Amazon Lookout for Metrics کا استعمال کرتے ہوئے ہوا کے معیار کی بے ضابطگی کا پتہ لگانے والا بنائیں

آج، فضائی آلودگی ایک واقف ماحولیاتی مسئلہ ہے جو سانس اور دل کی شدید حالتیں پیدا کرتا ہے، جس سے صحت کو سنگین خطرات لاحق ہیں۔ تیزابی بارش، اوزون کی تہہ کی کمی اور گلوبل وارمنگ بھی فضائی آلودگی کے منفی نتائج ہیں۔ صحت کے سنگین مسائل اور انتہائی حالات میں جان لیوا حالات کو روکنے کے لیے ذہین نگرانی اور آٹومیشن کی ضرورت ہے۔ ہوا میں آلودگی کے ارتکاز کا استعمال کرتے ہوئے ہوا کے معیار کی پیمائش کی جاتی ہے۔ علامات کی جلد شناخت کرنا اور آلودگی کی سطح کو خطرناک ہونے سے پہلے کنٹرول کرنا بہت ضروری ہے۔ ہوا کے معیار اور آلودگی کے وزن میں بے ضابطگی کی نشاندہی کرنے اور اس کی بنیادی وجہ کی فوری تشخیص کرنے کا عمل مشکل، مہنگا اور غلطی کا شکار ہے۔

ڈیٹا کی بے ضابطگیوں کو تلاش کرنے کے لیے AI اور مشین لرننگ (ML) پر مبنی حلوں کو لاگو کرنے کے عمل میں ڈیٹا کو صحیح شکل میں داخل کرنے، کیوریٹنگ کرنے اور تیار کرنے میں بہت زیادہ پیچیدگیاں شامل ہوتی ہیں اور پھر طویل عرصے تک ان ML ماڈلز کی تاثیر کو بہتر بنانے اور برقرار رکھنے میں وقت یہ ایم ایل کی صلاحیتوں کو اپنانے کو تیزی سے نافذ کرنے اور اسکیل کرنے میں رکاوٹوں میں سے ایک رہا ہے۔

یہ پوسٹ آپ کو دکھاتی ہے کہ اس کے ساتھ مربوط حل کیسے استعمال کیا جائے۔ میٹرکس کے لیے ایمیزون کی تلاش اور ایمیزون کائنیسس ڈیٹا فائر ہوز سٹریمنگ ڈیٹا کو جلدی اور آسانی سے ہضم کر کے، اور بعد میں آپ کی دلچسپی کے اہم کارکردگی کے اشارے میں بے ضابطگیوں کا پتہ لگا کر ان رکاوٹوں کو توڑنا۔

Metrics کے لئے تلاش کاروبار اور آپریشنل ڈیٹا میں خود بخود بے ضابطگیوں (معمول سے باہر) کا پتہ لگاتا ہے اور ان کی تشخیص کرتا ہے۔ یہ ایک مکمل طور پر منظم ML سروس ہے جو آپ کے ڈیٹا کی خصوصیات کی بنیاد پر بے ضابطگیوں کا پتہ لگانے کے لیے خصوصی ML ماڈلز کا استعمال کرتی ہے۔ مثال کے طور پر، رجحانات اور موسمییت ٹائم سیریز میٹرکس کی دو خصوصیات ہیں جن میں حد کی بنیاد پر بے ضابطگی کا پتہ لگانا کام نہیں کرتا ہے۔ رجحانات میٹرک کی قدر میں مسلسل تغیرات (اضافہ یا کمی) ہیں۔ دوسری طرف، موسمیاتی متواتر پیٹرن ہیں جو ایک نظام میں پائے جاتے ہیں، عام طور پر ایک بیس لائن سے اوپر اٹھتے ہیں اور پھر دوبارہ کم ہوتے ہیں۔ Lookout for Metrics استعمال کرنے کے لیے آپ کو ML تجربے کی ضرورت نہیں ہے۔

