ایمیزون سیج میکر پائپ لائنز کا استعمال کرتے ہوئے کمپیوٹر ویژن سکن لیزن کلاسیفائر کے لیے حل تیار کریں۔

ایمیزون سیج میکر پائپ لائنز مشین لرننگ (ML) کے استعمال کے معاملات کے لیے ڈیزائن کردہ ایک مسلسل انضمام اور مسلسل ترسیل (CI/CD) سروس ہے۔ آپ اسے اینڈ ٹو اینڈ ایم ایل ورک فلوز بنانے، خودکار کرنے اور ان کا نظم کرنے کے لیے استعمال کر سکتے ہیں۔ یہ ML عمل کے ہر قدم کو ترتیب دینے کے چیلنج سے نمٹتا ہے، جس کے لیے وقت، محنت اور وسائل درکار ہوتے ہیں۔ اس کے استعمال کو آسان بنانے کے لیے، متعدد ٹیمپلیٹس دستیاب ہیں جنہیں آپ اپنی ضروریات کے مطابق بنا سکتے ہیں۔

مکمل طور پر منظم تصویر اور ویڈیو تجزیہ کی خدمات نے بھی کمپیوٹر وژن کے حل کو اپنانے میں تیزی لائی ہے۔ AWS پہلے سے تربیت یافتہ اور مکمل طور پر منظم AWS AI سروس پیش کرتا ہے جسے کہا جاتا ہے۔ ایمیزون پہچان۔ جسے API کالز کا استعمال کرتے ہوئے کمپیوٹر وژن ایپلی کیشنز میں ضم کیا جا سکتا ہے اور کسی ML تجربے کی ضرورت نہیں ہے۔ آپ کو صرف ایک تصویر فراہم کرنی ہوگی۔ ایمیزون پہچان API اور یہ پہلے سے طے شدہ لیبل کے مطابق مطلوبہ اشیاء کی شناخت کر سکتا ہے۔ یہ بھی ممکن ہے کہ آپ کے استعمال کے معاملے کے لیے مخصوص اپنی مرضی کے مطابق لیبل فراہم کریں اور ML مہارت کے لیے بہت کم یا بغیر کسی ضرورت کے ایک حسب ضرورت کمپیوٹر وژن ماڈل تیار کریں۔

اس پوسٹ میں، ہم کمپیوٹر وژن کے ایک مخصوص مسئلے کو حل کرتے ہیں: جلد کے زخموں کی درجہ بندی، اور موجودہ ٹیمپلیٹ کو اپنی مرضی کے مطابق بنا کر اور اسے اس کام کے مطابق بنا کر پائپ لائنز کا استعمال کریں۔ جلد کے زخموں کی درست درجہ بندی کینسر کی بیماریوں کی ابتدائی تشخیص میں مدد کر سکتی ہے۔ تاہم، طبی میدان میں یہ ایک مشکل کام ہے، کیونکہ جلد کے مختلف قسم کے زخموں میں بہت زیادہ مماثلت پائی جاتی ہے۔ پائپ لائنز ہمیں مختلف قسم کے موجودہ ماڈلز اور الگورتھم سے فائدہ اٹھانے اور کم سے کم محنت اور وقت کے ساتھ ایک اختتام سے آخر تک پیداواری پائپ لائن قائم کرنے کی اجازت دیتی ہیں۔

حل جائزہ

اس پوسٹ میں، ہم پائپ لائنز کا استعمال کرتے ہوئے ایک سرے سے آخر تک پائپ لائن بناتے ہیں تاکہ جلد کے عام روغن والے گھاووں کی ڈرماٹوسکوپک تصاویر کی درجہ بندی کی جا سکے۔ ہم استعمال کرتے ہیں ایمیزون سیج میکر اسٹوڈیو پروجیکٹ ٹیمپلیٹ ماڈلز کی تعمیر، تربیت اور تعیناتی کے لیے MLOps ٹیمپلیٹ اور درج ذیل میں کوڈ GitHub ذخیرہ. نتیجے میں فن تعمیر کو مندرجہ ذیل شکل میں دکھایا گیا ہے۔

