بغیر کوڈ کے Amazon SageMaker پر رسک مینجمنٹ مشین لرننگ ورک فلو بنائیں

عالمی مالیاتی بحران کے بعد سے، خطرے کے انتظام نے بینکوں کے لیے فیصلہ سازی کی تشکیل میں اہم کردار ادا کیا ہے، بشمول ممکنہ صارفین کے لیے قرض کی حیثیت کی پیش گوئی کرنا۔ یہ اکثر ڈیٹا پر مبنی مشق ہوتی ہے جس کے لیے مشین لرننگ (ML) کی ضرورت ہوتی ہے۔ تاہم، تمام تنظیموں کے پاس رسک مینجمنٹ ایم ایل ورک فلو بنانے کے لیے ڈیٹا سائنس کے وسائل اور مہارت نہیں ہے۔

ایمیزون سیج میکر ایک مکمل طور پر منظم ML پلیٹ فارم ہے جو ڈیٹا انجینئرز اور کاروباری تجزیہ کاروں کو ML ماڈلز کو تیزی سے اور آسانی سے بنانے، تربیت دینے اور تعینات کرنے کی اجازت دیتا ہے۔ ڈیٹا انجینئرز اور کاروباری تجزیہ کار SageMaker کی no-code/low-code صلاحیتوں کا استعمال کرتے ہوئے تعاون کر سکتے ہیں۔ ڈیٹا انجینئر استعمال کر سکتے ہیں۔ ایمیزون سیج میکر ڈیٹا رینگلر کوڈ لکھے بغیر ماڈل بلڈنگ کے لیے ڈیٹا کو تیزی سے اکٹھا کرنے اور تیار کرنے کے لیے۔ پھر کاروباری تجزیہ کار بصری پوائنٹ اور کلک انٹرفیس کا استعمال کرسکتے ہیں۔ ایمیزون سیج میکر کینوس اپنے طور پر درست ML پیشن گوئیاں پیدا کرنے کے لیے۔

اس پوسٹ میں، ہم دکھاتے ہیں کہ ڈیٹا انجینئرز اور کاروباری تجزیہ کاروں کے لیے کوڈ لکھے بغیر ڈیٹا کی تیاری، ماڈل کی تعمیر، اور اندازہ پر مشتمل ML ورک فلو بنانے میں تعاون کرنا کتنا آسان ہے۔

حل جائزہ

اگرچہ ML ڈویلپمنٹ ایک پیچیدہ اور تکراری عمل ہے، لیکن آپ ڈیٹا کی تیاری، ماڈل کی ترقی، اور ماڈل کی تعیناتی کے مراحل میں ML ورک فلو کو عام کر سکتے ہیں۔

ڈیٹا رینگلر اور کینوس ڈیٹا کی تیاری اور ماڈل ڈیولپمنٹ کی پیچیدگیوں کا خلاصہ کرتے ہیں، اس لیے آپ کوڈ ڈیولپمنٹ میں ماہر ہونے کے بغیر اپنے ڈیٹا سے بصیرت حاصل کر کے اپنے کاروبار کو قدر کی فراہمی پر توجہ مرکوز کر سکتے ہیں۔ درج ذیل آرکیٹیکچر ڈایاگرام بغیر کوڈ/لو کوڈ کے حل میں اجزاء کو نمایاں کرتا ہے۔

ایمیزون سادہ اسٹوریج سروس (Amazon S3) خام ڈیٹا، انجینئرڈ ڈیٹا، اور نمونے کے نمونے کے لیے ہمارے ڈیٹا ریپوزٹری کے طور پر کام کرتا ہے۔ آپ ڈیٹا درآمد کرنے کا انتخاب بھی کر سکتے ہیں۔ ایمیزون ریڈ شفٹ, ایمیزون ایتینا، ڈیٹابرکس، اور سنو فلیک۔

