر کنٹینر استعمال کرتے ہیں، تو رجوع کریں۔ سیج میکر کے ساتھ کام کرنے کے لیے آپ کے اپنے ڈوکر کنٹینر کو ڈھالنا. اگر آپ پر بھروسہ ہے۔ پہلے سے تعمیر شدہ سیج میکر کنٹینر کی تصاویر، آپ کی ضرورت ہوگی پہلے سے تیار کنٹینر کو بڑھا دیں۔ اور واضح طور پر ان کنٹینرز کا نظم کریں۔ اس پر غور کریں اگر آپ کے رن ٹائم انسٹال ہونے سے اسٹارٹ اپ لیٹینسی میں نمایاں اضافہ ہوتا ہے۔
• اپنی ڈاکر امیج کو کثرت سے اپ ڈیٹ کرنے سے گریز کریں۔ - اگر آپ SageMaker کے ساتھ اپنا ڈوکر کنٹینر استعمال کرتے ہیں، تو ہر کام کے دوران اسے اپ ڈیٹ کرنے سے بچنے کی کوشش کریں۔ اگر نوکری کی جمع آوریوں کے درمیان ڈاکر کی تصویر تبدیل ہوتی ہے، تو گرم پول کو دوبارہ استعمال کیا جائے گا، لیکن آغاز کے عمل کو کیشڈ کنٹینر امیج کو دوبارہ استعمال کرنے کے بجائے Amazon ECR سے کنٹینر کی تصویر کو دوبارہ کھینچنے کی ضرورت ہوگی۔ اگر ڈوکر امیج کو اپ ڈیٹ کرنا ضروری ہے تو، ڈوکر لیئر کیچنگ کا فائدہ اٹھانے کے لیے اپ ڈیٹس کو آخری ڈوکر پرت تک محدود رکھیں۔ مثالی طور پر، آپ کو Dockerfile کے مواد کو ہٹا دینا چاہیے جس میں تکرار پر تبدیل ہونے کا امکان ہے، جیسے ہائپر پیرامیٹر، ڈیٹاسیٹ کی تعریفیں، اور خود ML کوڈ۔ ہر تبدیلی کے ساتھ ڈوکر امیجز کو دوبارہ بنائے بغیر ایم ایل کوڈ پر اعادہ کرنے کے لیے، آپ سیج میکر ٹریننگ ٹول کٹ میں تجویز کردہ فریم ورک کنٹینر پیراڈیم کو اپنا سکتے ہیں۔ اگر آپ اپنے کوڈ کے ساتھ فریم ورک کنٹینر تیار کرنا چاہتے ہیں تو اس سے رجوع کریں۔ ایمیزون سیج میکر ٹیوٹوریل.

متعدد صارفین کے درمیان گرم تالابوں کا اشتراک کریں۔

ڈیٹا سائنسدانوں کی ایک بڑی ٹیم کے ساتھ کام کرتے وقت، آپ گرم تالابوں کا اشتراک کر سکتے ہیں۔ ملازمت کے معیار کے مطابق، جیسے ایک جیسے AWS شناخت اور رسائی کا انتظام (IAM) کردار یا کنٹینر کی تصویر۔

آئیے ایک مثال ٹائم لائن دیکھیں۔ User-1 ایک تربیتی کام شروع کرتا ہے جو مکمل ہوتا ہے اور اس کے نتیجے میں ایک نیا گرم تالاب بنتا ہے۔ جب صارف-2 تربیتی کام شروع کرتا ہے، تو کام موجودہ گرم تالاب کو دوبارہ استعمال کرے گا، جس کے نتیجے میں ملازمت کا آغاز تیز ہوگا۔ جبکہ صارف-2 کا کام استعمال میں گرم پول کے ساتھ چل رہا ہے، اگر کوئی دوسرا صارف تربیتی کام شروع کرتا ہے، تو دوسرا گرم پول بنایا جائے گا۔

دوبارہ استعمال کا یہ رویہ ایک جیسی ملازمتیں شروع کرنے والے صارفین کے درمیان گرم تالابوں کا اشتراک کرکے لاگت کو کم کرنے میں مدد کرتا ہے۔ اگر آپ صارفین کے درمیان گرم تالابوں کا اشتراک کرنے سے بچنا چاہتے ہیں، تو صارفین کی ملازمتیں نہیں ہونی چاہئیں ملازمت کے معیار کے مطابق (مثال کے طور پر، انہیں ایک مختلف IAM کردار استعمال کرنا چاہیے)۔