اس پائپ لائن کے لیے، ہم HAM10000 ("10000 ٹریننگ امیجز کے ساتھ ہیومن اگینسٹ مشین") ڈیٹاسیٹ استعمال کرتے ہیں، جو 10,015 ڈرماٹوسکوپک امیجز پر مشتمل ہے۔ ہاتھ میں کام کمپیوٹر وژن کے میدان میں ایک کثیر طبقاتی درجہ بندی ہے۔ اس ڈیٹاسیٹ میں رنگین گھاووں کے دائرے میں چھ اہم ترین تشخیصی زمروں کو دکھایا گیا ہے: ایکٹینک کیراٹوسس اور انٹراپیٹیلیل کارسنوما یا بوون کی بیماری (akiecبیسل سیل کارسنوما (bcc)، سومی کیراٹوسس جیسے گھاووں (سولر لینٹائنز یا سیبوریہیک کیراٹوسس اور لائکین پلانس جیسے کیراٹوسس، bklڈرمیٹوفائبروما (dfمیلانوما (melمیلانوسائٹک نیوی (nv)، اور عروقی گھاووں (انجیوماس، انجیوکریٹوماس، پیوجینک گرینولووماس اور نکسیر، vasc).

ماڈل کے ان پٹ کی شکل کے لیے، ہم استعمال کرتے ہیں۔ RecordIO فارمیٹ یہ ایک کمپیکٹ فارمیٹ ہے جو تصویری ڈیٹا کو مسلسل پڑھنے اور اس لیے تیز تر اور زیادہ موثر تربیت کے لیے جمع کرتا ہے۔ اس کے علاوہ، HAM10000 ڈیٹاسیٹ کو استعمال کرنے کے چیلنجوں میں سے ایک طبقاتی عدم توازن ہے۔ درج ذیل جدول کلاس کی تقسیم کو واضح کرتا ہے۔

اس مسئلے کو حل کرنے کے لیے، ہم ڈیٹاسیٹ کو بے ترتیب تبدیلیوں (جیسے کراپنگ، فلپنگ، مررنگ، اور گھومنے) کا استعمال کرتے ہوئے بڑھاتے ہیں تاکہ تقریباً ایک جیسی تصاویر والی تمام کلاسز ہوں۔

یہ پری پروسیسنگ مرحلہ MXNet اور OpenCV کا استعمال کرتا ہے، اس لیے یہ پہلے سے تعمیر شدہ MXNet کنٹینر امیج کا استعمال کرتا ہے۔ باقی انحصار a کا استعمال کرتے ہوئے انسٹال کیا جاتا ہے۔ requirements.txt فائل اگر آپ اپنی مرضی کی تصویر بنانا اور استعمال کرنا چاہتے ہیں تو رجوع کریں۔ امیج بلڈنگ CI/CD پائپ لائنز کے ساتھ Amazon SageMaker پروجیکٹس بنائیں.

تربیتی مرحلے کے لیے، ہم تصویر کی درجہ بندی کے لیے SageMaker بلٹ ان Scikit Docker امیج سے دستیاب تخمینہ کار کا استعمال کرتے ہیں اور پیرامیٹرز کو مندرجہ ذیل ترتیب دیتے ہیں:

hyperparameters = {
        "num_layers": 18,
        "use_pretrained_model": 1,
        "augmentation_type": 'crop_color_transform',
        "image_shape": '3,224,224', 
        "num_classes": 7,
        "num_training_samples": 29311, 
        "mini_batch_size": 8,
        "epochs": 5, 
        "learning_rate": 0.00001,
        "precision_dtype": 'float32'
    }

    estimator_config = {
        "hyperparameters": hyperparameters,
        "image_uri": training_image,
        "role": role,
        "instance_count": 1,
        "instance_type": "ml.p3.2xlarge",
        "volume_size": 100,
        "max_run": 360000,
        "output_path": "s3://{bucket}/{base_job_prefix}/training_jobs",
    }
    
    image_classifier = sagemaker.estimator.Estimator(**estimator_config)

کنٹینر کی تصویر کے بارے میں مزید تفصیلات کے لیے، ملاحظہ کریں۔ تصویری درجہ بندی الگورتھم.

ایک اسٹوڈیو پروجیکٹ بنائیں

اسٹوڈیو کو ترتیب دینے کے بارے میں تفصیلی ہدایات کے لیے، ملاحظہ کریں۔ فوری سیٹ اپ کا استعمال کرتے ہوئے ایمیزون سیج میکر ڈومین پر آن بورڈ. اپنا پروجیکٹ بنانے کے لیے، درج ذیل مراحل کو مکمل کریں:

1. اسٹوڈیو میں، منتخب کریں۔ منصوبوں کی تفصیل پر مینو سیج میکر کے وسائل مینو.
   
