ڈویلپر کی پیداواری صلاحیت کو بڑھانا: ڈیلوئٹ ایمیزون سیج میکر کینوس کو بغیر کوڈ/لو کوڈ مشین لرننگ کے لیے کیسے استعمال کرتا ہے ایمیزون ویب سروسز

مشین لرننگ (ML) ماڈلز کو تیزی سے بنانے اور تعینات کرنے کی صلاحیت آج کی ڈیٹا سے چلنے والی دنیا میں تیزی سے اہم ہوتی جا رہی ہے۔ تاہم، ایم ایل ماڈلز کی تعمیر میں اہم وقت، محنت اور خصوصی مہارت درکار ہوتی ہے۔ ڈیٹا اکٹھا کرنے اور صفائی سے لے کر فیچر انجینئرنگ، ماڈل بلڈنگ، ٹیوننگ اور تعیناتی تک، ML پروجیکٹس کو اکثر ڈیولپرز کو مکمل ہونے میں مہینوں لگتے ہیں۔ اور تجربہ کار ڈیٹا سائنسدانوں کا آنا مشکل ہو سکتا ہے۔

یہ وہ جگہ ہے جہاں کم کوڈ اور بغیر کوڈ ML سروسز کا AWS سویٹ ایک ضروری ٹول بن جاتا ہے۔ استعمال کرتے ہوئے صرف چند کلکس کے ساتھ ایمیزون سیج میکر کینوس، آپ کسی بھی کوڈ کو لکھنے کی ضرورت کے بغیر ML کی طاقت کا فائدہ اٹھا سکتے ہیں۔

ایم ایل کے گہرے تجربے کے ساتھ ایک اسٹریٹجک سسٹم انٹیگریٹر کے طور پر، ڈیلوئٹ ڈیلوئٹ کے کلائنٹس اور اندرونی اثاثوں کے لیے ایم ایل ماڈلز کو مؤثر طریقے سے بنانے اور ان کی تعیناتی کے لیے AWS سے بغیر کوڈ اور کم کوڈ والے ML ٹولز کا استعمال کرتا ہے۔ یہ ٹولز ڈیلوئٹ کو ہینڈ کوڈ ماڈلز اور پائپ لائنز کی ضرورت کے بغیر ایم ایل حل تیار کرنے کی اجازت دیتے ہیں۔ اس سے پروجیکٹ کی ترسیل کی ٹائم لائنز کو تیز کرنے میں مدد مل سکتی ہے اور ڈیلوئٹ کو مزید کلائنٹ کا کام کرنے کے قابل بنایا جا سکتا ہے۔

ذیل میں کچھ مخصوص وجوہات ہیں جن کی وجہ سے ڈیلوئٹ ان ٹولز کو استعمال کرتا ہے۔

• غیر پروگرامرز کے لیے رسائی - بغیر کوڈ والے ٹولز ایم ایل ماڈل کی عمارت کو غیر پروگرامرز کے لیے کھول دیتے ہیں۔ صرف ڈومین کی مہارت اور بہت کم کوڈنگ کی مہارت کے ساتھ ٹیم کے اراکین ML ماڈل تیار کر سکتے ہیں۔
• نئی ٹیکنالوجی کو تیزی سے اپنانا - استعمال کے لیے تیار ماڈلز اور آٹو ایم ایل کی دستیابی اور مستقل بہتری اس بات کو یقینی بنانے میں مدد کرتی ہے کہ صارفین مسلسل معروف ٹیکنالوجی کا استعمال کر رہے ہیں۔
• سرمایہ کاری مؤثر ترقی - بغیر کوڈ والے ٹولز ایم ایل ماڈل کی ترقی کے لیے درکار لاگت اور وقت کو کم کرنے میں مدد کرتے ہیں، جو اسے کلائنٹس کے لیے زیادہ قابل رسائی بناتے ہیں، جس سے ان کی سرمایہ کاری پر زیادہ منافع حاصل کرنے میں مدد مل سکتی ہے۔

مزید برآں، یہ ٹولز تیزی سے ورک فلو کے لیے ایک جامع حل فراہم کرتے ہیں، جو درج ذیل کو فعال کرتے ہیں:

