کنارے پر بصری معیار کے معائنے کے لیے ایک اختتام سے آخر تک MLOps پائپ لائن بنائیں – حصہ 1 | ایمیزون ویب سروسز

پروڈکشن ماحول میں مشین لرننگ (ML) ماڈل کی کامیاب تعیناتی ایک اختتام سے آخر تک ML پائپ لائن پر بہت زیادہ انحصار کرتی ہے۔ اگرچہ اس طرح کی پائپ لائن تیار کرنا مشکل ہو سکتا ہے، لیکن کسی سے نمٹنے کے دوران یہ اور بھی پیچیدہ ہو جاتا ہے۔ کنارے ML استعمال کیس. کنارے پر مشین لرننگ ایک ایسا تصور ہے جو ایم ایل ماڈلز کو مقامی طور پر ایج ڈیوائسز پر چلانے کی صلاحیت لاتا ہے۔ ان ماڈلز کو کنارے پر تعینات کرنے، مانیٹر کرنے اور برقرار رکھنے کے لیے، ایک مضبوط MLOps پائپ لائن کی ضرورت ہے۔ ایک MLOps پائپ لائن ڈیٹا لیبلنگ سے لے کر ماڈل ٹریننگ اور تعیناتی تک مکمل ML لائف سائیکل کو خودکار کرنے کی اجازت دیتی ہے۔

کنارے پر ایک MLOps پائپ لائن کا نفاذ اضافی پیچیدگیوں کو متعارف کرواتا ہے جو آٹومیشن، انضمام، اور دیکھ بھال کے عمل کو زیادہ چیلنجنگ بناتا ہے کیونکہ اس میں شامل آپریشنل اوور ہیڈ میں اضافہ ہوتا ہے۔ تاہم، مقصد سے تعمیر کی خدمات کا استعمال کرتے ہوئے جیسے ایمیزون سیج میکر اور AWS IoT گرین گراس آپ کو اس کوشش کو نمایاں طور پر کم کرنے کی اجازت دیتا ہے۔ اس سلسلے میں، ہم آپ کو سیج میکر، AWS IoT Greengrass، اور کا استعمال کرتے ہوئے کنارے پر کمپیوٹر وژن کے استعمال کے کیس کے لیے ایک مربوط اینڈ ٹو اینڈ MLOps پائپ لائن کی تعمیر اور تعمیر کے عمل سے گزرتے ہیں۔ AWS کلاؤڈ ڈویلپمنٹ کٹ (AWS CDK)۔

یہ پوسٹ مجموعی طور پر MLOps پائپ لائن فن تعمیر کو ڈیزائن کرنے پر مرکوز ہے۔ حصہ 2 اور حصہ 3 اس سلسلے کی توجہ انفرادی اجزاء کے نفاذ پر ہے۔ ہم نے ساتھ میں ایک نمونہ نفاذ فراہم کیا ہے۔ GitHub ذخیرہ اپنے آپ کو آزمانے کے لیے۔ اگر آپ ابھی AWS کے کنارے پر MLOps کے ساتھ شروعات کر رہے ہیں، تو حوالہ دیں۔ ایمیزون سیج میکر ایج مینیجر اور AWS IoT گرین گراس کے ساتھ کنارے پر MLOps ایک جائزہ اور حوالہ فن تعمیر کے لیے۔