ہم ہوا کے معیار کی نگرانی کے ایک عام منظر نامے کا مظاہرہ کرتے ہیں، جس میں ہم ہوا میں آلودگی کے ارتکاز میں بے ضابطگیوں کا پتہ لگاتے ہیں۔ اس پوسٹ کے اختتام تک، آپ صحت کے مسائل اور گلوبل وارمنگ کو روکنے میں مدد کے لیے AWS سے ان منظم خدمات کو استعمال کرنے کا طریقہ سیکھیں گے۔ آپ اس حل کو ماحول کے بہتر انتظام کے لیے استعمال کے دیگر معاملات میں لاگو کر سکتے ہیں، جیسے کہ پانی کے معیار، زمین کے معیار، اور بجلی کے استعمال کے پیٹرن میں بے ضابطگیوں کا پتہ لگانا، چند ایک کے نام۔

حل جائزہ

فن تعمیر تین فنکشنل بلاکس پر مشتمل ہے:

• ہوا میں کاربن مونو آکسائیڈ (CO)، سلفر ڈائی آکسائیڈ (SO2)، اور نائٹروجن ڈائی آکسائیڈ (NO2) کے ارتکاز کی سطح کو محسوس کرنے کے لیے اسٹریٹجک مقامات پر رکھے گئے وائرلیس سینسر
• سٹریمنگ ڈیٹا ادخال اور اسٹوریج
• بے ضابطگی کا پتہ لگانا اور اطلاع

یہ حل ایک مکمل طور پر خودکار ڈیٹا پاتھ فراہم کرتا ہے جس میں سینسرز سے صارف کو اطلاع بھیجے جانے تک رسائی حاصل ہوتی ہے۔ شناخت شدہ بے ضابطگیوں کا تجزیہ کرنے کے لیے آپ Lookout for Metrics UI کا استعمال کرتے ہوئے حل کے ساتھ بات چیت بھی کر سکتے ہیں۔

درج ذیل خاکہ ہمارے حل کے فن تعمیر کو واضح کرتا ہے۔

شرائط

حل کے ساتھ آگے بڑھنے سے پہلے آپ کو درج ذیل شرائط کی ضرورت ہے۔ اس پوسٹ کے لیے، ہم us-east-1 ریجن استعمال کرتے ہیں۔

1. Python اسکرپٹ ڈاؤن لوڈ کریں (publish.py) اور ڈیٹا فائل سے GitHub repo.
2. کھولو live_data.csv اپنے پسندیدہ ایڈیٹر میں فائل کریں اور تاریخوں کی جگہ آج اور کل کی تاریخ بنائیں۔ مثال کے طور پر، اگر آج کی تاریخ 8 جولائی 2022 ہے، تو بدل دیں۔ 2022-03-25 ساتھ 2022-07-08. فارمیٹ وہی رکھیں۔ IoT سمیلیٹر اسکرپٹ کا استعمال کرتے ہوئے موجودہ تاریخ کے لیے سینسر ڈیٹا کی تقلید کرنے کے لیے اس کی ضرورت ہے۔
3. بنائیں ایک ایمیزون سادہ اسٹوریج سروس (ایمیزون S3) بالٹی اور ایک فولڈر کا نام ہے۔ air-quality. اندر ایک ذیلی فولڈر بنائیں air-quality نام historical. ہدایات کے لیے، دیکھیں ایک فولڈر بنانا.
4. اپ لوڈ کریں live_data.csv روٹ S3 بالٹی میں فائل اور historical_data.json تاریخی فولڈر میں۔
5. بنائیں ایک AWS کلاؤڈ 9 ترقیاتی ماحول، جسے ہم اس حل کے لیے سینسر ڈیٹا بنانے کے لیے Python سمیلیٹر پروگرام چلانے کے لیے استعمال کرتے ہیں۔

AWS IoT Core اور Kinesis Data Firehose کا استعمال کرتے ہوئے ڈیٹا کو داخل اور تبدیل کریں۔

ہم اسٹریمنگ ڈیٹا کو ہضم کرنے کے لیے Kinesis Data Firehose ڈیلیوری اسٹریم کا استعمال کرتے ہیں۔ AWS IoT کور اور اسے Amazon S3 پر پہنچا دیں۔ درج ذیل مراحل کو مکمل کریں:

1. Kinesis Data Firehose کنسول پر، منتخب کریں۔ ترسیل کا سلسلہ بنائیں.
2. کے لئے ماخذمنتخب کریں براہ راست PUT.
3. کے لئے منزل مقصودمنتخب کریں ایمیزون S3.
4. کے لئے ترسیل کے سلسلے کا ناماپنے ڈیلیوری سلسلے کے لیے ایک نام درج کریں۔
   
5. کے لئے S3 بالٹی، وہ بالٹی درج کریں جسے آپ نے بطور شرط بنایا ہے۔
6. کے لیے اقدار درج کریں۔ S3 بالٹی کا سابقہ اور S3 بالٹی ایرر آؤٹ پٹ کا سابقہ.نوٹ کرنے کے لیے اہم نکات میں سے ایک حسب ضرورت سابقہ ​​کی ترتیب ہے جو Amazon S3 منزل کے لیے ترتیب دیا گیا ہے۔ یہ سابقہ ​​پیٹرن اس بات کو یقینی بناتا ہے کہ S3 بالٹی میں ڈیٹا کو سابقہ ​​درجہ بندی کے مطابق بنایا گیا ہے جس کی توقع Lookout for Metrics کے ذریعے کی گئی ہے۔ (اس کے بارے میں مزید بعد میں اس پوسٹ میں۔) حسب ضرورت سابقے کے بارے میں مزید معلومات کے لیے، دیکھیں Amazon S3 آبجیکٹ کے لیے حسب ضرورت سابقے.
   
7. کے لئے بفر وقفہ، داخل کریں 60.
   
8. میں سے انتخاب کریں IAM کردار بنائیں یا اپ ڈیٹ کریں۔.
9. میں سے انتخاب کریں ترسیل کا سلسلہ بنائیں.
   
   اب ہم AWS IoT Core کو تشکیل دیتے ہیں اور ایئر کوالٹی سمیلیٹر پروگرام چلاتے ہیں۔
10. AWS IoT کور کنسول پر، AWS IoT پالیسی بنائیں ایڈمن کہلاتا ہے۔
11. نیچے نیویگیشن پین میں میسج روٹنگمنتخب کریں قواعد.
12. میں سے انتخاب کریں اصول بنائیں.
13. کے ساتھ ایک اصول بنائیں Kinesis Data Firehose (firehose) ایکشن.
    یہ MQTT پیغام سے Kinesis Data Firehose کی ترسیل کے سلسلے میں ڈیٹا بھیجتا ہے۔
14. میں سے انتخاب کریں تخلیق کریں.
    
15. نام کے ساتھ AWS IoT چیز بنائیں Test-Thing اور جو پالیسی آپ نے بنائی ہے اسے منسلک کریں۔
16. AWS IoT Core کے لیے سرٹیفکیٹ، عوامی کلید، نجی کلید، ڈیوائس سرٹیفکیٹ، اور روٹ CA ڈاؤن لوڈ کریں۔
17. ڈاؤن لوڈ کردہ فائلوں میں سے ہر ایک کو محفوظ کریں۔ certificates ذیلی ڈائرکٹری جو آپ نے پہلے بنائی تھی۔
    