• تیز تر ڈیٹا کی تیاری - سیج میکر کینوس میں 300 سے زیادہ بلٹ ان ٹرانسفارمیشنز اور قدرتی زبان استعمال کرنے کی صلاحیت ہے جو ڈیٹا کی تیاری کو تیز کر سکتی ہے اور ڈیٹا کو ماڈل بنانے کے لیے تیار کر سکتی ہے۔
• تیز ترین ماڈل بلڈنگ - سیج میکر کینوس استعمال کے لیے تیار ماڈل پیش کرتا ہے یا ایمیزون آٹو ایم ایل ٹیکنالوجی جو آپ کو صرف چند کلکس کے ساتھ انٹرپرائز ڈیٹا پر حسب ضرورت ماڈل بنانے کے قابل بناتی ہے۔ یہ زمین سے کوڈنگ ماڈلز کے مقابلے میں عمل کو تیز کرنے میں مدد کرتا ہے۔
• آسان تعیناتی - سیج میکر کینوس کسی کو پروڈکشن کے لیے تیار ماڈلز تعینات کرنے کی صلاحیت پیش کرتا ہے۔ ایمیزون ساگ میکر اینڈ پوائنٹ کو چند کلکس میں رجسٹر کرتے وقت ایمیزون سیج میکر ماڈل رجسٹری.

وشویشور واسا، ڈیلوئٹ کے لیے کلاؤڈ CTO، کا کہنا ہے کہ:

"AWS کی بغیر کوڈ والی ML سروسز جیسے SageMaker Canvas اور SageMaker Data Wrangler کے ذریعے، Deloitte Consulting میں ہم نے اپنے کلائنٹ کے سامنے اور اندرونی پروجیکٹس میں ترقی اور تعیناتی کی پیداواری رفتار کو 30-40% تک بڑھاتے ہوئے، نئی افادیت کو کھولا ہے۔"

اس پوسٹ میں، ہم SageMaker Canvas کا استعمال کرتے ہوئے بغیر کسی کوڈ کے اینڈ ٹو اینڈ ایم ایل ماڈل بنانے کی طاقت کا مظاہرہ کرتے ہیں اور یہ بتاتے ہیں کہ اگر کوئی گاہک قرض پر ڈیفالٹ کرے گا تو پیشین گوئی کرنے کے لیے درجہ بندی کا ماڈل کیسے بنایا جائے۔ قرض کے نادہندگان کی زیادہ درست طریقے سے پیش گوئی کرنے سے، یہ ماڈل مالیاتی خدمات کی کمپنی کو خطرے کا انتظام کرنے، قرضوں کی قیمتوں کو مناسب طریقے سے ادا کرنے، آپریشن کو بہتر بنانے، اضافی خدمات فراہم کرنے، اور مسابقتی فائدہ حاصل کرنے میں مدد کر سکتا ہے۔ ہم یہ ظاہر کرتے ہیں کہ کس طرح SageMaker Canvas آپ کو قرض کی ڈیفالٹ پیشین گوئی کے لیے خام ڈیٹا سے بائنری درجہ بندی کے ماڈل تک تیزی سے جانے میں مدد کر سکتا ہے۔

سیج میکر کینوس ڈیٹا کی تیاری کی جامع صلاحیتیں پیش کرتا ہے۔ ایمیزون سیج میکر ڈیٹا رینگلر سیج میکر کینوس ورک اسپیس میں۔ یہ آپ کو معیاری ML ورک فلو کے تمام مراحل سے گزرنے کے قابل بناتا ہے، ڈیٹا کی تیاری سے لے کر ماڈل کی تعمیر اور تعیناتی تک، ایک ہی پلیٹ فارم پر۔