ملازمت کی تکمیل پر صارفین کو مطلع کریں۔

تجربہ کے لیے گرم تالابوں کا استعمال کرتے وقت، ہم تجویز کرتے ہیں کہ صارفین کا کام مکمل ہونے پر مطلع کریں۔ یہ صارفین کو گرم تالاب کی میعاد ختم ہونے سے پہلے دوبارہ تجربہ شروع کرنے کی اجازت دیتا ہے۔ روک گرم تالاب اگر اس کی مزید ضرورت نہیں ہے۔ آپ بھی خود بخود اطلاعات کو متحرک کرتا ہے۔ کے ذریعے ایمیزون ایونٹ برج.

تیز تجربہ اور ٹربل شوٹنگ ٹریننگ جابز کے لیے مزید ٹولز

گرم تالابوں کے ساتھ، آپ 20 سیکنڈ سے بھی کم وقت میں کام شروع کر سکتے ہیں۔ کچھ منظرناموں میں حقیقی وقت، ہینڈ آن انٹرایکٹو تجربہ اور ٹربل شوٹنگ کی ضرورت ہوتی ہے۔ اوپن سورس سیج میکر ایس ایس ایچ ہیلپر لائبریری آپ کو سیج میکر ٹریننگ کنٹینر میں شیل کرنے اور ریموٹ ڈویلپمنٹ اور ڈیبگنگ کرنے کی اجازت دیتا ہے۔

نتیجہ

SageMaker Training Managed Warm Pools کے ساتھ، آپ اپنے ماڈل ٹریننگ ہارڈویئر کی مثالوں کو ہر کام کے بعد ایک مخصوص مدت تک گرم رکھ سکتے ہیں۔ یہ ماڈل ٹریننگ جاب کے لیے سٹارٹ اپ لیٹینسی کو 8x تک کم کر سکتا ہے۔ سیج میکر ٹریننگ کے زیر انتظام وارم پول تمام عوامی AWS علاقوں میں دستیاب ہیں جہاں SageMaker ماڈل ٹریننگ دستیاب ہے۔

شروع کرنے کے لیے، دیکھیں سیج میکر کے زیر انتظام گرم تالابوں کا استعمال کرتے ہوئے ٹرین.

---

مصنفین کے بارے میں

ڈاکٹر رومی دتہ  Amazon SageMaker ٹیم میں پروڈکٹ مینجمنٹ کا ایک سینئر مینیجر ہے جو تربیت، پروسیسنگ اور فیچر اسٹور کے لیے ذمہ دار ہے۔ وہ 4 سال سے زیادہ عرصے سے AWS میں ہے، SageMaker، S3 اور IoT میں پروڈکٹ مینجمنٹ کی قیادت کے کئی کردار ادا کر رہے ہیں۔ AWS سے پہلے اس نے IBM، Texas Instruments اور Nvidia میں مختلف پروڈکٹ مینجمنٹ، انجینئرنگ اور آپریشنل لیڈر شپ رولز میں کام کیا۔ اس کے پاس ایم ایس اور پی ایچ ڈی ہے۔ آسٹن میں یونیورسٹی آف ٹیکساس سے الیکٹریکل اور کمپیوٹر انجینئرنگ میں، اور یونیورسٹی آف شکاگو بوتھ اسکول آف بزنس سے ایم بی اے۔

ارون ناگراجن Amazon SageMaker ٹیم کے ساتھ ایک پرنسپل انجینئر ہے جو تربیت اور MLOps کے علاقوں پر توجہ مرکوز کر رہی ہے۔ وہ لانچ کے سال سے سیج میکر ٹیم کے ساتھ رہا ہے، اس نے سیج میکر کے مختلف شعبوں بشمول ریئل ٹائم انفرنس اور ماڈل مانیٹر پروڈکٹس میں تعاون کرنے کا لطف اٹھایا۔ وہ بحر الکاہل کے شمال مغربی علاقے میں باہر کی سیر کرنا اور پہاڑوں پر چڑھنا پسند کرتا ہے۔

