بنائیں، شیئر کریں، تعینات کریں: کس طرح کاروباری تجزیہ کار اور ڈیٹا سائنسدان بغیر کوڈ ML اور Amazon SageMaker Canvas کا استعمال کرتے ہوئے وقت سے مارکیٹ میں تیزی سے حاصل کرتے ہیں۔

مشین لرننگ (ML) تنظیموں کو آمدنی بڑھانے، کاروبار کی ترقی کو بڑھانے، اور متعدد عمودی حصوں میں بنیادی کاروباری افعال کو بہتر بنا کر لاگت کو کم کرنے میں مدد کرتی ہے، جیسے کہ ڈیمانڈ کی پیشن گوئی، کریڈٹ اسکورنگ، قیمتوں کا تعین، کسٹمر کی تبدیلی کی پیشن گوئی، اگلی بہترین پیشکشوں کی نشاندہی، دیر سے ترسیل کی پیشن گوئی، اور مینوفیکچرنگ کے معیار کو بہتر بنانا. روایتی ایم ایل ڈیولپمنٹ سائیکل میں مہینوں لگتے ہیں اور اس کے لیے قلیل ڈیٹا سائنس اور ایم ایل انجینئرنگ کی مہارتوں کی ضرورت ہوتی ہے۔ ایم ایل ماڈلز کے لیے تجزیہ کاروں کے آئیڈیاز اکثر ڈیٹا سائنس ٹیم بینڈوڈتھ کے انتظار میں لمبے بیک لاگ میں بیٹھتے ہیں، جب کہ ڈیٹا سائنسدان زیادہ پیچیدہ ایم ایل پروجیکٹس پر توجہ مرکوز کرتے ہیں جن کے لیے ان کی مکمل مہارت کی ضرورت ہوتی ہے۔

اس تعطل کو توڑنے میں مدد کے لیے، ہم نے ایمیزون سیج میکر کینوس متعارف کرایا، ایک بغیر کوڈ ML حل جو کمپنیوں کو ML حل کی فراہمی کو گھنٹوں یا دنوں تک تیز کرنے میں مدد کر سکتا ہے۔ سیج میکر کینوس تجزیہ کاروں کو ڈیٹا لیکس، ڈیٹا گوداموں، اور آپریشنل ڈیٹا اسٹورز میں دستیاب ڈیٹا کو آسانی سے استعمال کرنے کے قابل بناتا ہے۔ ایم ایل ماڈلز کی تعمیر؛ اور ان کا استعمال انٹرایکٹو انداز میں پیشین گوئیاں کرنے اور بلک ڈیٹاسیٹس پر بیچ اسکورنگ کے لیے کریں—سب کچھ کوڈ کی ایک لائن لکھے بغیر۔

اس پوسٹ میں، ہم دکھاتے ہیں کہ کس طرح SageMaker Canvas ڈیٹا سائنسدانوں اور کاروباری تجزیہ کاروں کے درمیان تعاون کو قابل بناتا ہے، مارکیٹ کے لیے تیز رفتار وقت کا حصول اور ML سلوشنز کی ترقی کو تیز کرتا ہے۔ تجزیہ کاروں کو ML ماہر بننے کے بغیر، SageMaker Canvas میں اپنی نو کوڈ ML ورک اسپیس مل جاتی ہے۔ تجزیہ کار چند کلکس کے ساتھ کینوس سے اپنے ماڈلز کا اشتراک کر سکتے ہیں، جس میں ڈیٹا سائنسدان کام کر سکیں گے۔ ایمیزون سیج میکر اسٹوڈیو، ایک اختتام سے آخر میں ML مربوط ترقیاتی ماحول (IDE)۔ مل کر کام کرنے سے، کاروباری تجزیہ کار اپنے ڈومین کے علم اور تجربات کے نتائج لا سکتے ہیں، جبکہ ڈیٹا سائنسدان مؤثر طریقے سے پائپ لائنیں بنا سکتے ہیں اور عمل کو ہموار کر سکتے ہیں۔