ڈیٹا کی تیاری عام طور پر ML ورک فلو کا سب سے زیادہ وقتی مرحلہ ہوتا ہے۔ ڈیٹا کی تیاری پر خرچ ہونے والے وقت کو کم کرنے کے لیے، SageMaker Canvas آپ کو 300 سے زیادہ بلٹ ان ٹرانسفارمیشنز کا استعمال کرتے ہوئے اپنا ڈیٹا تیار کرنے کی اجازت دیتا ہے۔ متبادل طور پر، آپ قدرتی زبان کے اشارے لکھ سکتے ہیں۔، جیسے کہ "کالم c کے لیے قطاریں چھوڑیں جو باہر ہیں" اور ڈیٹا کی تیاری کے اس مرحلے کے لیے ضروری کوڈ کے ٹکڑوں کے ساتھ پیش کیا جائے۔ پھر آپ اسے چند کلکس میں اپنے ڈیٹا کی تیاری کے ورک فلو میں شامل کر سکتے ہیں۔ ہم آپ کو اس پوسٹ میں بھی اسے استعمال کرنے کا طریقہ دکھاتے ہیں۔

حل جائزہ

درج ذیل خاکہ SageMaker کم کوڈ اور بغیر کوڈ والے ٹولز کا استعمال کرتے ہوئے قرض کے طے شدہ درجہ بندی کے ماڈل کے فن تعمیر کی وضاحت کرتا ہے۔

ایک ڈیٹاسیٹ کے ساتھ شروع کرنا جس میں قرض کے ڈیفالٹ ڈیٹا کے بارے میں تفصیلات موجود ہیں۔ ایمیزون سادہ اسٹوریج سروس (Amazon S3)، ہم ڈیٹا کے بارے میں بصیرت حاصل کرنے کے لیے SageMaker Canvas کا استعمال کرتے ہیں۔ اس کے بعد ہم تبدیلیوں کو لاگو کرنے کے لیے فیچر انجینئرنگ انجام دیتے ہیں جیسے انکوڈنگ کیٹیگریکل فیچرز، ان فیچرز کو چھوڑنا جن کی ضرورت نہیں ہے، اور بہت کچھ۔ اگلا، ہم صاف شدہ ڈیٹا کو واپس Amazon S3 میں اسٹور کرتے ہیں۔ ہم قرض کے ڈیفالٹس کی پیشین گوئی کے لیے درجہ بندی کا ماڈل بنانے کے لیے صاف کیے گئے ڈیٹاسیٹ کا استعمال کرتے ہیں۔ پھر ہمارے پاس تخمینہ کے لیے پروڈکشن کے لیے تیار ماڈل ہے۔

شرائط

اس بات کو یقینی بنائیں کہ درج ذیل ضروریات مکمل ہیں اور یہ کہ آپ نے فعال کر دیا ہے۔ کینوس کے استعمال کے لیے تیار ماڈل SageMaker ڈومین سیٹ اپ کرتے وقت آپشن۔ اگر آپ پہلے ہی اپنا ڈومین ترتیب دے چکے ہیں، اپنی ڈومین کی ترتیبات میں ترمیم کریں۔ اور جاؤ کینوس کی ترتیبات کو فعال کرنے کے لئے کینوس کے استعمال کے لیے تیار ماڈلز کو فعال کریں۔ اختیار اس کے علاوہ، سیٹ اپ اور سیج میکر کینوس ایپلی کیشن بنائیں، پھر درخواست کریں اور فعال کریں۔ انتھروپک کلاڈ ماڈل تک رسائی on ایمیزون بیڈرک.

ڈیٹا بیس

ہم سے ایک عوامی ڈیٹاسیٹ استعمال کرتے ہیں۔ کیگل جو مالیاتی قرضوں کے بارے میں معلومات پر مشتمل ہے۔ ڈیٹاسیٹ میں ہر قطار ایک قرض کی نمائندگی کرتی ہے، اور کالم ہر لین دین کے بارے میں تفصیلات فراہم کرتے ہیں۔ اس ڈیٹاسیٹ کو ڈاؤن لوڈ کریں اور اسے اپنی پسند کی S3 بالٹی میں اسٹور کریں۔ مندرجہ ذیل جدول ڈیٹاسیٹ میں فیلڈز کی فہرست دیتا ہے۔