   پروجیکٹس کے صفحے پر، آپ پہلے سے تشکیل شدہ SageMaker MLOps ٹیمپلیٹ لانچ کر سکتے ہیں۔
2. میں سے انتخاب کریں ماڈل کی تعمیر، تربیت، اور تعیناتی کے لیے MLOps ٹیمپلیٹ.
3. میں سے انتخاب کریں پروجیکٹ ٹیمپلیٹ کو منتخب کریں۔.
   
4. پروجیکٹ کا نام اور مختصر تفصیل درج کریں۔
5. میں سے انتخاب کریں منصوبے بنائیں.

پروجیکٹ کو بننے میں چند منٹ لگتے ہیں۔

ڈیٹاسیٹ تیار کریں۔

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

1. کو دیکھیے ہارورڈ ڈیٹا ورس.
2. میں سے انتخاب کریں ڈیٹا سیٹ تک رسائی حاصل کریں۔، اور لائسنس کا جائزہ لیں Creative Commons Attribution-Non Commercial 4.0 International Public License.
3. اگر آپ لائسنس قبول کرتے ہیں، تو منتخب کریں۔ اصل فارمیٹ زپ اور ZIP فائل ڈاؤن لوڈ کریں۔
4. بنائیں ایک ایمیزون سادہ اسٹوریج سروس (ایمیزون S3) بالٹی اور اس سے شروع ہونے والا نام منتخب کریں۔ sagemaker (یہ سیج میکر کو بغیر کسی اضافی اجازت کے بالٹی تک رسائی کی اجازت دیتا ہے)۔
5. آپ سیکیورٹی کے بہترین طریقوں کے لیے رسائی لاگنگ اور انکرپشن کو فعال کر سکتے ہیں۔
6. اپ لوڈ کریں dataverse_files.zip بالٹی تک
7. بعد میں استعمال کے لیے S3 بالٹی پاتھ کو محفوظ کریں۔
8. جس بالٹی میں آپ نے ڈیٹا محفوظ کیا ہے اس کے نام اور بعد میں استعمال کرنے کے لیے کسی بھی فولڈر کے نام نوٹ کریں۔

ڈیٹا پری پروسیسنگ کی تیاری کریں۔

چونکہ ہم اپنے پری پروسیسنگ مرحلے میں MXNet اور OpenCV استعمال کر رہے ہیں، اس لیے ہم پہلے سے تیار کردہ MXNet Docker امیج استعمال کرتے ہیں اور بقیہ انحصار کو انسٹال کرتے ہیں۔ requirements.txt فائل ایسا کرنے کے لیے، آپ کو اسے کاپی کرکے نیچے چسپاں کرنا ہوگا۔ pipelines/skin میں sagemaker--modelbuild ذخیرہ اس کے علاوہ، شامل کریں MANIFEST.in فائل اسی سطح پر setup.py, Python کو شامل کرنے کے لیے بتانا requirements.txt فائل کے بارے میں مزید معلومات کے لیے MANIFEST.in، کا حوالہ دیتے ہیں MANIFEST.in کے ساتھ ماخذ کی تقسیم میں فائلوں کو شامل کرنا. دونوں فائلیں میں مل سکتی ہیں۔ GitHub ذخیرہ.

پائپ لائن ٹیمپلیٹ کو تبدیل کریں۔

پائپ لائنز ٹیمپلیٹ کو اپ ڈیٹ کرنے کے لیے، درج ذیل مراحل کو مکمل کریں:

1. پہلے سے طے شدہ بالٹی کے اندر ایک فولڈر بنائیں۔
2. یقینی بنائیں کہ اسٹوڈیو ایگزیکیوشن رول کو ڈیفالٹ بالٹی کے ساتھ ساتھ ڈیٹاسیٹ پر مشتمل بالٹی تک رسائی حاصل ہے۔
3. پروجیکٹس کی فہرست میں سے، وہ منتخب کریں جو آپ نے ابھی بنایا ہے۔
4. پر ذخیرہ ٹیب، مقامی طور پر کلون کرنے کے لیے ہائپر لنکس کا انتخاب کریں۔ AWS CodeCommit آپ کے مقامی اسٹوڈیو مثال کے ذخیرے۔
   
5. پر تشریف لے جائیں pipelines کے اندر ڈائریکٹری sagemaker--modelbuild ڈائریکٹری اور نام تبدیل کریں۔ abalone ڈائریکٹری skin.
6. کھولو codebuild-buildspec.yml میں دائر sagemaker--modelbuild ڈائرکٹری بنائیں اور رن پائپ لائن کے راستے میں ترمیم کریں۔ run-pipeline —module-name pipelines.abalone.pipeline (لائن 15) درج ذیل تک:

   run-pipeline --module-name pipelines.skin.pipeline 

7. فائل کو محفوظ کریں.
8. فائلوں کو تبدیل کریں۔ pipelines.py, preprocess.py، اور ایvaluate.py سے فائلوں کے ساتھ پائپ لائنز ڈائرکٹری میں GitHub ذخیرہ.
   