ڈیٹا سائنسدانوں کے طور پر، ہم پھر ڈیٹا رینگلر کو تلاشی ڈیٹا کے تجزیہ اور فیچر انجینئرنگ کے لیے استعمال کرتے ہیں۔ اگرچہ کینوس فیچر انجینئرنگ کے کام چلا سکتا ہے، فیچر انجینئرنگ کو عام طور پر ماڈل کی ترقی کے لیے ڈیٹاسیٹ کو صحیح شکل میں افزودہ کرنے کے لیے کچھ شماریاتی اور ڈومین علم کی ضرورت ہوتی ہے۔ لہذا، ہم ڈیٹا انجینئرز کو یہ ذمہ داری دیتے ہیں تاکہ وہ ڈیٹا رینگلر کے ساتھ کوڈ لکھے بغیر ڈیٹا کو تبدیل کر سکیں۔

ڈیٹا کی تیاری کے بعد، ہم ڈیٹا تجزیہ کاروں کو ماڈل بنانے کی ذمہ داریاں سونپتے ہیں، جو کسی کوڈ کو لکھے بغیر کسی ماڈل کو تربیت دینے کے لیے کینوس کا استعمال کر سکتے ہیں۔

آخر میں، ہم خود ماڈل اینڈ پوائنٹس کو تعینات کیے بغیر نتیجے میں آنے والے ماڈل سے براہ راست کینوس میں سنگل اور بیچ کی پیشین گوئیاں کرتے ہیں۔

ڈیٹا سیٹ کا جائزہ

ہم SageMaker کی خصوصیات کا استعمال کرتے ہوئے قرض کی حیثیت کا اندازہ لگانے کے لیے Lending Club کے ترمیم شدہ ورژن کا استعمال کرتے ہیں۔ عوامی طور پر دستیاب قرض کے تجزیہ کا ڈیٹاسیٹ. ڈیٹاسیٹ میں 2007-2011 تک جاری کردہ قرضوں کے لیے قرض کا ڈیٹا شامل ہے۔ قرض اور قرض لینے والے کو بیان کرنے والے کالم ہماری خصوصیات ہیں۔ کالم لون_سٹیٹس ہدف متغیر ہے، جس کی ہم پیشین گوئی کرنے کی کوشش کر رہے ہیں۔

ڈیٹا رینگلر میں ظاہر کرنے کے لیے، ہم ڈیٹاسیٹ کو دو CSV فائلوں میں تقسیم کرتے ہیں: پہلا حصہ اور دوسرا حصہ. ہم نے ڈیمو کو آسان بنانے کے لیے Lending Club کے اصل ڈیٹاسیٹ سے کچھ کالم ہٹا دیے ہیں۔ ہمارے ڈیٹاسیٹ میں 37,000 سے زیادہ قطاریں اور 21 فیچر کالم ہیں، جیسا کہ درج ذیل جدول میں بیان کیا گیا ہے۔