آئیے اس پر گہرا غوطہ لگائیں کہ ورک فلو کیسا نظر آئے گا۔

کاروباری تجزیہ کار ایک ماڈل بناتے ہیں، پھر اس کا اشتراک کریں۔

یہ سمجھنے کے لیے کہ کس طرح SageMaker Canvas کاروباری تجزیہ کاروں اور ڈیٹا سائنسدانوں (یا ML انجینئرز) کے درمیان تعاون کو آسان بناتا ہے، ہم پہلے کاروباری تجزیہ کار کے طور پر اس عمل سے رجوع کرتے ہیں۔ شروع کرنے سے پہلے، رجوع کریں۔ ایمیزون سیج میکر کینوس کا اعلان کرنا - کاروباری تجزیہ کاروں کے لیے ایک بصری، بغیر کوڈ مشین لرننگ کی صلاحیت SageMaker Canvas کے ساتھ ماڈل کی تعمیر اور جانچ کے بارے میں ہدایات کے لیے۔

اس پوسٹ کے لیے، ہم کا ایک ترمیم شدہ ورژن استعمال کرتے ہیں۔ کریڈٹ کارڈ فراڈ کا پتہ لگانے والا ڈیٹا سیٹ Kaggle سے، بائنری درجہ بندی کے مسئلے کے لیے ایک معروف ڈیٹاسیٹ۔ ڈیٹاسیٹ اصل میں انتہائی غیر متوازن ہے — اس میں بہت کم اندراجات ہیں جو منفی کلاس کے طور پر درجہ بندی کی گئی ہیں (غیر معمولی لین دین)۔ ٹارگٹ فیچر ڈسٹری بیوشن سے قطع نظر، ہم اب بھی اس ڈیٹاسیٹ کو استعمال کر سکتے ہیں، کیونکہ SageMaker Canvas اس عدم توازن کو سنبھالتا ہے کیونکہ یہ ایک ماڈل کو خود بخود تربیت اور ٹیون کرتا ہے۔ یہ ڈیٹا سیٹ تقریباً 9 ملین سیلز پر مشتمل ہے۔ آپ ڈاؤن لوڈ بھی کر سکتے ہیں a اس ڈیٹاسیٹ کا کم ورژن. ڈیٹاسیٹ کا سائز بہت چھوٹا ہے، تقریباً 500,000 سیلز پر، کیونکہ اسے SMOTE تکنیک کے ساتھ تصادفی طور پر کم نمونہ اور پھر زیادہ نمونہ دیا گیا ہے تاکہ یہ یقینی بنایا جا سکے کہ اس عمل کے دوران ممکنہ حد تک کم معلومات ضائع ہو جائیں۔ اس گھٹے ہوئے ڈیٹاسیٹ کے ساتھ ایک پورا تجربہ چلانے پر آپ کو SageMaker Canvas Free Tier کے تحت $0 لاگت آتی ہے۔

ماڈل کے بننے کے بعد، تجزیہ کار اس کا استعمال براہ راست کینوس میں یا تو انفرادی درخواستوں کے لیے، یا بلک میں پورے ان پٹ ڈیٹاسیٹ کے لیے کر سکتے ہیں۔

کینوس اسٹینڈرڈ بلڈ کے ساتھ بنائے گئے ماڈلز کو بٹن کے ایک کلک پر ڈیٹا سائنسدانوں اور ML انجینئرز کے ساتھ بھی باآسانی شیئر کیا جا سکتا ہے جو SageMaker Studio استعمال کرتے ہیں۔ یہ ڈیٹا سائنسدان کو آپ کے بنائے ہوئے ماڈل کی کارکردگی کی توثیق کرنے اور تاثرات فراہم کرنے کی اجازت دیتا ہے۔ ML انجینئرز آپ کا ماڈل اٹھا سکتے ہیں اور اسے موجودہ ورک فلو اور آپ کی کمپنی اور آپ کے صارفین کے لیے دستیاب مصنوعات کے ساتھ مربوط کر سکتے ہیں۔ نوٹ کریں کہ لکھتے وقت، Canvas Quick Build کے ساتھ بنائے گئے ماڈل، یا ٹائم سیریز کی پیشن گوئی کرنے والے ماڈل کا اشتراک کرنا ممکن نہیں ہے۔