کالم کا نام	ڈیٹا کی قسم	Description
Person_age	انٹیگر	قرض لینے والے شخص کی عمر
Person_income	انٹیگر	قرض لینے والے کی آمدنی
Person_home_ownership	سلک	گھر کی ملکیت کی حیثیت (اپنی یا کرایہ کی)
Person_emp_length	دشملو	ان کی ملازمت کے سال کی تعداد
Loan_intent	سلک	قرض کی وجہ (ذاتی، طبی، تعلیمی، وغیرہ)
Loan_grade	سلک	لون گریڈ (A-E)
Loan_int_rate	دشملو	شرح سود
Loan_amnt	انٹیگر	قرض کی کل رقم
Loan_status	انٹیگر	ہدف (چاہے وہ پہلے سے طے شدہ ہوں یا نہیں)
Loan_percent_income	دشملو	آمدنی کے فیصد کے مقابلے میں قرض کی رقم
Cb_person_default_on_file	انٹیگر	پچھلے ڈیفالٹس (اگر کوئی ہے)
Cb_person_credit_history_length	سلک	ان کی کریڈٹ ہسٹری کی لمبائی

سیج میکر کینوس کے ساتھ ڈیٹا کی تیاری کو آسان بنائیں

ڈیٹا کی تیاری میں ML پروجیکٹس میں 80% تک محنت لگ سکتی ہے۔. مناسب ڈیٹا کی تیاری ماڈل کی بہتر کارکردگی اور زیادہ درست پیشین گوئیوں کا باعث بنتی ہے۔ SageMaker Canvas بغیر کسی SQL یا Python کوڈ لکھے انٹرایکٹو ڈیٹا کی تلاش، تبدیلی اور تیاری کی اجازت دیتا ہے۔

اپنا ڈیٹا تیار کرنے کے لیے درج ذیل مراحل کو مکمل کریں:

1. سیج میکر کینوس کنسول پر، منتخب کریں۔ ڈیٹا کی تیاری نیوی گیشن پین میں.
2. پر تخلیق کریں مینو، منتخب کریں دستاویز.
3. کے لئے ڈیٹا سیٹ کا ناماپنے ڈیٹاسیٹ کے لیے ایک نام درج کریں۔
4. میں سے انتخاب کریں تخلیق کریں.
   
5. Amazon S3 کو ڈیٹا سورس کے طور پر منتخب کریں اور اسے ڈیٹاسیٹ سے جوڑیں۔
6. ڈیٹاسیٹ لوڈ ہونے کے بعد، اس ڈیٹاسیٹ کا استعمال کرتے ہوئے ڈیٹا فلو بنائیں۔
   
7. تجزیہ ٹیب پر جائیں اور ایک بنائیں ڈیٹا کوالٹی اور بصیرت کی رپورٹ.

ان پٹ ڈیٹاسیٹ کے معیار کا تجزیہ کرنے کے لیے یہ ایک تجویز کردہ قدم ہے۔ اس رپورٹ کا آؤٹ پٹ فوری طور پر ایم ایل سے چلنے والی بصیرت پیدا کرتا ہے جیسے ڈیٹا سکیو، ڈیٹا میں ڈپلیکیٹس، گمشدہ اقدار، اور بہت کچھ۔ درج ذیل اسکرین شاٹ قرض کے ڈیٹاسیٹ کے لیے تیار کردہ رپورٹ کا نمونہ دکھاتا ہے۔

آپ کی جانب سے یہ بصیرتیں پیدا کر کے، SageMaker Canvas آپ کو ڈیٹا میں مسائل کا ایک سیٹ فراہم کرتا ہے جن کو ڈیٹا کی تیاری کے مرحلے میں دور کرنے کی ضرورت ہے۔ SageMaker Canvas کے ذریعے شناخت کیے گئے سرفہرست دو مسائل کو منتخب کرنے کے لیے، آپ کو واضح خصوصیات کو انکوڈ کرنے اور نقل کی قطاروں کو ہٹانے کی ضرورت ہے تاکہ آپ کے ماڈل کا معیار بلند ہو۔ آپ SageMaker Canvas کے ساتھ بصری ورک فلو میں یہ دونوں اور مزید کچھ کر سکتے ہیں۔