کیس استعمال کریں: دھاتی ٹیگز کے معیار کا معائنہ

ایک ایم ایل انجینئر کے طور پر، آپ جس کاروباری معاملے پر کام کر رہے ہیں اسے سمجھنا ضروری ہے۔ لہذا اس سے پہلے کہ ہم MLOps پائپ لائن فن تعمیر میں غوطہ لگائیں، آئیے اس پوسٹ کے نمونے کے استعمال کے کیس کو دیکھیں۔ کسی مینوفیکچرر کی پروڈکشن لائن کا تصور کریں جو اپنی مرضی کے مطابق سامان کے ٹیگ بنانے کے لیے دھاتی ٹیگ کندہ کرتی ہے۔ کوالٹی اشورینس کا عمل مہنگا ہے کیونکہ خام دھات کے ٹیگز کو خروںچ جیسے نقائص کے لیے دستی طور پر معائنہ کرنے کی ضرورت ہے۔ اس عمل کو مزید موثر بنانے کے لیے، ہم عمل کے شروع میں ناقص ٹیگز کا پتہ لگانے کے لیے ML کا استعمال کرتے ہیں۔ یہ پیداواری عمل کے بعد کے مراحل میں مہنگے نقائص سے بچنے میں مدد کرتا ہے۔ ماڈل کو قریب قریب حقیقی وقت میں ممکنہ نقائص جیسے خروںچ کی نشاندہی کرنا چاہئے اور انہیں نشان زد کرنا چاہئے۔ مینوفیکچرنگ شاپ فلور ماحول میں، آپ کو اکثر بغیر کسی کنیکٹیویٹی یا محدود بینڈوڈتھ اور بڑھتی ہوئی تاخیر سے نمٹنا پڑتا ہے۔ لہذا، ہم بصری معیار کے معائنے کے لیے ایک آن ایج ایم ایل حل نافذ کرنا چاہتے ہیں جو دکان کے فرش پر مقامی طور پر اندازہ لگا سکتا ہے اور کنیکٹیویٹی کے حوالے سے ضروریات کو کم کر سکتا ہے۔ اپنی مثال کو سیدھا رکھنے کے لیے، ہم ایک ایسے ماڈل کو تربیت دیتے ہیں جو باؤنڈنگ بکس کے ساتھ پائے جانے والے خروںچ کو نشان زد کرتا ہے۔ مندرجہ ذیل تصویر ہمارے ڈیٹاسیٹ کے ٹیگ کی ایک مثال ہے جس میں تین خروںچ نشان زد ہیں۔

پائپ لائن کے فن تعمیر کی تعریف

اب ہم نے اپنے استعمال کے معاملے میں وضاحت حاصل کر لی ہے اور مخصوص ML مسئلہ جس کو ہم حل کرنا چاہتے ہیں، جو کنارے پر آبجیکٹ کا پتہ لگانے کے گرد گھومتا ہے۔ اب ہماری MLOps پائپ لائن کے لیے ایک فن تعمیر کا مسودہ تیار کرنے کا وقت ہے۔ اس مرحلے پر، ہم ابھی تک ٹیکنالوجیز یا مخصوص خدمات کو نہیں دیکھ رہے ہیں، بلکہ ہماری پائپ لائن کے اعلیٰ سطحی اجزاء کو دیکھ رہے ہیں۔ فوری طور پر دوبارہ تربیت اور تعینات کرنے کے لیے، ہمیں پورے اختتام سے آخر تک کے عمل کو خودکار کرنے کی ضرورت ہے: ڈیٹا لیبلنگ، تربیت، اندازہ تک۔ تاہم، کچھ چیلنجز ہیں جو ایک کنارے کے معاملے کے لیے پائپ لائن کو ترتیب دینا خاص طور پر مشکل بنا دیتے ہیں:

• اس عمل کے مختلف حصوں کی تعمیر کے لیے مختلف مہارتوں کی ضرورت ہوتی ہے۔ مثال کے طور پر، ڈیٹا لیبلنگ اور ٹریننگ میں ڈیٹا سائنس کی مضبوط توجہ ہوتی ہے، کنارے کی تعیناتی کے لیے انٹرنیٹ آف تھنگز (IoT) کے ماہر کی ضرورت ہوتی ہے، اور اس پورے عمل کو خودکار کرنا عام طور پر ڈیو اوپس اسکل سیٹ والا کوئی شخص کرتا ہے۔
• آپ کی تنظیم پر منحصر ہے، یہ پورا عمل متعدد ٹیموں کے ذریعے بھی لاگو کیا جا سکتا ہے۔ ہمارے استعمال کے معاملے کے لیے، ہم اس مفروضے کے تحت کام کر رہے ہیں کہ علیحدہ ٹیمیں لیبلنگ، تربیت اور تعیناتی کے لیے ذمہ دار ہیں۔
• جب ٹولنگ اور پروسیس کی بات آتی ہے تو مزید کردار اور مہارت کے سیٹ کا مطلب مختلف تقاضے ہوتے ہیں۔ مثال کے طور پر، ڈیٹا سائنسدان اپنے مانوس نوٹ بک ماحول کی نگرانی اور کام کرنا چاہتے ہیں۔ MLOps انجینئرز بنیادی ڈھانچے کو کوڈ (IaC) ٹولز کے طور پر استعمال کرنا چاہتے ہیں اور اس سے زیادہ واقف ہو سکتے ہیں AWS مینجمنٹ کنسول.