18. publish.py پر اپ لوڈ کریں۔ iot-test-publish فولڈر.
19. AWS IoT کور کنسول پر، نیویگیشن پین میں، منتخب کریں۔ ترتیبات.
20. کے تحت حسب ضرورت اختتامی نقطہ، اختتامی نقطہ کاپی کریں۔
    یہ AWS IoT کور کسٹم اینڈ پوائنٹ URL آپ کے AWS اکاؤنٹ اور علاقے کے لیے ذاتی ہے۔
21. بدل customEndpointUrl آپ کے AWS IoT کور کسٹم اینڈ پوائنٹ یو آر ایل کے ساتھ، سرٹیفکیٹ کے نام کے ساتھ سرٹیفکیٹس، اور Your_S3_Bucket_Name آپ کے S3 بالٹی کے نام کے ساتھ۔
    اگلا، آپ پائتھون کے لیے پائپ اور AWS IoT SDK انسٹال کرتے ہیں۔
22. AWS Cloud9 میں لاگ ان کریں اور اپنے ترقیاتی ماحول میں ایک ورکنگ ڈائرکٹری بنائیں۔ مثال کے طور پر: aq-iot-publish.
23. اپنی نئی ورکنگ ڈائرکٹری میں سرٹیفکیٹس کے لیے ایک ذیلی ڈائرکٹری بنائیں۔ مثال کے طور پر: certificates.
24. کمانڈ لائن سے درج ذیل کو چلا کر Python v2 کے لیے AWS IoT SDK انسٹال کریں۔

    pip install awsiotsdk

25. ڈیٹا پائپ لائن کو جانچنے کے لیے، درج ذیل کمانڈ کو چلائیں:

    python3 publish.py

آپ مندرجہ ذیل اسکرین شاٹ میں پے لوڈ دیکھ سکتے ہیں۔

آخر میں، ڈیٹا کو سابقہ ​​ڈھانچے میں مخصوص S3 بالٹی میں پہنچایا جاتا ہے۔

فائلوں کا ڈیٹا درج ذیل ہے:

• {"TIMESTAMP":"2022-03-20 00:00","LOCATION_ID":"B-101","CO":2.6,"SO2":62,"NO2":57}
• {"TIMESTAMP":"2022-03-20 00:05","LOCATION_ID":"B-101","CO":3.9,"SO2":60,"NO2":73}

ٹائم اسٹیمپ سے پتہ چلتا ہے کہ ہر فائل میں 5 منٹ کے وقفوں کا ڈیٹا ہوتا ہے۔

کم سے کم کوڈ کے ساتھ، اب ہم نے سینسر ڈیٹا کو ہضم کر لیا ہے، داخل کیے گئے ڈیٹا سے ایک ان پٹ سٹریم بنایا ہے، اور Lookout for Metrics کی ضروریات کی بنیاد پر ڈیٹا کو S3 بالٹی میں اسٹور کیا ہے۔

مندرجہ ذیل سیکشنز میں، ہم Lookout for Metrics کے اندر تعمیرات پر گہری نظر ڈالتے ہیں، اور ان تصورات کو Metrics کے لیے Lookout کنسول کا استعمال کرتے ہوئے ترتیب دینا کتنا آسان ہے۔

ایک ڈیٹیکٹر بنائیں

ایک ڈیٹیکٹر میٹرکس کے وسائل کے لئے ایک تلاش ہے جو ڈیٹاسیٹ کی نگرانی کرتا ہے اور پہلے سے طے شدہ تعدد پر بے ضابطگیوں کی نشاندہی کرتا ہے۔ ڈیٹیکٹر ڈیٹا میں پیٹرن تلاش کرنے اور ڈیٹا میں متوقع تغیرات اور جائز بے ضابطگیوں کے درمیان فرق کرنے کے لیے ML کا استعمال کرتے ہیں۔ اس کی کارکردگی کو بہتر بنانے کے لیے، ایک ڈیٹیکٹر وقت کے ساتھ ساتھ آپ کے ڈیٹا کے بارے میں مزید سیکھتا ہے۔

ہمارے استعمال کے معاملے میں، ڈیٹیکٹر ہر 5 منٹ بعد سینسر سے ڈیٹا کا تجزیہ کرتا ہے۔

ڈیٹیکٹر بنانے کے لیے، لک آؤٹ فار میٹرکس کنسول پر جائیں اور منتخب کریں۔ ڈیٹیکٹر بنائیں. 5 منٹ کے وقفے کے ساتھ، پتہ لگانے والے کے لیے نام اور تفصیل (اختیاری) فراہم کریں۔