1. سب سے پہلے، ایک گرم انکوڈ loan_intent, loan_grade، اور person_home_ownership
2. آپ چھوڑ سکتے ہیں۔ cb_person_cred_history_length کالم کیونکہ اس کالم میں کم سے کم پیشین گوئی کی طاقت ہے، جیسا کہ ڈیٹا کوالٹی اور بصیرت کی رپورٹ میں دکھایا گیا ہے۔
   
   سیج میکر کینوس نے حال ہی میں ایک شامل کیا۔ ڈیٹا کے ساتھ چیٹ کریں۔ اختیار یہ فیچر فاؤنڈیشن ماڈلز کی طاقت کا استعمال قدرتی زبان کے سوالات کی تشریح کرنے اور فیچر انجینئرنگ کی تبدیلیوں کو لاگو کرنے کے لیے ازگر پر مبنی کوڈ تیار کرنے کے لیے کرتا ہے۔ یہ خصوصیت Amazon Bedrock کے ذریعے تقویت یافتہ ہے، اور اسے مکمل طور پر آپ کے VPC میں چلانے کے لیے ترتیب دیا جا سکتا ہے تاکہ ڈیٹا کبھی بھی آپ کے ماحول کو نہ چھوڑے۔
3. ڈپلیکیٹ قطاروں کو ہٹانے کے لیے اس خصوصیت کو استعمال کرنے کے لیے، کے آگے جمع کا نشان منتخب کریں۔ ڈراپ کالم تبدیل کریں، پھر منتخب کریں۔ ڈیٹا کے ساتھ چیٹ کریں۔.
   
4. اپنی استفسار فطری زبان میں درج کریں (مثال کے طور پر، "ڈیٹا سیٹ سے ڈپلیکیٹ قطاریں ہٹائیں")۔
5. پیدا شدہ تبدیلی کا جائزہ لیں اور منتخب کریں۔ مراحل میں شامل کریں۔ بہاؤ میں تبدیلی شامل کرنے کے لیے۔
   
6. آخر میں، ان تبدیلیوں کے آؤٹ پٹ کو Amazon S3 یا اختیاری طور پر ایکسپورٹ کریں۔ ایمیزون سیج میکر فیچر اسٹور ان خصوصیات کو متعدد پروجیکٹس میں استعمال کرنے کے لیے۔

آپ ڈیٹاسیٹ کے لیے ایک Amazon S3 منزل بنانے کے لیے ایک اور مرحلہ بھی شامل کر سکتے ہیں تاکہ بڑے ڈیٹاسیٹ کے لیے ورک فلو کو پیمانہ کیا جا سکے۔ مندرجہ ذیل خاکہ بصری تبدیلیوں کو شامل کرنے کے بعد SageMaker کینوس ڈیٹا کے بہاؤ کو دکھاتا ہے۔

آپ نے SageMaker Canvas میں بصری ورک فلو کا استعمال کرتے ہوئے ڈیٹا پروسیسنگ اور فیچر انجینئرنگ کا پورا مرحلہ مکمل کر لیا ہے۔ یہ اس وقت کو کم کرنے میں مدد کرتا ہے جو ڈیٹا انجینئر کو صاف کرنے اور ڈیٹا کو ماڈل ڈیولپمنٹ کے لیے ہفتوں سے دنوں تک تیار کرنے پر خرچ کرتا ہے۔ اگلا مرحلہ ایم ایل ماڈل بنانا ہے۔

SageMaker Canvas کے ساتھ ایک ماڈل بنائیں

Amazon SageMaker Canvas اس بائنری درجہ بندی کے ماڈل کی تعمیر، تجزیہ، جانچ اور تعیناتی کے لیے بغیر کوڈ اینڈ ٹو اینڈ ورک فلو فراہم کرتا ہے۔ درج ذیل مراحل کو مکمل کریں:

1. سیج میکر کینوس میں ڈیٹاسیٹ بنائیں۔
2. یا تو S3 مقام کی وضاحت کریں جو ڈیٹا برآمد کرنے کے لیے استعمال کیا گیا تھا یا S3 مقام جو SageMaker Canvas جاب کی منزل پر ہے۔
   