ہمارے پائپ لائن فن تعمیر کے لیے اس کا کیا مطلب ہے؟

سب سے پہلے، اختتام سے آخر تک کے نظام کے اہم اجزاء کی واضح طور پر وضاحت کرنا بہت ضروری ہے جو مختلف ٹیموں کو آزادانہ طور پر کام کرنے کی اجازت دیتا ہے۔ دوم، تعاون کی کارکردگی کو بڑھانے کے لیے ٹیموں کے درمیان اچھی طرح سے متعین انٹرفیس کی تعریف ہونی چاہیے۔ یہ انٹرفیس ٹیموں کے درمیان رکاوٹوں کو کم سے کم کرنے میں مدد کرتے ہیں، جب تک کہ وہ متعین انٹرفیس پر عمل کرتے ہیں، ضرورت کے مطابق اپنے داخلی عمل میں ترمیم کرنے کے قابل بناتے ہیں۔ مندرجہ ذیل خاکہ واضح کرتا ہے کہ یہ ہماری کمپیوٹر وژن پائپ لائن کے لیے کیسا نظر آ سکتا ہے۔

آئیے MLOps پائپ لائن کے مجموعی فن تعمیر کا تفصیل سے جائزہ لیتے ہیں:

1. یہ عمل دھاتی ٹیگز کی خام تصاویر کے مجموعے کے ساتھ شروع ہوتا ہے، جنہیں ابتدائی تربیتی ڈیٹاسیٹ بنانے کے لیے پیداواری ماحول میں ایج کیمرہ ڈیوائس کا استعمال کرتے ہوئے پکڑا جاتا ہے۔
2. اگلے مرحلے میں ان تصاویر کو لیبل لگانا اور باؤنڈنگ بکس کا استعمال کرتے ہوئے نقائص کو نشان زد کرنا شامل ہے۔ لیبل لگائے گئے ڈیٹاسیٹ کا ورژن بنانا ضروری ہے، استعمال شدہ تربیتی ڈیٹا کے لیے ٹریس ایبلٹی اور جوابدہی کو یقینی بنانا۔
3. ہمارے پاس لیبل لگا ڈیٹا سیٹ ہونے کے بعد، ہم اپنے ماڈل کی تربیت، فائن ٹیوننگ، تشخیص اور ورژن بنانے کے ساتھ آگے بڑھ سکتے ہیں۔
4. جب ہم اپنے ماڈل کی کارکردگی سے خوش ہوتے ہیں، تو ہم ماڈل کو ایج ڈیوائس پر تعینات کر سکتے ہیں اور کنارے پر لائیو انفرنسز چلا سکتے ہیں۔
5. جب کہ ماڈل پروڈکشن میں کام کرتا ہے، ایج کیمرہ ڈیوائس قیمتی امیج ڈیٹا تیار کرتی ہے جس میں پہلے نہ دیکھے گئے نقائص اور ایج کیسز ہوتے ہیں۔ ہم اس ڈیٹا کو اپنے ماڈل کی کارکردگی کو مزید بڑھانے کے لیے استعمال کر سکتے ہیں۔ اس کو پورا کرنے کے لیے، ہم ان تصاویر کو محفوظ کرتے ہیں جن کے لیے ماڈل کم اعتماد کے ساتھ پیش گوئی کرتا ہے یا غلط پیش گوئیاں کرتا ہے۔ اس کے بعد یہ تصاویر دوبارہ ہمارے خام ڈیٹاسیٹ میں شامل کر دی جاتی ہیں، اور پورے عمل کو دوبارہ شروع کرتے ہیں۔