آپ کا ڈیٹا بطور ڈیفالٹ ایک کلید کے ساتھ مرموز کیا جاتا ہے جو AWS کی ملکیت ہے اور آپ کے لیے اس کا انتظام کرتی ہے۔ اگر آپ پہلے سے استعمال شدہ کلید سے مختلف انکرپشن کلید استعمال کرنا چاہتے ہیں تو آپ اسے بھی ترتیب دے سکتے ہیں۔

اب آئیے اس ڈیٹیکٹر کو اس ڈیٹا کی طرف اشارہ کرتے ہیں جس پر آپ چاہتے ہیں کہ اس پر بے ضابطگی کا پتہ چل جائے۔

ڈیٹاسیٹ بنائیں

ڈیٹاسیٹ پتہ لگانے والے کو بتاتا ہے کہ آپ کا ڈیٹا کہاں تلاش کرنا ہے اور بے ضابطگیوں کے لیے کون سے میٹرکس کا تجزیہ کرنا ہے۔ ڈیٹا سیٹ بنانے کے لیے، درج ذیل مراحل کو مکمل کریں:

1. Amazon Lookout for Metrics کنسول پر، اپنے ڈیٹیکٹر پر جائیں۔
2. میں سے انتخاب کریں ڈیٹا سیٹ شامل کریں۔.
   
3. کے لئے نام، ایک نام درج کریں (مثال کے طور پر، air-quality-dataset).
4. کے لئے ڈیٹا کا ذریعہ، اپنے ڈیٹا کا ذریعہ منتخب کریں (اس پوسٹ کے لیے، Amazon S3)۔
   
5. کے لئے ڈیٹیکٹر موڈ، اپنا موڈ منتخب کریں (اس پوسٹ کے لیے، مسلسل).

ایمیزون S3 کے ساتھ، آپ دو طریقوں میں ایک ڈیٹیکٹر بنا سکتے ہیں:

• • Backtest - یہ موڈ تاریخی ڈیٹا میں بے ضابطگیوں کو تلاش کرنے کے لیے استعمال کیا جاتا ہے۔ اسے تمام ریکارڈز کو ایک فائل میں اکٹھا کرنے کی ضرورت ہے۔
  • مسلسل - یہ موڈ لائیو ڈیٹا میں بے ضابطگیوں کا پتہ لگانے کے لیے استعمال کیا جاتا ہے۔ ہم اس موڈ کو اپنے استعمال کے کیس کے ساتھ استعمال کرتے ہیں کیونکہ ہم فضائی نگرانی کے سینسر سے فضائی آلودگی کا ڈیٹا حاصل کرتے ہوئے بے ضابطگیوں کا پتہ لگانا چاہتے ہیں۔

6. لائیو S3 فولڈر اور پاتھ پیٹرن کے لیے S3 پاتھ درج کریں۔
7. کے لئے ڈیٹا سورس کا وقفہمنتخب کریں 5 منٹ کے وقفے.اگر آپ کے پاس تاریخی ڈیٹا ہے جس سے ڈیٹیکٹر پیٹرن سیکھ سکتا ہے، تو آپ اسے اس ترتیب کے دوران فراہم کر سکتے ہیں۔ ڈیٹا کے اسی فارمیٹ میں ہونے کی توقع ہے جسے آپ بیک ٹیسٹ کرنے کے لیے استعمال کرتے ہیں۔ تاریخی ڈیٹا کی فراہمی ایم ایل ماڈل کی تربیت کے عمل کو تیز کرتی ہے۔ اگر یہ دستیاب نہیں ہے تو، مسلسل ڈٹیکٹر تخمینہ لگانے سے پہلے کافی ڈیٹا دستیاب ہونے کا انتظار کرتا ہے۔
8. اس پوسٹ کے لیے، ہمارے پاس پہلے سے ہی تاریخی ڈیٹا موجود ہے، لہذا منتخب کریں۔ تاریخی ڈیٹا استعمال کریں۔.
9. کا S3 راستہ درج کریں۔ historical_data.json.
10. کے لئے فائل کی شکلمنتخب JSON لائنز.
    