9. اپ ڈیٹ کریں preprocess.py فائل (لائنز 183-186) S3 مقام کے ساتھ (SKIN_CANCER_BUCKET) اور فولڈر کا نام (SKIN_CANCER_BUCKET_PATH) جہاں آپ نے اپ لوڈ کیا ہے۔ dataverse_files.zip محفوظ شدہ دستاویزات:
   1. skin_cancer_bucket=””
   2. skin_cancer_bucket_path=””
   3. skin_cancer_files=””
   4. skin_cancer_files_ext=””

پچھلی مثال میں، ڈیٹاسیٹ کے تحت ذخیرہ کیا جائے گا۔ s3://monai-bucket-skin-cancer/skin_cancer_bucket_prefix/dataverse_files.zip.

پائپ لائن چلانے کو متحرک کریں۔

CodeCommit ریپوزٹری (اسٹوڈیو سورس کنٹرول ٹیب پر کی گئی) میں پرعزم تبدیلیوں کو آگے بڑھانا ایک نئی پائپ لائن کو متحرک کرتا ہے، کیونکہ ایک ایمیزون ایونٹ برج کمٹ کے لیے ایونٹ مانیٹر۔ ہم سیج میکر پروجیکٹ کے اندر پائپ لائن کا انتخاب کرکے رن کی نگرانی کرسکتے ہیں۔ مندرجہ ذیل اسکرین شاٹ ایک پائپ لائن کی مثال دکھاتا ہے جو کامیابی سے چلی ہے۔

1. تبدیلیاں کرنے کے لیے، بائیں پین پر گٹ سیکشن پر جائیں۔
2. تمام متعلقہ تبدیلیوں کو اسٹیج کریں۔ آپ کو ٹریک رکھنے کی ضرورت نہیں ہے۔ -checkpoint فائل آپ اس میں ایک اندراج شامل کرسکتے ہیں۔ .gitignore فائل کے ساتھ *checkpoint.* ان کو نظر انداز کرنے کے لئے.
3. ایک خلاصہ کے ساتھ ساتھ اپنا نام اور ایک ای میل پتہ فراہم کرکے تبدیلیوں کا ارتکاب کریں۔
4. تبدیلیوں کو آگے بڑھائیں۔
5. پروجیکٹ پر واپس جائیں اور منتخب کریں۔ پائپ لائنز سیکشن پر ایک اقتصادی کینڈر سکین کر لیں۔
6. اگر آپ پائپ لائنوں کا انتخاب کرتے ہیں، تو پائپ لائن کے مراحل ظاہر ہوتے ہیں۔
   یہ آپ کو اس قدم کی نگرانی کرنے کی اجازت دیتا ہے جو فی الحال چل رہا ہے۔ پائپ لائن کو ظاہر ہونے میں چند منٹ لگ سکتے ہیں۔ پائپ لائن کے چلنے کے لیے، CI/CD میں بیان کردہ اقدامات codebuild-buildspec.yml کامیابی سے چلنا ہے. ان اقدامات کی حیثیت کو چیک کرنے کے لیے، آپ استعمال کر سکتے ہیں۔ AWS کوڈ بلڈ۔. مزید معلومات کے لیے رجوع کریں۔ AWS CodeBuild (AMS SSPS).
7. پائپ لائن مکمل ہونے پر، پراجیکٹ کے صفحہ پر واپس جائیں اور منتخب کریں۔ ماڈل گروپس ماڈل نمونے کے ساتھ منسلک میٹا ڈیٹا کا معائنہ کرنے کے لیے ٹیب۔
8. اگر سب کچھ اچھا لگ رہا ہے، تو منتخب کریں اپ ڈیٹ کی حیثیت ٹیب اور دستی طور پر ماڈل کو منظور کریں۔ پہلے سے طے شدہ ModelApprovalStatus کرنے کے لئے مقرر کیا گیا ہے PendingManualApproval. اگر ہمارے ماڈل میں 60% سے زیادہ درستگی ہے، تو اسے ماڈل رجسٹری میں شامل کر دیا جاتا ہے، لیکن دستی منظوری کے مکمل ہونے تک اسے تعینات نہیں کیا جاتا ہے۔
9. پر تشریف لے جائیں اختتامی نکات SageMaker کنسول پر صفحہ، جہاں آپ دیکھ سکتے ہیں کہ اسٹیجنگ اینڈ پوائنٹ بنتا ہے۔ چند منٹوں کے بعد، اختتامی نقطہ درج کیا جاتا ہے InService حیثیت.
10. اختتامی نقطہ کو پیداوار میں تعینات کرنے کے لیے، پر CodePipeline کنسول، منتخب کریں sagemaker--modeldeploy پائپ لائن جو اس وقت جاری ہے۔
11. کے اختتام پر DeployStaging مرحلہ، آپ کو دستی طور پر تعیناتی کو منظور کرنے کی ضرورت ہے۔