امی آپ AWS SageMaker میں سافٹ ویئر ڈویلپمنٹ مینیجر ہے۔ وہ سیج میکر ٹریننگ پلیٹ فارم کی نئی صلاحیتوں کو بنانے، برقرار رکھنے اور تیار کرنے کے لیے سافٹ ویئر انجینئرز کی ایک ٹیم کو اکٹھا کرنے پر توجہ مرکوز کرتی ہے جو صارفین کو اپنے ایم ایل ماڈلز کو زیادہ موثر اور آسانی سے تربیت دینے میں مدد کرتا ہے۔ اسے ML اور AI ٹیکنالوجی کا جنون ہے، خاص طور پر اپنی گریجویٹ تعلیم سے تصویر اور وژن سے متعلق۔ اپنے فارغ وقت میں، وہ اپنے خاندان کے ساتھ موسیقی اور فن پر کام کرنا پسند کرتی ہے۔

سیفی لی ایمیزون اے آئی میں ایک سافٹ ویئر انجینئر ہے جہاں وہ ایمیزون مشین لرننگ پلیٹ فارم بنانے پر کام کر رہی ہے اور ایمیزون سیج میکر کی لانچ ٹیم کا حصہ تھی۔ اپنے فارغ وقت میں، وہ موسیقی بجانا اور پڑھنا پسند کرتی ہے۔

جینا زاؤ AWS SageMaker میں سافٹ ویئر ڈویلپمنٹ انجینئر ہے۔ وہ ML/AI ٹیکنالوجی کے بارے میں پرجوش ہے اور SageMaker ٹریننگ پلیٹ فارم بنانے پر توجہ مرکوز کر رہی ہے جو صارفین کو مشین لرننگ ماڈلز کو جلدی اور آسانی سے تربیت دینے کے قابل بناتا ہے۔ کام سے باہر، وہ اپنے خاندان کے ساتھ سفر کرنے اور وقت گزارنے میں لطف اندوز ہوتی ہے۔

پارس مہرا AWS میں ایک سینئر پروڈکٹ مینیجر ہے۔ وہ ایمیزون سیج میکر ٹریننگ اور پروسیسنگ کی تعمیر میں مدد کرنے پر مرکوز ہے۔ اپنے فارغ وقت میں، پارس اپنے خاندان کے ساتھ وقت گزارنے اور بے ایریا کے ارد گرد سڑک پر بائیک چلانے سے لطف اندوز ہوتا ہے۔ آپ اسے تلاش کر سکتے ہیں۔ لنکڈ.

گلی ناچم ایک سینئر AI/ML ماہر حل آرکیٹیکٹ ہے جو EMEA Amazon مشین لرننگ ٹیم کے حصے کے طور پر کام کرتا ہے۔ Gili گہری سیکھنے کے ماڈلز کی تربیت کے چیلنجوں کے بارے میں پرجوش ہے، اور کس طرح مشین لرننگ دنیا کو بدل رہی ہے جیسا کہ ہم جانتے ہیں۔ اپنے فارغ وقت میں گیلی ٹیبل ٹینس کھیلنے سے لطف اندوز ہوتے ہیں۔

اولیور کروچنٹ فرانس میں مقیم AWS میں مشین لرننگ اسپیشلسٹ سولیوشن آرکیٹیکٹ ہے۔ Olivier AWS صارفین کی مدد کرتا ہے – چھوٹے سٹارٹ اپ سے لے کر بڑے اداروں تک – پروڈکشن گریڈ مشین لرننگ ایپلی کیشنز کو تیار اور تعینات کرتا ہے۔ اپنے فارغ وقت میں، وہ تحقیقی مقالے پڑھنے اور دوستوں اور خاندان کے ساتھ بیابانوں کی سیر کرنے سے لطف اندوز ہوتے ہیں۔

ایملی ویبر SageMaker کے لانچ ہونے کے فوراً بعد AWS میں شامل ہوا، اور تب سے دنیا کو اس کے بارے میں بتانے کی کوشش کر رہا ہے! صارفین کے لیے ایم ایل کے نئے تجربات بنانے کے علاوہ، ایملی کو تبتی بدھ مت کا مراقبہ اور مطالعہ کرنا پسند ہے۔