اس مقام پر، Lookout for Metrics ڈیٹا کے ماخذ تک رسائی حاصل کرتا ہے اور تصدیق کرتا ہے کہ آیا یہ ڈیٹا کو پارس کر سکتا ہے۔ اگر تجزیہ کامیاب ہو جاتا ہے، تو یہ آپ کو "توثیق کامیاب" کا پیغام دیتا ہے اور آپ کو اگلے صفحہ پر لے جاتا ہے، جہاں آپ پیمائش، طول و عرض اور ٹائم سٹیمپ کو ترتیب دیتے ہیں۔

اقدامات، طول و عرض اور ٹائم اسٹیمپ کو ترتیب دیں۔

اقدامات KPIs کی وضاحت کریں جن کے لیے آپ بے ضابطگیوں کو ٹریک کرنا چاہتے ہیں۔ آپ فی ڈٹیکٹر پانچ اقدامات تک شامل کر سکتے ہیں۔ وہ فیلڈز جو آپ کے سورس ڈیٹا سے KPIs بنانے کے لیے استعمال ہوتے ہیں ان کا عددی فارمیٹ ہونا چاہیے۔ KPIs کو فی الحال ایک SUM یا AVERAGE کرکے وقت کے وقفہ کے اندر ریکارڈز کو جمع کرکے بیان کیا جاسکتا ہے۔

ابعاد آپ کو زمرہ جات یا حصوں کی وضاحت کرکے اپنے ڈیٹا کو ٹکڑے ٹکڑے کرنے اور ڈائس کرنے کی صلاحیت فراہم کرتا ہے۔ یہ آپ کو ڈیٹا کے پورے سیٹ کے ذیلی سیٹ کے لیے بے ضابطگیوں کو ٹریک کرنے کی اجازت دیتا ہے جس کے لیے ایک خاص اقدام لاگو ہوتا ہے۔

ہمارے استعمال کے معاملے میں، ہم تین اقدامات شامل کرتے ہیں، جو 5 منٹ کے وقفے میں نظر آنے والی اشیاء کی AVG کا حساب لگاتے ہیں، اور ان کی صرف ایک جہت ہوتی ہے، جس کے لیے آلودگی کے ارتکاز کی پیمائش کی جاتی ہے۔

ڈیٹاسیٹ میں ہر ریکارڈ کا ٹائم اسٹیمپ ہونا ضروری ہے۔ درج ذیل کنفیگریشن آپ کو اس فیلڈ کو منتخب کرنے کی اجازت دیتی ہے جو ٹائم اسٹیمپ کی قیمت اور ٹائم اسٹیمپ کی شکل کو بھی ظاہر کرتا ہے۔

اگلا صفحہ آپ کو اپنی شامل کردہ تمام تفصیلات کا جائزہ لینے اور پھر ڈیٹیکٹر کو محفوظ اور فعال کرنے کی اجازت دیتا ہے۔

اس کے بعد ڈیٹیکٹر ڈیٹا سورس میں ڈیٹا سٹریمنگ سیکھنا شروع کرتا ہے۔ اس مرحلے پر، ڈٹیکٹر کی حیثیت تبدیل ہو جاتی ہے۔ Initializing.

اس سے پہلے کہ Lookout for Metrics بے ضابطگیوں کا پتہ لگانا شروع کر دے اس سے پہلے کہ ڈیٹا کی کم از کم مقدار کو نوٹ کرنا ضروری ہے۔ ضروریات اور حدود کے بارے میں مزید معلومات کے لیے، دیکھیں میٹرکس کوٹہ تلاش کریں۔.