   اب آپ ماڈل بنانے کے لیے تیار ہیں۔
3. میں سے انتخاب کریں ماڈل نیویگیشن پین میں اور منتخب کریں۔ نئے ماڈل.
4. ماڈل کو نام دیں اور منتخب کریں۔ پیشگوئی کا تجزیہ ماڈل کی قسم کے طور پر.
5. پچھلے مرحلے میں بنائے گئے ڈیٹاسیٹ کو منتخب کریں۔
   
   اگلا مرحلہ ماڈل کی قسم کو ترتیب دے رہا ہے۔
6. ٹارگٹ کالم کا انتخاب کریں اور ماڈل کی قسم خود بخود سیٹ ہو جائے گی۔ 2 زمرہ کی پیشن گوئی.
7. اپنی تعمیر کی قسم منتخب کریں، معیاری تعمیر or فوری تعمیر.
   
   جیسے ہی آپ ماڈل بنانا شروع کرتے ہیں SageMaker Canvas متوقع تعمیراتی وقت دکھاتا ہے۔ معیاری تعمیر میں عام طور پر 2-4 گھنٹے لگتے ہیں۔ آپ چھوٹے ڈیٹا سیٹس کے لیے فوری تعمیر کا اختیار استعمال کر سکتے ہیں، جس میں صرف 2-15 منٹ لگتے ہیں۔ اس مخصوص ڈیٹاسیٹ کے لیے، ماڈل کی تعمیر کو مکمل کرنے میں تقریباً 45 منٹ لگیں۔ سیج میکر کینوس آپ کو تعمیراتی عمل کی پیشرفت سے آگاہ کرتا رہتا ہے۔
8. ماڈل بننے کے بعد، آپ ماڈل کی کارکردگی کو دیکھ سکتے ہیں۔
   
   SageMaker Canvas ماڈل کی قسم کے لحاظ سے مختلف میٹرکس جیسے درستگی، درستگی، اور F1 سکور فراہم کرتا ہے۔ درج ذیل اسکرین شاٹ اس بائنری درجہ بندی کے ماڈل کے لیے درستگی اور چند دیگر جدید میٹرکس کو دکھاتا ہے۔
9. اگلا مرحلہ ٹیسٹ کی پیشین گوئیاں کرنا ہے۔
   SageMaker Canvas آپ کو ماڈل کے معیار کی فوری تصدیق کرنے کے لیے متعدد ان پٹس یا ایک ہی پیشین گوئی پر بیچ کی پیشین گوئیاں کرنے کی اجازت دیتا ہے۔ مندرجہ ذیل اسکرین شاٹ نمونہ کا اندازہ دکھاتا ہے۔
   
10. آخری مرحلہ تربیت یافتہ ماڈل کو تعینات کرنا ہے۔
    SageMaker Canvas ماڈل کو SageMaker اینڈ پوائنٹس پر تعینات کرتا ہے، اور اب آپ کے پاس ایک پروڈکشن ماڈل ہے جو اندازہ لگانے کے لیے تیار ہے۔ مندرجہ ذیل اسکرین شاٹ تعیناتی اختتامی نقطہ دکھاتا ہے۔
    

ماڈل کے تعینات ہونے کے بعد، آپ اسے AWS SDK یا کے ذریعے کال کر سکتے ہیں۔ AWS کمانڈ لائن انٹرفیس (AWS CLI) یا ممکنہ قرض لینے والے کے خطرے کی اعتماد کے ساتھ پیشین گوئی کرنے کے لیے اپنی پسند کی کسی بھی درخواست پر API کال کریں۔ اپنے ماڈل کی جانچ کے بارے میں مزید معلومات کے لیے رجوع کریں۔ ریئل ٹائم اینڈ پوائنٹس کو طلب کریں۔.