کینوس UI کے ذریعے ماڈل کا اشتراک کرنا سیدھا سیدھا ہے:

1. آپ کے بنائے ہوئے ماڈلز دکھانے والے صفحہ پر، ایک ماڈل منتخب کریں۔
2. میں سے انتخاب کریں سیکنڈ اور.
3. جس ماڈل کا آپ اشتراک کرنا چاہتے ہیں اس کے ایک یا زیادہ ورژن منتخب کریں۔
4. اختیاری طور پر، ماڈل یا مدد کے بارے میں مزید سیاق و سباق دینے والا ایک نوٹ شامل کریں جس کی آپ تلاش کر رہے ہیں۔
5. میں سے انتخاب کریں سیج میکر اسٹوڈیو لنک بنائیں.
6. تیار کردہ لنک کو کاپی کریں۔

اور یہ بات ہے! اب آپ سلیک، ای میل، یا اپنی ترجیح کے کسی دوسرے طریقے کے ذریعے اپنے ساتھیوں کے ساتھ لنک کا اشتراک کر سکتے ہیں۔ آپ کے ماڈل تک رسائی کے لیے ڈیٹا سائنسدان کا اسی SageMaker Studio کے ڈومین میں ہونا ضروری ہے، لہذا یقینی بنائیں کہ آپ کی تنظیم کے منتظم کے ساتھ ایسا ہی ہے۔

ڈیٹا سائنسدان SageMaker Studio سے ماڈل کی معلومات تک رسائی حاصل کرتے ہیں۔

اب، آئیے ڈیٹا سائنسدان یا ایم ایل انجینئر کا کردار ادا کرتے ہیں، اور SageMaker Studio کا استعمال کرتے ہوئے چیزوں کو ان کے نقطہ نظر سے دیکھتے ہیں۔

تجزیہ کار کے ذریعہ اشتراک کردہ لنک ہمیں SageMaker اسٹوڈیو میں لے جاتا ہے، جو اینڈ ٹو اینڈ ایم ایل ورک فلو کے لیے پہلا کلاؤڈ بیسڈ IDE ہے۔

ٹیب خود بخود کھل جاتا ہے، اور SageMaker Canvas میں تجزیہ کار کے تخلیق کردہ ماڈل کا ایک جائزہ دکھاتا ہے۔ آپ ماڈل کا نام، ML مسئلہ کی قسم، ماڈل ورژن، اور کس صارف نے ماڈل بنایا (کینوس صارف ID فیلڈ کے تحت) کو تیزی سے دیکھ سکتے ہیں۔ آپ کو ان پٹ ڈیٹاسیٹ اور بہترین ماڈل کے بارے میں تفصیلات تک بھی رسائی حاصل ہے جسے SageMaker تیار کرنے کے قابل تھا۔ ہم بعد میں پوسٹ میں اس پر غور کریں گے۔

پر ان پٹ ڈیٹاسیٹ ٹیب، آپ ماخذ سے ان پٹ ڈیٹاسیٹ تک ڈیٹا کا بہاؤ بھی دیکھ سکتے ہیں۔ اس صورت میں، صرف ایک ڈیٹا سورس استعمال کیا جاتا ہے اور کوئی جوائن آپریشن لاگو نہیں کیا گیا ہے، اس لیے ایک ہی ذریعہ دکھایا گیا ہے۔ آپ ڈیٹا سیٹ کے بارے میں اعداد و شمار اور تفصیلات کا انتخاب کر کے تجزیہ کر سکتے ہیں۔ ڈیٹا ایکسپلوریشن نوٹ بک کھولیں۔. یہ نوٹ بک آپ کو اس ڈیٹا کو دریافت کرنے دیتی ہے جو ماڈل کی تربیت سے پہلے دستیاب تھا، اور اس میں ہدف متغیر کا تجزیہ، ان پٹ ڈیٹا کا ایک نمونہ، کالموں اور قطاروں کے اعداد و شمار اور تفصیل کے ساتھ ساتھ ڈیٹا سائنسدان کے لیے دیگر مفید معلومات شامل ہیں۔ ڈیٹا سیٹ کے بارے میں مزید جانیں۔ اس رپورٹ کے بارے میں مزید جاننے کے لیے دیکھیں ڈیٹا ایکسپلوریشن رپورٹ.