کم سے کم کنفیگریشن کے ساتھ، آپ نے اپنا ڈیٹیکٹر بنایا ہے، اسے ڈیٹاسیٹ کی طرف اشارہ کیا ہے، اور ان میٹرکس کی وضاحت کی ہے جس میں آپ چاہتے ہیں کہ Lookout for Metrics میں بے ضابطگیاں تلاش کی جائیں۔

بے ضابطگیوں کا تصور کریں۔

میٹرکس کے لیے تلاش ان صارفین کے لیے ایک بھرپور UI تجربہ فراہم کرتا ہے جو استعمال کرنا چاہتے ہیں۔ AWS مینجمنٹ کنسول پائی جانے والی بے ضابطگیوں کا تجزیہ کرنے کے لیے۔ یہ APIs کے ذریعے بے ضابطگیوں سے استفسار کرنے کی صلاحیت بھی فراہم کرتا ہے۔

آئیے ہمارے ہوا کے معیار کے ڈیٹا کے استعمال کے کیس سے پائی جانے والی بے ضابطگی کی مثال دیکھیں۔ مندرجہ ذیل اسکرین شاٹ 93 کے شدت کے اسکور کے ساتھ مقررہ وقت اور تاریخ پر ہوا میں CO کی حراستی میں پائی جانے والی بے ضابطگی کو ظاہر کرتا ہے۔ اس صورت میں، 100% شراکت لوکیشن ID B-101 ڈائمینشن سے آتی ہے۔

انتباہات بنائیں

میٹرکس کی تلاش آپ کو مختلف چینلز کا استعمال کرتے ہوئے الرٹس بھیجنے کی اجازت دیتی ہے۔ آپ بے ضابطگی کی شدت کے سکور کی حد کو ترتیب دے سکتے ہیں جس پر الرٹس کو متحرک ہونا چاہیے۔

ہمارے استعمال کے معاملے میں، ہم ایک کو بھیجے جانے کے لیے الرٹس ترتیب دیتے ہیں۔ ایمیزون سادہ نوٹیفکیشن سروس (ایمیزون ایس این ایس) چینل، جو بدلے میں ایک ایس ایم ایس بھیجتا ہے۔ مندرجہ ذیل اسکرین شاٹس کنفیگریشن کی تفصیلات دکھاتے ہیں۔

آپ استعمال کرتے ہوئے آٹومیشن کو متحرک کرنے کے لیے الرٹ بھی استعمال کر سکتے ہیں۔ او ڈبلیو ایس لامبڈا۔ AWS IoT Core پر API سے چلنے والے آپریشنز چلانے کے لیے کام کرتا ہے۔

نتیجہ

اس پوسٹ میں، ہم نے آپ کو دکھایا کہ ML سے چلنے والی بے ضابطگی کا پتہ لگانے والے ایپلی کیشنز کی تعمیر کے اختتام سے آخر تک کے لائف سائیکل کے انتظام میں شامل غیر متفرق ہیوی لفٹنگ کو ہٹانے کے لیے لک آؤٹ فار میٹرکس اور کائنیسس ڈیٹا فائر ہوز کا استعمال کتنا آسان ہے۔ یہ حل آپ کو اہم کاروباری میٹرکس میں بے ضابطگیوں کو تلاش کرنے کی اپنی صلاحیت کو تیز کرنے میں مدد دے سکتا ہے اور آپ کو اپنے کاروبار کو بڑھانے اور بہتر بنانے پر اپنی کوششوں پر توجہ دینے کی اجازت دیتا ہے۔

ہم آپ کو وزٹ کرکے مزید جاننے کی ترغیب دیتے ہیں۔ میٹرکس ڈویلپر گائیڈ کے لئے ایمیزون تلاش کریں۔ اور اپنے کاروبار کے KPIs سے متعلقہ ڈیٹا سیٹ کے ساتھ ان سروسز کے ذریعے فعال کردہ اینڈ ٹو اینڈ حل کو آزمائیں۔

---

مصنف کے بارے میں

دھیرج ٹھاکر ایمیزون ویب سروسز کے ساتھ ایک حل آرکیٹیکٹ ہے۔ وہ AWS صارفین اور شراکت داروں کے ساتھ کام کرتا ہے تاکہ انٹرپرائز کلاؤڈ اپنانے، منتقلی اور حکمت عملی کے بارے میں رہنمائی فراہم کرے۔ وہ ٹیکنالوجی کے بارے میں پرجوش ہے اور تجزیات اور AI/ML اسپیس میں تعمیر اور تجربہ کرنے سے لطف اندوز ہوتا ہے۔