صاف کرو

اضافی چارجز سے بچنے کے لیے، سیج میکر کینوس سے لاگ آؤٹ کریں۔ or سیج میکر ڈومین کو حذف کریں۔ کہ پیدا کیا گیا تھا. مزید برآں، سیج میکر ماڈل اینڈ پوائنٹ کو حذف کریں۔ اور ایمیزون S3 پر اپ لوڈ کردہ ڈیٹاسیٹ کو حذف کریں۔.

نتیجہ

No-code ML ترقی کو تیز کرتا ہے، تعیناتی کو آسان بناتا ہے، پروگرامنگ کی مہارتوں کی ضرورت نہیں ہوتی، معیاری کاری کو بڑھاتا ہے، اور لاگت کو کم کرتا ہے۔ ان فوائد نے نو کوڈ ML کو ڈیلوئٹ کے لیے پرکشش بنا دیا ہے تاکہ اس کی ML سروس کی پیشکش کو بہتر بنایا جا سکے، اور انہوں نے اپنے ML ماڈل کی تعمیر کی ٹائم لائنز کو 30-40% تک مختصر کر دیا ہے۔

Deloitte دنیا بھر میں 17,000 سے زیادہ تصدیق شدہ AWS پریکٹیشنرز کے ساتھ ایک سٹریٹجک گلوبل سسٹمز انٹیگریٹر ہے۔ اس کے ساتھ AWS اہلیت پروگرام میں شرکت کے ذریعے بار کو بڑھانا جاری ہے۔ 25 قابلیتیں، بشمول مشین لرننگ. ڈیلوئٹ سے جڑیں۔ اپنے انٹرپرائز کے لیے AWS نو کوڈ اور کم کوڈ حل کا استعمال شروع کرنے کے لیے۔

---

مصنفین کے بارے میں

چیڈا سدیاپن ڈیلوئٹ کے کلاؤڈ AI/مشین لرننگ پریکٹس کی رہنمائی کرتا ہے۔ وہ مصروفیات میں مضبوط سوچ کی قیادت کا تجربہ لاتا ہے اور AI/ML کا استعمال کرتے ہوئے تمام صنعتوں میں کارکردگی میں بہتری اور جدید کاری کے اہداف حاصل کرنے میں ایگزیکٹو سٹیک ہولڈرز کی مدد کرتا ہے۔ Chida ایک سیریل ٹیک انٹرپرینیور ہے اور اسٹارٹ اپ اور ڈویلپر ماحولیاتی نظام میں کمیونٹی بنانے کا شوقین ہے۔

کلدیپ سنگھAWS میں ایک پرنسپل گلوبل AI/ML لیڈر جو 20 سال سے زیادہ ٹیک میں ہے، مہارت کے ساتھ اپنی سیلز اور انٹرپرینیورشپ کی مہارت کو AI، ML اور سائبر سیکیورٹی کی گہری سمجھ کے ساتھ جوڑتا ہے۔ وہ تخلیقی AI اور GSIs پر توجہ مرکوز کرتے ہوئے مختلف صنعتوں میں تزویراتی عالمی شراکت داری قائم کرنے، تبدیلی کے حل اور حکمت عملیوں کو چلانے میں مہارت رکھتا ہے۔

کاسی مٹھو ہیوسٹن، TX سے باہر AWS میں ڈیٹا اور AI/ML پر توجہ مرکوز کرنے والا سینئر پارٹنر سلوشنز آرکیٹیکٹ ہے۔ وہ شراکت داروں اور صارفین کو ان کے کلاؤڈ ڈیٹا کے سفر کو تیز کرنے میں مدد کرنے کے بارے میں پرجوش ہے۔ وہ اس فیلڈ میں ایک قابل اعتماد مشیر ہے اور اس کے پاس کلاؤڈ میں آرکیٹیکٹنگ اور اسکیل ایبل، لچکدار اور پرفارمنس ورک بوجھ بنانے کا کافی تجربہ ہے۔ کام سے باہر، وہ اپنے خاندان کے ساتھ وقت گزارنے میں لطف اندوز ہوتا 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۔ 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۔
• ماخذ: https://aws.amazon.com/blogs/machine-learning/boosting-developer-productivity-how-deloitte-uses-amazon-sagemaker-canvas-for-no-code-low-code-machine-learning/