کالم کا نام	Description
loan_status	قرض کی موجودہ حیثیت (ٹارگٹ متغیر)۔
loan_amount	قرض لینے والے کی طرف سے درخواست کردہ قرض کی درج رقم۔ اگر کریڈٹ ڈیپارٹمنٹ قرض کی رقم کو کم کرتا ہے، تو یہ اس قدر میں ظاہر ہوتا ہے۔
funded_amount_by_investors	اس وقت اس قرض کے لیے سرمایہ کاروں کی طرف سے دی گئی کل رقم۔
term	قرض پر ادائیگیوں کی تعداد۔ اقدار مہینوں میں ہیں اور 36 یا 60 ہو سکتی ہیں۔
interest_rate	قرض پر سود کی شرح۔
installment	قرض لینے والے کی طرف سے واجب الادا ماہانہ ادائیگی اگر قرض کی ابتدا ہوتی ہے۔
grade	ایل سی نے قرض کا درجہ دیا ہے۔
sub_grade	LC نے قرض کا ذیلی گریڈ تفویض کیا۔
employment_length	سالوں میں ملازمت کی لمبائی۔ ممکنہ قدریں 0-10 کے درمیان ہیں، جہاں 0 کا مطلب ایک سال سے کم اور 10 کا مطلب ہے دس یا زیادہ سال۔
home_ownership	رجسٹریشن کے دوران قرض لینے والے کی طرف سے فراہم کردہ گھر کی ملکیت کی حیثیت۔ ہماری اقدار کرایہ، خود، رہن، اور دیگر ہیں۔
annual_income	رجسٹریشن کے دوران قرض لینے والے کی طرف سے فراہم کردہ خود رپورٹ شدہ سالانہ آمدنی۔
verification_status	یہ بتاتا ہے کہ آیا LC کے ذریعے آمدنی کی تصدیق کی گئی تھی یا نہیں۔
issued_amount	وہ مہینہ جس میں قرض کی رقم فراہم کی گئی تھی۔
purpose	قرض کی درخواست کے لیے قرض لینے والے کی طرف سے فراہم کردہ ایک زمرہ۔
dti	قرض لینے والے کی کل قرض کی ذمہ داریوں پر قرض لینے والے کے کل ماہانہ قرض کی ادائیگیوں کا استعمال کرتے ہوئے حساب کیا جاتا ہے، رہن اور درخواست کردہ LC قرض کو چھوڑ کر، قرض لینے والے کی خود رپورٹ شدہ ماہانہ آمدنی سے تقسیم کیا جاتا ہے۔
earliest_credit_line	وہ مہینہ جس میں قرض لینے والے کی ابتدائی اطلاع دی گئی کریڈٹ لائن کھولی گئی تھی۔
inquiries_last_6_months	پچھلے 6 مہینوں میں پوچھ گچھ کی تعداد (آٹو اور رہن کی پوچھ گچھ کو چھوڑ کر)۔
open_credit_lines	قرض لینے والے کی کریڈٹ فائل میں کھلی کریڈٹ لائنوں کی تعداد۔
derogatory_public_records	توہین آمیز عوامی ریکارڈز کی تعداد۔
revolving_line_utilization_rate	گھومنے والی لائن کے استعمال کی شرح، یا قرض لینے والے کریڈٹ کی مقدار جو تمام دستیاب گھومنے والے کریڈٹ کے مقابلے میں استعمال کر رہا ہے۔
total_credit_lines	قرض لینے والے کی کریڈٹ فائل میں فی الحال کریڈٹ لائنوں کی کل تعداد۔

ہم اس ڈیٹاسیٹ کو اپنی ڈیٹا کی تیاری اور ماڈل ٹریننگ کے لیے استعمال کرتے ہیں۔

شرائط

درج ذیل ضروری مراحل کو مکمل کریں:

1. قرض کی دونوں فائلیں اپ لوڈ کریں۔ اپنی پسند کی S3 بالٹی میں۔
2. یقینی بنائیں کہ آپ کے پاس ضروری اجازتیں ہیں۔ مزید معلومات کے لیے رجوع کریں۔ ڈیٹا رینگلر کے ساتھ شروعات کریں۔.
3. ڈیٹا رینگلر استعمال کرنے کے لیے کنفیگر کردہ SageMaker ڈومین سیٹ اپ کریں۔ ہدایات کے لیے رجوع کریں۔ ایمیزون سیج میکر ڈومین پر آن بورڈ.

ڈیٹا درآمد کریں۔

ایک نیا ڈیٹا رینگلر ڈیٹا فلو بنائیں سے ایمیزون سیج میکر اسٹوڈیو UI.

S3 بالٹی جہاں آپ نے اپنا ڈیٹا سیٹ رکھا تھا وہاں سے CSV فائلوں کو منتخب کر کے Amazon S3 سے ڈیٹا درآمد کریں۔ دونوں فائلوں کو درآمد کرنے کے بعد، آپ میں دو الگ الگ ورک فلوز دیکھ سکتے ہیں۔ ڈیٹا کے بہاؤ ملاحظہ کریں

ڈیٹا رینگلر فلو میں اپنا ڈیٹا درآمد کرتے وقت آپ نمونے لینے کے کئی اختیارات منتخب کر سکتے ہیں۔ نمونے لینے سے مدد مل سکتی ہے جب آپ کے پاس ڈیٹا سیٹ بہت بڑا ہے جو انٹرایکٹو طریقے سے تیار کرنے کے لیے بہت بڑا ہے، یا جب آپ اپنے نمونے کے ڈیٹا سیٹ میں نایاب واقعات کے تناسب کو محفوظ رکھنا چاہتے ہیں۔ چونکہ ہمارا ڈیٹا سیٹ چھوٹا ہے، ہم نمونے لینے کا استعمال نہیں کرتے ہیں۔