اس قدم کے بعد، آپ SageMaker پر پروڈکشن اینڈ پوائنٹ کو تعینات ہوتے دیکھ سکتے ہیں۔ اختتامی نکات صفحہ تھوڑی دیر کے بعد، نقطہ اختتام کے طور پر ظاہر ہوتا ہے InService.

صاف کرو

آپ سیج میکر پروجیکٹ کے ذریعہ بنائے گئے تمام وسائل کو آسانی سے صاف کرسکتے ہیں۔

1. اسٹوڈیو میں نیویگیشن پین میں، منتخب کریں۔ سیج میکر کے وسائل.
2. میں سے انتخاب کریں منصوبوں کی تفصیل ڈراپ ڈاؤن مینو سے اور اپنا پروجیکٹ منتخب کریں۔
3. پر عوامل مینو، منتخب کریں خارج کر دیں تمام متعلقہ وسائل کو حذف کرنے کے لیے۔

نتائج اور اگلے اقدامات

ہم نے HAM10000 ڈیٹاسیٹ پر بلٹ ان ماڈل کا استعمال کرتے ہوئے جلد کے زخموں کی درجہ بندی کے لیے ایک اختتام سے آخر تک MLOps فریم ورک بنانے کے لیے پائپ لائنز کا کامیابی سے استعمال کیا۔ ذخیرہ میں فراہم کردہ پیرامیٹرز کے لیے، ہم نے ٹیسٹ سیٹ پر درج ذیل نتائج حاصل کیے ہیں۔

آپ ماڈل کی کارکردگی کو بہتر بنانے کے لیے اس کے ہائپر پیرامیٹر کو ٹھیک کر کے، ڈیٹا بڑھانے کے لیے مزید تبدیلیاں شامل کر کے، یا دیگر طریقوں، جیسے کہ مصنوعی اقلیتی اوور سیمپلنگ تکنیک (SMOTE) یا جنریٹو ایڈورسریل نیٹ ورکس (GANs) کا استعمال کر کے مزید کام کر سکتے ہیں۔ مزید برآں، آپ بلٹ ان SageMaker Docker امیجز کا استعمال کر کے یا SageMaker پر کام کرنے کے لیے اپنے کنٹینر کو ڈھال کر تربیت کے لیے اپنا ماڈل یا الگورتھم استعمال کر سکتے ہیں۔ مزید تفصیلات کے لیے رجوع کریں۔ سیج میکر کے ساتھ ڈوکر کنٹینرز کا استعمال.

آپ اپنی پائپ لائن میں اضافی خصوصیات بھی شامل کر سکتے ہیں۔ اگر آپ نگرانی کو شامل کرنا چاہتے ہیں، تو آپ منتخب کر سکتے ہیں۔ ماڈل کی تعمیر، تربیت، تعیناتی اور نگرانی کے لیے MLOps ٹیمپلیٹ SageMaker پروجیکٹ بناتے وقت ٹیمپلیٹ۔ نتیجے میں فن تعمیر میں ایک اضافی نگرانی کا مرحلہ ہے۔ یا اگر آپ کے پاس موجودہ تھرڈ پارٹی گٹ ریپوزٹری ہے، تو آپ اسے منتخب کرکے استعمال کرسکتے ہیں۔ جینکنز کا استعمال کرتے ہوئے تھرڈ پارٹی گٹ ریپوزٹریز کے ساتھ ماڈل بنانے، تربیت، اور تعیناتی کے لیے MLOps ٹیمپلیٹ پروجیکٹ اور ماڈل بلڈنگ اور ماڈل ڈیپوزٹری دونوں کے لیے معلومات فراہم کرنا۔ یہ آپ کو کسی بھی موجودہ کوڈ کو استعمال کرنے کی اجازت دیتا ہے اور SageMaker اور Git کے درمیان انضمام پر کسی بھی وقت یا کوشش کو بچاتا ہے۔ تاہم، اس اختیار کے لیے، a AWS CodeStar کنکشن کی ضرورت ہے.