یہ نوٹ کرنا ضروری ہے کہ خام تصویری ڈیٹا، لیبل لگا ڈیٹاسیٹ، اور تربیت یافتہ ماڈل الگ الگ پائپ لائنوں کے درمیان اچھی طرح سے متعین انٹرفیس کے طور پر کام کرتے ہیں۔ MLOps انجینئرز اور ڈیٹا سائنسدانوں کے پاس اپنی پائپ لائنز کے اندر ٹیکنالوجیز کا انتخاب کرنے کی لچک ہوتی ہے جب تک کہ وہ مستقل طور پر یہ نمونے تیار کرتے ہیں۔ سب سے نمایاں طور پر، ہم نے ایک بند فیڈ بیک لوپ قائم کیا ہے۔ پروڈکشن میں کی گئی ناقص یا کم اعتماد کی پیشین گوئیاں ہمارے ڈیٹاسیٹ کو باقاعدگی سے بڑھانے اور ماڈل کو خود بخود دوبارہ تربیت دینے اور بڑھانے کے لیے استعمال کی جا سکتی ہیں۔

ٹارگٹ فن تعمیر

اب جب کہ اعلیٰ سطحی فن تعمیر قائم ہو چکا ہے، اب وقت آگیا ہے کہ ایک سطح کی گہرائی میں جائیں اور یہ دیکھیں کہ ہم اسے AWS سروسز کے ساتھ کیسے بنا سکتے ہیں۔ نوٹ کریں کہ اس پوسٹ میں دکھایا گیا فن تعمیر فرض کرتا ہے کہ آپ ڈیٹا سائنس کے پورے عمل کا مکمل کنٹرول حاصل کرنا چاہتے ہیں۔ تاہم، اگر آپ صرف کنارے پر معیار کی جانچ شروع کر رہے ہیں، تو ہم تجویز کرتے ہیں۔ ایمیزون ویژن کے لئے تلاش. یہ ML کوڈ کو بنائے، برقرار رکھنے یا سمجھے بغیر آپ کے اپنے معیار کے معائنہ کے ماڈل کو تربیت دینے کا ایک طریقہ فراہم کرتا ہے۔ مزید معلومات کے لیے رجوع کریں۔ Amazon Lookout for Vision اب کنارے پر مصنوعات کے نقائص کے بصری معائنہ کی حمایت کرتا ہے۔.

تاہم، اگر آپ مکمل کنٹرول حاصل کرنا چاہتے ہیں، تو درج ذیل خاکہ سے پتہ چلتا ہے کہ ایک فن تعمیر کیسا ہوسکتا ہے۔

پہلے کی طرح، آئیے قدم بہ قدم ورک فلو پر چلتے ہیں اور شناخت کرتے ہیں کہ کون سی AWS سروسز ہماری ضروریات کے مطابق ہیں:

1. ایمیزون سادہ اسٹوریج سروس (Amazon S3) کا استعمال خام تصویری ڈیٹا کو ذخیرہ کرنے کے لیے کیا جاتا ہے کیونکہ یہ ہمیں کم لاگت اسٹوریج حل فراہم کرتا ہے۔
2. لیبلنگ ورک فلو کا استعمال کرتے ہوئے ترتیب دیا گیا ہے۔ AWS اسٹیپ فنکشنز، ایک سرور لیس ورک فلو انجن جو لیبلنگ ورک فلو کے مراحل کو آرکیسٹریٹ کرنا آسان بناتا ہے۔ اس ورک فلو کے حصے کے طور پر، ہم استعمال کرتے ہیں۔ ایمیزون سیج میکر گراؤنڈ ٹروتھ لیبلنگ جابز اور منظم انسانی افرادی قوت کا استعمال کرتے ہوئے لیبلنگ کو مکمل طور پر خودکار کرنے کے لیے۔ او ڈبلیو ایس لامبڈا۔ ڈیٹا تیار کرنے، لیبلنگ کے کام شروع کرنے، اور لیبلز کو ذخیرہ کرنے کے لیے استعمال کیا جاتا ہے۔ ایمیزون سیج میکر فیچر اسٹور.
3. سیج میکر فیچر اسٹور لیبلز کو اسٹور کرتا ہے۔ یہ ہمیں مرکزی طور پر اپنی خصوصیات کا نظم کرنے اور ان کا اشتراک کرنے کی اجازت دیتا ہے اور ہمیں پہلے سے موجود ڈیٹا ورژن بنانے کی صلاحیتیں فراہم کرتا ہے، جو ہماری پائپ لائن کو مزید مضبوط بناتا ہے۔
4. ہم ماڈل بلڈنگ اور ٹریننگ پائپ لائن کا استعمال کرتے ہوئے آرکیسٹریٹ کرتے ہیں۔ ایمیزون سیج میکر پائپ لائنز. یہ بلٹ ان اقدامات کے ذریعے درکار دیگر SageMaker خصوصیات کے ساتھ ضم ہوتا ہے۔ سیج میکر ٹریننگ کی نوکریاں ماڈل ٹریننگ کو خودکار کرنے کے لیے استعمال کیا جاتا ہے، اور سیج میکر پروسیسنگ کی نوکریاں ڈیٹا تیار کرنے اور ماڈل کی کارکردگی کا جائزہ لینے کے لیے استعمال کیا جاتا ہے۔ اس مثال میں، ہم استعمال کر رہے ہیں Ultralytics YOLOv8 آبجیکٹ کا پتہ لگانے والے ماڈل کو تربیت دینے اور برآمد کرنے کے لیے ازگر کا پیکیج اور ماڈل فن تعمیر او این این ایکس پورٹیبلٹی کے لیے ایم ایل ماڈل فارمیٹ۔
5. اگر کارکردگی قابل قبول ہے تو، تربیت یافتہ ماڈل رجسٹرڈ ہے۔ ایمیزون سیج میکر ماڈل رجسٹری ایک اضافی ورژن نمبر کے ساتھ منسلک ہے۔ یہ ماڈل ٹریننگ اور ایج تعیناتی کے مراحل کے درمیان ہمارے انٹرفیس کے طور پر کام کرتا ہے۔ ہم یہاں ماڈلز کی منظوری کی حالت کا بھی انتظام کرتے ہیں۔ استعمال شدہ دیگر خدمات کی طرح، یہ مکمل طور پر منظم ہے، لہذا ہمیں اپنے بنیادی ڈھانچے کو چلانے کا خیال رکھنے کی ضرورت نہیں ہے۔
6. کنارے کی تعیناتی ورک فلو لیبلنگ ورک فلو کی طرح سٹیپ فنکشنز کا استعمال کرتے ہوئے خودکار ہے۔ ہم اسٹیپ فنکشنز کے API انضمام کا استعمال کر سکتے ہیں تاکہ مختلف مطلوبہ AWS سروس APIs جیسے AWS IoT Greengrass کو آسانی سے کال کر سکیں اور نئے ماڈل کے اجزاء بنانے اور بعد میں اجزاء کو ایج ڈیوائس پر تعینات کر سکیں۔
7. AWS IoT گرین گراس کو ایج ڈیوائس رن ٹائم ماحول کے طور پر استعمال کیا جاتا ہے۔ یہ کنارے پر ہمارے ماڈل اور انفرنس اجزاء کے لیے تعیناتی لائف سائیکل کا انتظام کرتا ہے۔ یہ ہمیں آسان API کالز کا استعمال کرتے ہوئے اپنے ماڈل کے نئے ورژن اور انفرنس اجزاء کو آسانی سے تعینات کرنے کی اجازت دیتا ہے۔ اس کے علاوہ، کنارے پر موجود ML ماڈل عام طور پر تنہائی میں نہیں چلتے ہیں۔ ہم مختلف استعمال کر سکتے ہیں AWS اور کمیونٹی دیگر خدمات سے منسلک ہونے کے لیے AWS IoT Greengrass کے اجزاء فراہم کیے ہیں۔

بیان کردہ فن تعمیر ہمارے پہلے دکھائے گئے اعلیٰ سطحی فن تعمیر سے مشابہ ہے۔ ایمیزون S3، سیج میکر فیچر اسٹور، اور سیج میکر ماڈل رجسٹری مختلف پائپ لائنوں کے درمیان انٹرفیس کے طور پر کام کرتے ہیں۔ حل کو چلانے اور چلانے کی کوشش کو کم سے کم کرنے کے لیے، ہم جہاں بھی ممکن ہو منظم اور سرور لیس خدمات استعمال کرتے ہیں۔