ڈیٹا تیار کریں۔

ہمارے استعمال کے معاملے کے لیے، ہمارے پاس ایک مشترکہ کالم کے ساتھ دو ڈیٹاسیٹس ہیں: id. ڈیٹا کی تیاری کے پہلے قدم کے طور پر، ہم ان فائلوں کو جوائن کر کے ان کو یکجا کرنا چاہتے ہیں۔ ہدایات کے لیے رجوع کریں۔ ڈیٹا کو تبدیل کریں۔.

ہم استعمال کرتے ہیں شامل ہوں ڈیٹا کی تبدیلی کا مرحلہ اور استعمال کریں۔ اندرونی پر جوائن ٹائپ کریں۔ id کالم.

ہماری شمولیت کی تبدیلی کے نتیجے میں، ڈیٹا رینگلر دو اضافی کالم بناتا ہے: id_0 اور id_1. تاہم، یہ کالم ہمارے ماڈل کی تعمیر کے مقاصد کے لیے غیر ضروری ہیں۔ ہم ان بے کار کالموں کو استعمال کرتے ہوئے چھوڑتے ہیں۔ کالموں کا نظم کریں۔ قدم کو تبدیل کریں.

ہم نے اپنے ڈیٹا سیٹس کو درآمد کیا ہے، ان میں شمولیت اختیار کی ہے، اور غیر ضروری کالموں کو ہٹا دیا ہے۔ اب ہم فیچر انجینئرنگ کے ذریعے اپنے ڈیٹا کو بہتر بنانے اور ماڈل بنانے کے لیے تیار ہیں۔

فیچر انجینئرنگ انجام دیں۔

ہم نے ڈیٹا کی تیاری کے لیے ڈیٹا رینگلر کا استعمال کیا۔ آپ بھی استعمال کر سکتے ہیں۔ ڈیٹا کوالٹی اور بصیرت کی رپورٹ کی خصوصیت ڈیٹا رینگلر کے اندر آپ کے ڈیٹا کے معیار کی تصدیق کرنے اور آپ کے ڈیٹا میں اسامانیتاوں کا پتہ لگانے کے لیے۔ ڈیٹا سائنسدانوں کو اکثر انجینئرنگ کی خصوصیات میں صحیح ڈومین علم کو مؤثر طریقے سے لاگو کرنے کے لیے ان ڈیٹا بصیرت کو استعمال کرنے کی ضرورت ہوتی ہے۔ اس پوسٹ کے لیے، ہم فرض کرتے ہیں کہ ہم نے معیار کے یہ جائزے مکمل کر لیے ہیں اور فیچر انجینئرنگ کی طرف بڑھ سکتے ہیں۔

اس مرحلے میں، ہم عددی، کلیدی اور متنی کالموں میں چند تبدیلیوں کا اطلاق کرتے ہیں۔

ہم سب سے پہلے شرح سود کو معمول پر لاتے ہیں تاکہ قدروں کو 0-1 کے درمیان پیمانہ کیا جا سکے۔ ہم یہ استعمال کرتے ہوئے کرتے ہیں۔ عمل عددی پیمانے پر تبدیل کریں۔ interest_rate کم از کم اسکیلر کا استعمال کرتے ہوئے کالم۔ نارملائزیشن (یا سٹینڈرڈائزیشن) کا مقصد ہمارے ماڈل سے تعصب کو ختم کرنا ہے۔ متغیرات جو مختلف پیمانے پر ماپا جاتا ہے ماڈل سیکھنے کے عمل میں یکساں طور پر حصہ نہیں ڈالیں گے۔ لہذا، ایک ٹرانسفارمیشن فنکشن جیسے کم از کم اسکیلر ٹرانسفارم خصوصیات کو معمول پر لانے میں مدد کرتا ہے۔