نتیجہ

اس پوسٹ میں، ہم نے دکھایا کہ اسٹوڈیو اور خودکار پائپ لائنز کا استعمال کرتے ہوئے اینڈ ٹو اینڈ ایم ایل ورک فلو کیسے بنایا جائے۔ ورک فلو میں ڈیٹاسیٹ حاصل کرنا، اسے ML ماڈل کے لیے قابل رسائی جگہ پر اسٹور کرنا، پری پروسیسنگ کے لیے کنٹینر کی تصویر کو ترتیب دینا، پھر ایسی تصویر کو ایڈجسٹ کرنے کے لیے بوائلر پلیٹ کوڈ میں ترمیم کرنا شامل ہے۔ پھر ہم نے دکھایا کہ پائپ لائن کو کیسے ٹرگر کرنا ہے، پائپ لائن کن مراحل کی پیروی کرتی ہے، اور وہ کیسے کام کرتی ہیں۔ ہم نے اس بات پر بھی تبادلہ خیال کیا کہ ماڈل کی کارکردگی کی نگرانی کیسے کی جائے اور ماڈل کو اختتامی نقطہ پر کیسے تعینات کیا جائے۔

ہم نے ان میں سے زیادہ تر کاموں کو اسٹوڈیو کے اندر انجام دیا، جو ایک ہمہ جہت ML IDE کے طور پر کام کرتا ہے، اور ایسے ماڈلز کی ترقی اور تعیناتی کو تیز کرتا ہے۔

یہ حل جلد کی درجہ بندی کے کام کا پابند نہیں ہے۔ آپ SageMaker کے بلٹ ان الگورتھم یا پہلے سے تربیت یافتہ ماڈلز کا استعمال کرتے ہوئے اسے کسی بھی درجہ بندی یا ریگریشن ٹاسک تک بڑھا سکتے ہیں۔

مصنفین کے بارے میں

مریم کھتری AWS Professional Services Globals میں AI/ML کنسلٹنٹ ہے اور ہیلتھ کیئر اینڈ لائف سائنس (HCLS) ٹیم کا حصہ ہے۔ وہ مختلف مسائل کے لیے ML حل بنانے کے لیے پرجوش ہے اور ہمیشہ نئے مواقع اور اقدامات پر کودنے کے لیے بے چین رہتی ہے۔ وہ جرمنی کے شہر میونخ میں رہتی ہے اور دنیا کے دوسرے حصوں میں گھومنے اور دریافت کرنے کی خواہشمند ہے۔

یاسین غفوری۔ AWS میں پروفیشنل سروسز کے اندر ایک AI/ML کنسلٹنٹ ہے۔ وہ عالمی کاروباری صارفین کو اپنے کاروباری چیلنجوں پر قابو پانے کے لیے کلاؤڈ میں AI/ML سلوشنز بنانے اور تعینات کرنے کے قابل بناتا ہے۔ اپنے فارغ وقت میں، وہ کھیل کود دیکھنے اور دنیا بھر میں گھومنے پھرنے سے لطف اندوز ہوتا ہے۔

Fotinos Kyriakides AWS میں پیشہ ورانہ خدمات کے اندر ایک AI/ML انجینئر ہے۔ وہ صارفین کو قدر فراہم کرنے اور کاروباری نتائج حاصل کرنے کے لیے ٹیکنالوجی کے استعمال کے بارے میں پرجوش ہے۔ لندن میں بیس، اپنے فارغ وقت میں وہ دوڑنے اور تلاش کرنے سے لطف اندوز ہوتا ہے۔

انا زاپیشچیکووا AI/ML میں ProServe کنسلٹنٹ اور Amazon Healthcare TFC کا ممبر تھا۔ وہ ٹیکنالوجی اور صحت کی دیکھ بھال پر اس کے اثرات کے بارے میں پرجوش ہے۔ اس کا پس منظر متعدد ڈومینز جیسے انشورنس، آٹوموٹو، اور صحت کی دیکھ بھال میں صارفین کے مسائل کے لیے MLOps اور AI سے چلنے والے حل تیار کرنے میں ہے۔