ان پٹ ڈیٹاسیٹ کا تجزیہ کرنے کے بعد، آئیے ماڈل اوور ویو کے دوسرے ٹیب پر چلتے ہیں، آٹو ایم ایل جاب. یہ ٹیب آٹو ایم ایل جاب کی تفصیل پر مشتمل ہے جب آپ نے SageMaker Canvas میں اسٹینڈرڈ بلڈ آپشن کو منتخب کیا تھا۔

سیج میکر کینوس کے نیچے آٹو ایم ایل ٹیکنالوجی ایم ایل ماڈلز کی تعمیر کی بھاری لفٹنگ کو ختم کرتی ہے۔ یہ خودکار طریقے سے آپ کے ڈیٹا کی بنیاد پر بہترین ML ماڈل بناتا ہے، ٹرین کرتا ہے اور اسے ٹیون کرتا ہے، جبکہ آپ کو مکمل کنٹرول اور مرئیت برقرار رکھنے کی اجازت دیتا ہے۔ تیار کردہ امیدوار ماڈلز کے ساتھ ساتھ آٹو ایم ایل کے عمل کے دوران استعمال ہونے والے ہائپر پیرامیٹرز پر یہ مرئیت اس میں موجود ہے۔ امیدوار نسل نوٹ بک، جو اس ٹیب پر دستیاب ہے۔

۔ آٹو ایم ایل جاب ٹیب میں آٹو ایم ایل پروسیس کے حصے کے طور پر بنائے گئے ہر ماڈل کی ایک فہرست بھی شامل ہے، جسے F1 مقصدی میٹرک کے مطابق ترتیب دیا گیا ہے۔ شروع کی گئی تربیتی ملازمتوں میں سے بہترین ماڈل کو اجاگر کرنے کے لیے، میں سبز دائرے کے ساتھ ایک ٹیگ استعمال کیا جاتا ہے۔ بہترین ماڈل کالم آپ تربیت اور تشخیص کے مرحلے کے دوران استعمال ہونے والے دیگر میٹرکس کو بھی آسانی سے تصور کر سکتے ہیں، جیسے کہ درستگی کا سکور اور ایریا انڈر دی کرو (AUC)۔ ان ماڈلز کے بارے میں مزید جاننے کے لیے جنہیں آپ آٹو ایم ایل جاب کے دوران تربیت دے سکتے ہیں اور تربیت یافتہ ماڈل کی کارکردگی کا جائزہ لینے کے لیے استعمال کیے جانے والے میٹرکس کا حوالہ دیں۔ ماڈل سپورٹ، میٹرکس، اور توثیق.

ماڈل کے بارے میں مزید جاننے کے لیے، اب آپ بہترین ماڈل پر دائیں کلک کر کے منتخب کر سکتے ہیں۔ ماڈل کی تفصیلات میں کھولیں۔. متبادل طور پر، آپ کو منتخب کر سکتے ہیں بہترین ماڈل کے سب سے اوپر لنک ماڈل کا جائزہ سیکشن جو آپ نے پہلے دیکھا تھا۔

ماڈل کی تفصیلات کے صفحہ میں اس ماڈل کے بارے میں مفید معلومات کی بہتات ہے جس نے اس ان پٹ ڈیٹا کے ساتھ بہترین کارکردگی کا مظاہرہ کیا۔ آئیے سب سے پہلے صفحہ کے اوپری حصے میں دیے گئے خلاصے پر توجہ مرکوز کرتے ہیں۔ پچھلے مثال کے اسکرین شاٹ سے پتہ چلتا ہے کہ سینکڑوں ماڈل ٹریننگ میں سے، ایک XGBoost ماڈل نے ان پٹ ڈیٹا سیٹ پر بہترین کارکردگی کا مظاہرہ کیا۔ اس تحریر کے وقت، SageMaker Canvas تین قسم کے ML الگورتھم کو تربیت دے سکتا ہے: لکیری لرنر، XGBoost، اور ایک ملٹی لیئر پرسیپٹرون (MLP)، ہر ایک وسیع قسم کی پری پروسیسنگ پائپ لائنز اور ہائپر پیرامیٹرز کے ساتھ۔ ہر الگورتھم کے بارے میں مزید جاننے کے لیے، رجوع کریں۔ تائید شدہ الگورتھم صفحہ.