زمرہ کے متغیر کو عددی قدر میں تبدیل کرنے کے لیے، ہم ایک گرم انکوڈنگ کا استعمال کرتے ہیں۔ ہم منتخب کرتے ہیں واضح انکوڈ کریں۔ تبدیل کریں، پھر منتخب کریں۔ ایک گرم انکوڈ. ایک گرم انکوڈنگ ایم ایل ماڈل کی پیشین گوئی کی صلاحیت کو بہتر بناتی ہے۔ یہ عمل خصوصیت کو 1 یا 0 کی بائنری ویلیو تفویض کرکے ایک واضح قدر کو ایک نئی خصوصیت میں تبدیل کرتا ہے۔ ایک سادہ مثال کے طور پر، اگر آپ کے پاس ایک کالم تھا جس میں یا تو قدر ہوتی ہے۔ yes or no، ایک گرم انکوڈنگ اس کالم کو دو کالموں میں بدل دے گی: a Yes کالم اور a No کالم ہاں کی قدر میں 1 ہوگا۔ Yes کالم اور ایک 0 میں No کالم ایک گرم انکوڈنگ ہمارے ڈیٹا کو زیادہ کارآمد بناتی ہے کیونکہ عددی قدریں ہماری پیشین گوئیوں کے امکان کا زیادہ آسانی سے تعین کر سکتی ہیں۔

آخر میں، ہم خصوصیت employer_title اپنی سٹرنگ کی اقدار کو عددی ویکٹر میں تبدیل کرنے کے لیے کالم۔ ہم لاگو کرتے ہیں کاؤنٹ ویکٹرائزر اور کے اندر ایک معیاری ٹوکنائزر ویکٹرائز تبدیل ٹوکنائزیشن کسی جملے یا متن کی سیریز کو الفاظ میں توڑ دیتا ہے، جب کہ ایک ویکٹرائزر ٹیکسٹ ڈیٹا کو مشین پڑھنے کے قابل شکل میں تبدیل کرتا ہے۔ یہ الفاظ ویکٹر کے طور پر پیش کیے جاتے ہیں۔

تمام فیچر انجینئرنگ کے مراحل مکمل ہونے کے ساتھ، ہم ڈیٹا ایکسپورٹ کر سکتے ہیں اور نتائج کو اپنی S3 بالٹی میں آؤٹ پٹ کر سکتے ہیں۔ متبادل کے طور پر، آپ اپنے فلو کو ازگر کوڈ، یا Jupyter نوٹ بک کے طور پر ایکسپورٹ کر سکتے ہیں تاکہ اپنے نظارے کے ساتھ پائپ لائن بنانے کے لیے ایمیزون سیج میکر پائپ لائنز. اس پر غور کریں جب آپ اپنے فیچر انجینئرنگ کے مراحل کو پیمانے پر یا ایم ایل پائپ لائن کے حصے کے طور پر چلانا چاہتے ہیں۔

اب ہم ڈیٹا رینگلر آؤٹ پٹ فائل کو کینوس کے لیے اپنے ان پٹ کے طور پر استعمال کر سکتے ہیں۔ ہم اپنا ML ماڈل بنانے کے لیے کینوس میں ڈیٹاسیٹ کے طور پر اس کا حوالہ دیتے ہیں۔

ہمارے معاملے میں، ہم نے اپنے تیار کردہ ڈیٹاسیٹ کو ایک کے ساتھ ڈیفالٹ اسٹوڈیو بالٹی میں ایکسپورٹ کیا۔ output سابقہ اگلے ماڈل کی تعمیر کے لیے کینوس میں ڈیٹا لوڈ کرتے وقت ہم اس ڈیٹاسیٹ کے مقام کا حوالہ دیتے ہیں۔

کینوس کے ساتھ اپنے ایم ایل ماڈل کی تعمیر اور تربیت کریں۔

سیج میکر کنسول پر، کینوس ایپلیکیشن لانچ کریں۔ پچھلے حصے میں تیار کردہ ڈیٹا سے ایم ایل ماڈل بنانے کے لیے، ہم درج ذیل اقدامات کرتے ہیں:

1. تیار کردہ ڈیٹا سیٹ کو S3 بالٹی سے کینوس میں درآمد کریں۔

ہم اسی S3 راستے کا حوالہ دیتے ہیں جہاں ہم نے پچھلے حصے سے ڈیٹا رینگلر کے نتائج برآمد کیے تھے۔

2. کینوس میں نیا ماڈل بنائیں اور اسے نام دیں۔ loan_prediction_model.
3. درآمد شدہ ڈیٹاسیٹ کو منتخب کریں اور اسے ماڈل آبجیکٹ میں شامل کریں۔

کینوس کو ماڈل بنانے کے لیے، ہمیں ٹارگٹ کالم کا انتخاب کرنا چاہیے۔

4. چونکہ ہمارا مقصد قرض دہندہ کی قرض ادا کرنے کی صلاحیت کے امکان کا اندازہ لگانا ہے، ہم اس کا انتخاب کرتے ہیں۔ loan_status کالم.

کینوس خود بخود ML مسئلہ بیان کی قسم کی شناخت کرتا ہے۔ تحریر کے وقت، کینوس رجعت، درجہ بندی، اور ٹائم سیریز کی پیشن گوئی کے مسائل کی حمایت کرتا ہے۔ آپ مسئلہ کی قسم بتا سکتے ہیں یا کینوس کو خود بخود اپنے ڈیٹا سے مسئلہ کا اندازہ لگا سکتے ہیں۔

5. ماڈل بنانے کا عمل شروع کرنے کے لیے اپنا اختیار منتخب کریں: فوری تعمیر or معیاری تعمیر.

۔ فوری تعمیر آپشن 2-15 منٹ کے اندر ماڈل کو تربیت دینے کے لیے آپ کے ڈیٹاسیٹ کا استعمال کرتا ہے۔ یہ اس وقت مفید ہوتا ہے جب آپ نئے ڈیٹاسیٹ کے ساتھ تجربہ کر رہے ہوتے ہیں تاکہ یہ تعین کیا جا سکے کہ آیا آپ کے پاس موجود ڈیٹا سیٹ پیشین گوئیاں کرنے کے لیے کافی ہو گا۔ ہم اس پوسٹ کے لیے یہ آپشن استعمال کرتے ہیں۔

۔ معیاری تعمیر آپشن رفتار سے زیادہ درستگی کا انتخاب کرتا ہے اور ماڈل کو تربیت دینے کے لیے تقریباً 250 ماڈل امیدواروں کا استعمال کرتا ہے۔ اس عمل میں عام طور پر 1-2 گھنٹے لگتے ہیں۔

ماڈل بننے کے بعد، آپ ماڈل کے نتائج کا جائزہ لے سکتے ہیں۔ کینوس کا اندازہ ہے کہ آپ کا ماڈل 82.9% وقت صحیح نتیجہ کی پیشین گوئی کرنے کے قابل ہے۔ تربیتی ماڈلز میں تغیر کی وجہ سے آپ کے اپنے نتائج مختلف ہو سکتے ہیں۔

اس کے علاوہ، آپ ماڈل کے بارے میں مزید جاننے کے لیے ماڈل کی تفصیلات کے تجزیہ میں گہرائی میں ڈوب سکتے ہیں۔

خصوصیت کی اہمیت ہدف کالم کی پیشن گوئی میں ہر خصوصیت کی تخمینہ اہمیت کی نمائندگی کرتی ہے۔ اس صورت میں، کریڈٹ لائن کالم کا یہ پیشین گوئی کرنے میں سب سے اہم اثر ہوتا ہے کہ آیا کوئی صارف قرض کی رقم واپس کرے گا، اس کے بعد شرح سود اور سالانہ آمدنی۔

میں کنفیوژن میٹرکس اعلی درجے کی میٹرکس سیکشن ان صارفین کے لیے معلومات پر مشتمل ہے جو اپنے ماڈل کی کارکردگی کی گہرائی سے سمجھنا چاہتے ہیں۔

اس سے پہلے کہ آپ اپنے ماڈل کو پروڈکشن ورک بوجھ کے لیے تعینات کر سکیں، ماڈل کو جانچنے کے لیے کینوس کا استعمال کریں۔ کینوس ہمارے ماڈل اینڈ پوائنٹ کا انتظام کرتا ہے اور ہمیں کینوس یوزر انٹرفیس میں براہ راست پیشین گوئیاں کرنے کی اجازت دیتا ہے۔

6. میں سے انتخاب کریں پیش گوئ کرنا۔ اور دونوں میں سے کسی ایک کے نتائج کا جائزہ لیں۔ بیچ کی پیشن گوئی or واحد پیشن گوئی ٹیب.