ایک مضبوط CI/CD سسٹم میں ضم ہونا

ڈیٹا لیبلنگ، ماڈل ٹریننگ، اور کنارے کی تعیناتی کے اقدامات ہمارے حل کے لیے بنیادی ہیں۔ اس طرح، ان حصوں میں سے کسی میں بھی بنیادی کوڈ یا ڈیٹا سے متعلق کسی بھی تبدیلی کو پورے آرکیسٹریشن کے عمل کو ایک نیا رن شروع کرنا چاہیے۔ اس کو حاصل کرنے کے لیے، ہمیں اس پائپ لائن کو ایک CI/CD سسٹم میں ضم کرنے کی ضرورت ہے جو ہمیں خود بخود کوڈ اور بنیادی ڈھانچے کی تبدیلیوں کو ایک ورژن والے کوڈ ریپوزٹری سے پروڈکشن میں تعینات کرنے کی اجازت دیتا ہے۔ پچھلے فن تعمیر کی طرح، ٹیم کی خود مختاری یہاں ایک اہم پہلو ہے۔ مندرجہ ذیل خاکہ سے پتہ چلتا ہے کہ یہ AWS خدمات کے استعمال سے کیسا لگ سکتا ہے۔

آئیے CI/CD فن تعمیر پر چلتے ہیں:

1. AWS CodeCommit ہمارے Git ذخیرہ کے طور پر کام کرتا ہے۔ سادگی کی خاطر، ہمارے فراہم کردہ نمونے میں، ہم نے الگ الگ حصوں (لیبلنگ، ماڈل ٹریننگ، ایج تعیناتی) کو سب فولڈرز کے ذریعے ایک ہی گٹ ریپوزٹری میں الگ کیا۔ حقیقی دنیا کے منظر نامے میں، ہر ٹیم ہر حصے کے لیے مختلف ذخیرے استعمال کر سکتی ہے۔
2. بنیادی ڈھانچے کی تعیناتی AWS CDK کا استعمال کرتے ہوئے خودکار ہوتی ہے اور ہر حصہ (لیبلنگ، تربیت، اور کنارے) کو خود مختار تعیناتی کی اجازت دینے کے لیے اپنی AWS CDK ایپ ملتی ہے۔
3. AWS CDK پائپ لائن کی خصوصیت استعمال کرتی ہے۔ AWS کوڈ پائپ لائن بنیادی ڈھانچے اور کوڈ کی تعیناتیوں کو خودکار کرنے کے لیے۔
4. AWS CDK ہر قدم کے لیے دو کوڈ پائپ لائنیں تعینات کرتا ہے: ایک اثاثہ پائپ لائن اور ایک ورک فلو پائپ لائن۔ ہم نے ورک فلو کو اثاثوں کی تعیناتی سے الگ کر دیا تاکہ ہمیں الگ سے ورک فلو شروع کرنے کی اجازت دی جا سکے اگر اثاثہ میں کوئی تبدیلی نہ ہو (مثال کے طور پر، جب تربیت کے لیے نئی تصاویر دستیاب ہوں)۔
   • اثاثہ کوڈ پائپ لائن کام کے بہاؤ کو کامیابی سے چلانے کے لیے درکار تمام بنیادی ڈھانچے کو تعینات کرتی ہے، جیسے AWS شناخت اور رسائی کا انتظام (IAM) کے کردار، لیمبڈا فنکشنز، اور کنٹینر کی تصاویر جو تربیت کے دوران استعمال ہوتی ہیں۔
   • ورک فلو کوڈ پائپ لائن اصل لیبلنگ، ٹریننگ، یا ایج ڈیپلائمنٹ ورک فلو چلاتی ہے۔
5. اثاثہ پائپ لائنز خود بخود کمٹ کے ساتھ ساتھ پچھلی ورک فلو پائپ لائن مکمل ہونے پر متحرک ہوجاتی ہیں۔
6. ایک کا استعمال کرتے ہوئے ایک شیڈول پر پورا عمل شروع ہوتا ہے۔ ایمیزون ایونٹ برج باقاعدہ دوبارہ تربیت کے لیے اصول۔