SageMaker میں توسیع پذیر اور موثر نفاذ کی بدولت ایک وضاحتی فعالیت بھی شامل ہے۔ KernelSHAP، کوآپریٹو گیم تھیوری کے میدان سے شیپلی ویلیو کے تصور پر مبنی جو ہر خصوصیت کو کسی خاص پیشن گوئی کے لیے ایک اہمیت کی قدر تفویض کرتا ہے۔ یہ اس بارے میں شفافیت کی اجازت دیتا ہے کہ ماڈل اپنی پیشین گوئیوں پر کیسے پہنچا، اور خصوصیت کی اہمیت کی وضاحت کرنا بہت مفید ہے۔ ایک مکمل وضاحتی رپورٹ بشمول خصوصیت کی اہمیت پی ڈی ایف، نوٹ بک، یا خام ڈیٹا فارمیٹ میں ڈاؤن لوڈ کے قابل ہے۔ اس رپورٹ میں، میٹرکس کا ایک وسیع سیٹ دکھایا گیا ہے اور ساتھ ہی AutoML جاب کے دوران استعمال ہونے والے ہائپر پیرامیٹرز کی مکمل فہرست بھی دکھائی گئی ہے۔ اس بارے میں مزید جاننے کے لیے کہ کس طرح سیج میکر آٹو ایم ایل حل اور معیاری ایم ایل الگورتھم کے لیے مربوط وضاحتی ٹولز فراہم کرتا ہے، دیکھیں Amazon SageMaker Autopilot کا استعمال کرتے ہوئے مربوط وضاحتی ٹولز کا استعمال کریں اور ماڈل کے معیار کو بہتر بنائیں.

آخر میں، اس منظر میں موجود دیگر ٹیبز کارکردگی کی تفصیلات (کنفیوژن میٹرکس، پریزیشن ریکال کریو، ROC وکر)، آٹو ایم ایل جاب کے دوران ان پٹ کے لیے استعمال ہونے والے نمونے اور نیٹ ورک کی تفصیلات کے بارے میں معلومات دکھاتے ہیں۔

اس مقام پر، ڈیٹا سائنسدان کے پاس دو انتخاب ہیں: ماڈل کو براہ راست تعینات کریں، یا ایک ٹریننگ پائپ لائن بنائیں جو دستی طور پر یا خود بخود شیڈول یا ٹرگر ہو سکے۔ مندرجہ ذیل حصے دونوں اختیارات کے بارے میں کچھ بصیرت فراہم کرتے ہیں۔

ماڈل کو براہ راست تعینات کریں۔

اگر ڈیٹا سائنٹسٹ آٹو ایم ایل جاب کے حاصل کردہ نتائج سے مطمئن ہے، تو وہ براہ راست اس سے ماڈل کو تعینات کر سکتے ہیں۔ ماڈل کی تفصیلات صفحہ یہ اتنا ہی آسان ہے جتنا کہ انتخاب کرنا ماڈل تعینات کریں۔ ماڈل کے نام کے آگے۔

سیج میکر آپ کو تعیناتی کے لیے دو اختیارات دکھاتا ہے: ایک حقیقی وقت کا اختتامی نقطہ، جس کے ذریعے طاقت ہے۔ ایمیزون سیج میکر کے اختتامی نکات، اور بیچ کا اندازہ، بذریعہ طاقت ایمیزون سیج میکر بیچ ٹرانسفارم.

سیج میکر دوسرے طریقے بھی فراہم کرتا ہے۔ مزید جاننے کے لیے، دیکھیں اندازہ کے لیے ماڈلز تعینات کریں۔.