مندرجہ ذیل مثال میں، ہم اپنے ہدف متغیر کی پیشین گوئی کرنے کے لیے اقدار میں ترمیم کرکے ایک ہی پیشین گوئی کرتے ہیں۔ loan_status حقیقی وقت میں

ہم ایک بڑا ڈیٹاسیٹ بھی منتخب کر سکتے ہیں اور کینوس کو اپنی طرف سے بیچ کی پیشین گوئیاں تیار کر سکتے ہیں۔

نتیجہ

اینڈ ٹو اینڈ مشین لرننگ پیچیدہ اور تکراری ہے، اور اس میں اکثر متعدد شخصیات، ٹیکنالوجیز اور عمل شامل ہوتے ہیں۔ ڈیٹا رینگلر اور کینوس ان ٹیموں کو کوڈ لکھنے کی ضرورت کے بغیر ٹیموں کے درمیان تعاون کو فعال کرتے ہیں۔

ایک ڈیٹا انجینئر بغیر کسی کوڈ کے ڈیٹا رینگلر کا استعمال کرتے ہوئے آسانی سے ڈیٹا تیار کر سکتا ہے اور تیار کردہ ڈیٹا سیٹ کو کاروباری تجزیہ کار کو بھیج سکتا ہے۔ ایک کاروباری تجزیہ کار کینوس کا استعمال کرتے ہوئے صرف چند کلک کے ساتھ آسانی سے درست ML ماڈل بنا سکتا ہے اور حقیقی وقت میں یا بیچ میں درست پیشین گوئیاں حاصل کر سکتا ہے۔

ڈیٹا رینگلر کے ساتھ شروع کریں۔ کسی انفراسٹرکچر کا انتظام کیے بغیر ان ٹولز کا استعمال کرنا۔ آپ کر سکتے ہیں۔ کینوس قائم کریں اپنی کاروباری ضروریات کو پورا کرنے کے لیے فوری اور فوری طور پر ML ماڈل بنانا شروع کریں۔

---

مصنفین کے بارے میں

پیٹر چنگ AWS کے لیے ایک سولیوشنز آرکیٹیکٹ ہے، اور صارفین کو ان کے ڈیٹا سے بصیرت کا پتہ لگانے میں مدد کرنے کے لیے پرجوش ہے۔ وہ سرکاری اور نجی دونوں شعبوں میں ڈیٹا پر مبنی فیصلے کرنے میں تنظیموں کی مدد کے لیے حل تیار کر رہا ہے۔ اس کے پاس تمام AWS سرٹیفیکیشنز کے ساتھ ساتھ دو GCP سرٹیفیکیشن بھی ہیں۔

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

ڈین فرگوسن نیو یارک، USA میں مقیم AWS میں ایک حل آرکیٹیکٹ ہے۔ مشین لرننگ سروسز کے ماہر کے طور پر، ڈین ML ورک فلوز کو موثر، مؤثر طریقے سے اور پائیدار طریقے سے مربوط کرنے کے لیے ان کے سفر میں صارفین کی مدد کرنے کے لیے کام کرتا ہے۔

• سکے سمارٹ۔ یورپ کا بہترین بٹ کوائن اور کرپٹو ایکسچینج۔
• پلیٹو بلاک چین۔ Web3 Metaverse انٹیلی جنس۔ علم میں اضافہ۔ مفت رسائی۔
• کرپٹو ہاک۔ Altcoin ریڈار. مفت جانچ.
• ماخذ: https://aws.amazon.com/blogs/machine-learning/build-a-risk-management-machine-learning-workflow-on-amazon-sagemaker-with-no-code/