CI/CD انضمام کے ساتھ، پوری اینڈ ٹو اینڈ چین اب مکمل طور پر خودکار ہے۔ جب بھی ہمارے گٹ ریپوزٹری کے ساتھ ساتھ ڈیٹا کی تبدیلیوں کو ایڈجسٹ کرنے کے لیے شیڈول میں کوڈ تبدیل ہوتا ہے تو پائپ لائن کو متحرک کیا جاتا ہے۔

آگے کا سوچنا

بیان کردہ حل فن تعمیر کنارے پر اختتام سے آخر تک MLOps پائپ لائن بنانے کے لیے بنیادی اجزاء کی نمائندگی کرتا ہے۔ تاہم، آپ کی ضروریات پر منحصر ہے، آپ اضافی فعالیت شامل کرنے کے بارے میں سوچ سکتے ہیں۔ چند مثالیں درج ذیل ہیں:

نتیجہ

اس پوسٹ میں، ہم نے AWS خدمات کا استعمال کرتے ہوئے کنارے پر بصری معیار کے معائنے کے لیے ایک اختتام سے آخر تک MLOps پائپ لائن بنانے کے لیے اپنے فن تعمیر کا خاکہ پیش کیا۔ یہ فن تعمیر پورے عمل کو ہموار کرتا ہے، جس میں ڈیٹا لیبلنگ، ماڈل کی ترقی، اور کنارے کی تعیناتی شامل ہے، جو ہمیں ماڈل کے نئے ورژن کو تیزی سے اور قابل اعتماد طریقے سے تربیت دینے اور لاگو کرنے کے قابل بناتا ہے۔ سرور لیس اور منظم خدمات کے ساتھ، ہم بنیادی ڈھانچے کے انتظام کے بجائے کاروباری قدر کی فراہمی کی طرف اپنی توجہ مرکوز کر سکتے ہیں۔

In حصہ 2 اس سلسلے میں، ہم ایک سطح کی گہرائی میں جائیں گے اور اس فن تعمیر کے نفاذ کو مزید تفصیل سے دیکھیں گے، خاص طور پر لیبلنگ اور ماڈل بلڈنگ۔ اگر آپ سیدھے کوڈ پر جانا چاہتے ہیں تو آپ اس کے ساتھ موجود کو چیک کر سکتے ہیں۔ GitHub repo.

---

مصنفین کے بارے میں

مائیکل روتھ AWS میں ایک سینئر سولیوشن آرکیٹیکٹ ہے جو AWS ٹیکنالوجی کے ذریعے اپنے کاروباری چیلنجوں کو حل کرنے کے لیے جرمنی میں مینوفیکچرنگ صارفین کی مدد کرتا ہے۔ کام اور خاندان کے علاوہ وہ اسپورٹس کاروں میں دلچسپی رکھتا ہے اور اطالوی کافی سے لطف اندوز ہوتا ہے۔

جارگ ووہرل AWS میں ایک حل آرکیٹیکٹ ہے، جرمنی میں مینوفیکچرنگ صارفین کے ساتھ کام کر رہا ہے۔ آٹومیشن کے شوق کے ساتھ، Joerg نے اپنی AWS سے پہلے کی زندگی میں ایک سافٹ ویئر ڈویلپر، DevOps انجینئر، اور Site Reliability Engineer کے طور پر کام کیا ہے۔ بادل سے آگے، وہ ایک پرجوش رنر ہے اور اپنے خاندان کے ساتھ معیاری وقت کا لطف اٹھاتا ہے۔ لہذا اگر آپ کے پاس DevOps چیلنج ہے یا آپ بھاگنا چاہتے ہیں: اسے بتائیں۔

جوہانس لینگر AWS میں ایک سینئر سولیوشن آرکیٹیکٹ ہے، جو جرمنی میں انٹرپرائز صارفین کے ساتھ کام کر رہا ہے۔ جوہانس حقیقی کاروباری مسائل کو حل کرنے کے لیے مشین لرننگ کو لاگو کرنے کے بارے میں پرجوش ہے۔ اپنی ذاتی زندگی میں، جوہانس کو گھر کی بہتری کے منصوبوں پر کام کرنا اور اپنے خاندان کے ساتھ باہر وقت گزارنا پسند 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/build-an-end-to-end-mlops-pipeline-for-visual-quality-inspection-at-the-edge-part-1/