ریئل ٹائم پیشین گوئی کے موڈ کو فعال کرنے کے لیے، آپ صرف اختتامی نقطہ کو ایک نام، ایک مثال کی قسم، اور مثال کی گنتی دیتے ہیں۔ چونکہ اس ماڈل کو بھاری کمپیوٹ وسائل کی ضرورت نہیں ہے، آپ 1 کی ابتدائی گنتی کے ساتھ CPU پر مبنی مثال استعمال کر سکتے ہیں۔ ایمیزون سیج میکر پرائسنگ پیج (میں آن ڈیمانڈ قیمتوں کا تعین سیکشن، منتخب کریں ریئل ٹائم انفرنس ٹیب)۔ اگر آپ نہیں جانتے کہ آپ کو اپنی تعیناتی کے لیے کونسی مثال منتخب کرنی چاہیے، تو آپ SageMaker سے اپنے KPIs کے مطابق اپنے لیے بہترین تلاش کرنے کے لیے بھی کہہ سکتے ہیں۔ سیج میکر انفرنس تجویز کنندہ. آپ اضافی اختیاری پیرامیٹرز بھی فراہم کر سکتے ہیں، اس بارے میں کہ آیا آپ اختتامی نقطہ پر یا اس سے درخواست اور جوابی ڈیٹا حاصل کرنا چاہتے ہیں یا نہیں۔ اگر آپ منصوبہ بندی کر رہے ہیں تو یہ کارآمد ثابت ہو سکتا ہے۔ آپ کے ماڈل کی نگرانی. آپ یہ بھی منتخب کر سکتے ہیں کہ آپ اپنے جواب کے حصے کے طور پر کون سا مواد فراہم کرنا چاہتے ہیں—چاہے یہ صرف پیشین گوئی ہو یا پیشین گوئی کا امکان، تمام کلاسوں کا امکان، اور ہدف کے لیبل۔

ایک ہی وقت میں ان پٹ کے پورے سیٹ کے لیے پیشین گوئیاں حاصل کرنے کے لیے بیچ اسکورنگ جاب کو چلانے کے لیے، آپ بیچ ٹرانسفارم جاب کو شروع کر سکتے ہیں AWS مینجمنٹ کنسول یا SageMaker Python SDK کے ذریعے۔ بیچ ٹرانسفارم کے بارے میں مزید جاننے کے لیے، رجوع کریں۔ بیچ ٹرانسفارم استعمال کریں۔ اور مثال کے طور پر نوٹ بک۔

تربیتی پائپ لائن کی وضاحت کریں۔

ML ماڈلز کو شاذ و نادر ہی، اگر کبھی، جامد اور غیر تبدیل شدہ سمجھا جا سکتا ہے، کیونکہ وہ اس بنیادی لائن سے ہٹ جاتے ہیں جس پر انہیں تربیت دی گئی ہے۔ حقیقی دنیا کا ڈیٹا وقت کے ساتھ تیار ہوتا ہے، اور اس سے مزید نمونے اور بصیرتیں نکلتی ہیں، جو تاریخی ڈیٹا پر تربیت یافتہ اصل ماڈل کے ذریعے حاصل کی جا سکتی ہیں یا نہیں۔ اس مسئلے کو حل کرنے کے لیے، آپ ایک ٹریننگ پائپ لائن ترتیب دے سکتے ہیں جو دستیاب تازہ ترین ڈیٹا کے ساتھ آپ کے ماڈلز کو خود بخود دوبارہ تربیت دیتی ہے۔

اس پائپ لائن کی وضاحت میں، ڈیٹا سائنسدان کے اختیارات میں سے ایک یہ ہے کہ وہ ٹریننگ پائپ لائن کے لیے آٹو ایم ایل کو ایک بار پھر استعمال کرے۔ آپ Create_auto_ml_job() API کو مدعو کرکے پروگرامی طور پر آٹو ایم ایل جاب لانچ کرسکتے ہیں۔ AWS Boto3 SDK. آپ اس آپریشن کو ایک سے کال کر سکتے ہیں۔ او ڈبلیو ایس لامبڈا۔ ایک کے اندر فنکشن AWS اسٹیپ فنکشنز ورک فلو، یا LambdaStep in سے ایمیزون سیج میکر پائپ لائنز.

متبادل طور پر، ڈیٹا سائنسدان ایک مکمل تربیتی پائپ لائن کی وضاحت کے لیے AutoML جاب سے حاصل کردہ علم، نمونے، اور ہائپر پیرامیٹرز کا استعمال کر سکتا ہے۔ آپ کو درج ذیل وسائل کی ضرورت ہے:

• الگورتھم جس نے استعمال کے معاملے کے لیے بہترین کام کیا۔ - آپ نے یہ معلومات پہلے ہی کینوس سے تیار کردہ ماڈل کے خلاصے سے حاصل کر لی ہیں۔ اس استعمال کے معاملے کے لیے، یہ XGBoost بلٹ ان الگورتھم ہے۔ SageMaker کے ساتھ XGBoost الگورتھم کو تربیت دینے کے لیے SageMaker Python SDK کو استعمال کرنے کے طریقے سے متعلق ہدایات کے لیے، ملاحظہ کریں SageMaker Python SDK کے ساتھ XGBoost استعمال کریں۔.
  

• AutoML جاب سے اخذ کردہ ہائپرپیرامیٹر - یہ میں دستیاب ہیں۔ وضاحت کی صلاحیت سیکشن SageMaker Python SDK کے ساتھ تربیتی کام کی وضاحت کرتے وقت آپ انہیں ان پٹ کے طور پر استعمال کر سکتے ہیں۔
  

• فن پارے سیکشن میں فراہم کردہ فیچر انجینئرنگ کوڈ - آپ اس کوڈ کو ٹریننگ سے پہلے ڈیٹا کو پری پروسیسنگ کے لیے استعمال کر سکتے ہیں (مثال کے طور پر، Amazon SageMaker Processing کے ذریعے)، یا اندازہ لگانے سے پہلے (مثال کے طور پر، SageMaker inference پائپ لائن کے حصے کے طور پر)۔
  

آپ ان وسائل کو SageMaker پائپ لائن کے حصے کے طور پر یکجا کر سکتے ہیں۔ ہم اس پوسٹ میں نفاذ کی تفصیلات کو چھوڑ دیتے ہیں — اس موضوع پر آنے والے مزید مواد کے لیے دیکھتے رہیں۔

نتیجہ

SageMaker Canvas آپ کو بغیر کسی کوڈ کو لکھنے کی ضرورت کے پیشن گوئیاں پیدا کرنے کے لیے ML کا استعمال کرنے دیتا ہے۔ ایک کاروباری تجزیہ کار خود مختار طور پر اسے مقامی ڈیٹاسیٹس کے ساتھ ساتھ پہلے سے ذخیرہ شدہ ڈیٹا کے ساتھ استعمال کرنا شروع کر سکتا ہے۔ ایمیزون سادہ اسٹوریج سروس (ایمیزون S3)، ایمیزون ریڈ شفٹ، یا سنو فلیک۔ صرف چند کلکس کے ساتھ، وہ اپنے ڈیٹا سیٹس کو تیار کر سکتے ہیں اور اس میں شامل ہو سکتے ہیں، تخمینہ کی درستگی کا تجزیہ کر سکتے ہیں، اس بات کی تصدیق کر سکتے ہیں کہ کون سے کالم مؤثر ہیں، بہترین کارکردگی کا مظاہرہ کرنے والے ماڈل کو تربیت دے سکتے ہیں، اور نئے فرد یا بیچ کی پیشین گوئیاں تیار کر سکتے ہیں، یہ سب کسی ماہر ڈیٹا سائنسدان کو کھینچنے کی ضرورت کے بغیر۔ پھر، ضرورت کے مطابق، وہ ماڈل کو ڈیٹا سائنسدانوں یا MLOps انجینئرز کی ٹیم کے ساتھ شیئر کر سکتے ہیں، جو ماڈلز کو SageMaker Studio میں درآمد کرتے ہیں، اور تجزیہ کار کے ساتھ مل کر پروڈکشن حل فراہم کرتے ہیں۔

کاروباری تجزیہ کار ایم ایل میں ڈگری کے بغیر، اور کوڈ کی ایک لائن لکھے بغیر اپنے ڈیٹا سے آزادانہ طور پر بصیرت حاصل کر سکتے ہیں۔ ڈیٹا سائنسدانوں کے پاس اب مزید چیلنجنگ پروجیکٹس پر کام کرنے کے لیے اضافی وقت ہو سکتا ہے جو AI اور ML کے اپنے وسیع علم کو بہتر طریقے سے استعمال کر سکتے ہیں۔

ہمیں یقین ہے کہ یہ نیا تعاون آپ کے کاروبار کے لیے بہت سے طاقتور ML حل تیار کرنے کا دروازہ کھولتا ہے۔ اب آپ کے پاس قیمتی کاروباری بصیرت پیدا کرنے والے تجزیہ کار ہیں، جبکہ ڈیٹا سائنسدانوں اور ML انجینئرز کو ضرورت کے مطابق بہتر بنانے، ٹیون کرنے اور بڑھانے میں مدد کرنے دیتے ہیں۔

اضافی وسائل

• اس بارے میں مزید جاننے کے لیے کہ SageMaker کس طرح کاروباری تجزیہ کاروں کی مزید مدد کر سکتا ہے، ملاحظہ کریں۔ ایمیزون سیج میکر برائے کاروباری تجزیہ کار.
• اس بارے میں مزید جاننے کے لیے کہ کس طرح SageMaker ڈیٹا سائنسدانوں کو اپنے ML ماڈلز تیار کرنے، تربیت دینے اور تعینات کرنے کی اجازت دیتا ہے، چیک کریں ڈیٹا سائنسدانوں کے لیے ایمیزون سیج میکر.
• اس بارے میں مزید معلومات کے لیے کہ کس طرح SageMaker MLOps انجینئرز کو MLOps کا استعمال کرتے ہوئے ML لائف سائیکل کو ہموار کرنے میں مدد کر سکتا ہے، دیکھیں ایم ایل او پی ایس انجینئرز کے لیے ایمیزون سیج میکر.

---

مصنفین کے بارے میں

ڈیوڈ گیلیٹیلی EMEA خطے میں AI/ML کے لیے ایک ماہر حل آرکیٹیکٹ ہے۔ وہ برسلز میں مقیم ہے اور پورے بینیلکس میں صارفین کے ساتھ مل کر کام کرتا ہے۔ وہ اس وقت سے ایک ڈویلپر رہا ہے جب وہ بہت چھوٹا تھا، اس نے 7 سال کی عمر میں کوڈ بنانا شروع کیا۔ اس نے یونیورسٹی میں AI/ML سیکھنا شروع کیا، اور تب سے اسے اس سے پیار ہو گیا۔

مارک رائے AWS کے لیے ایک پرنسپل مشین لرننگ آرکیٹیکٹ ہے، جو صارفین کو AI/ML سلوشنز ڈیزائن کرنے اور بنانے میں مدد کرتا ہے۔ مارک کا کام ایم ایل کے استعمال کے کیسز کی ایک وسیع رینج کا احاطہ کرتا ہے، جس میں بنیادی دلچسپی کمپیوٹر ویژن، گہرائی سے سیکھنے، اور پورے انٹرپرائز میں ایم ایل کی پیمائش میں ہے۔ اس نے کئی صنعتوں میں کمپنیوں کی مدد کی ہے، بشمول انشورنس، مالیاتی خدمات، میڈیا اور تفریح، صحت کی دیکھ بھال، افادیت، اور مینوفیکچرنگ۔ مارک کے پاس چھ AWS سرٹیفیکیشنز ہیں، بشمول ML اسپیشلٹی سرٹیفیکیشن۔ AWS میں شامل ہونے سے پہلے، مارک 25 سال سے زائد عرصے تک ایک معمار، ڈویلپر، اور ٹیکنالوجی لیڈر تھے، بشمول مالیاتی خدمات میں 19 سال۔

• 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-share-deploy-how-business-analysts-and-data-scientists-achieve-faster-time-to-market-using-no- code-ml-and-amazon-sagemaker-canvas/