ایمیزون سیج میکر ماڈل بلڈنگ پائپ لائنز بنائیں اور ایمیزون سیج میکر پر آر اسٹوڈیو کا استعمال کرتے ہوئے آر ماڈلز کو تعینات کریں۔

کے تعاون سے نومبر 2021 میں آر اسٹوڈیو پی بی سی، ہم کا اعلان کیا ہے کی عام دستیابی ایمیزون سیج میکر پر آر اسٹوڈیو، کلاؤڈ میں صنعت کا پہلا مکمل طور پر منظم RStudio Workbench IDE۔ اب آپ اپنا موجودہ RStudio لائسنس لا سکتے ہیں تاکہ اپنے خود سے منظم RStudio ماحول کو آسانی سے منتقل کر سکیں ایمیزون سیج میکر صرف چند آسان مراحل میں۔

مشین لرننگ (ML) اور ڈیٹا سائنس پروجیکٹس کے لیے R ڈویلپرز کے درمیان RStudio سب سے زیادہ مقبول IDEs میں سے ایک ہے۔ RStudio ڈیٹا سائنس ٹیموں کے لیے R اور انٹرپرائز کے لیے تیار پیشہ ورانہ سافٹ ویئر کے لیے اوپن سورس ٹولز مہیا کرتا ہے تاکہ وہ تنظیم میں اپنے کام کو تیار کر سکیں۔ SageMaker پر RStudio لانا نہ صرف آپ کو AWS انفراسٹرکچر تک مکمل طور پر منظم طریقے سے رسائی فراہم کرتا ہے، بلکہ یہ آپ کو SageMaker تک مقامی رسائی بھی فراہم کرتا ہے۔

اس پوسٹ میں، ہم دریافت کرتے ہیں کہ آپ SageMaker پر RStudio کے ذریعے SageMaker کی خصوصیات کو کس طرح استعمال کر سکتے ہیں ایک SageMaker پائپ لائن جو آپ کے R ماڈلز کو بناتی، پروسیس کرتی، ٹرین اور رجسٹر کرتی ہے۔ ہم اپنے ماڈل کی تعیناتی کے لیے SageMaker کا استعمال کرتے ہوئے بھی دریافت کرتے ہیں، سبھی R کا استعمال کرتے ہوئے

حل جائزہ

مندرجہ ذیل خاکہ ہمارے حل میں استعمال ہونے والے فن تعمیر کو دکھاتا ہے۔ اس مثال میں استعمال ہونے والے تمام کوڈ میں پایا جا سکتا ہے۔ GitHub ذخیرہ.

شرائط

اس پوسٹ کو فالو کرنے کے لیے، SageMaker پر RStudio تک رسائی درکار ہے۔ اگر آپ SageMaker پر RStudio استعمال کرنے کے لیے نئے ہیں، تو جائزہ لیں۔ Amazon SageMaker پر RStudio کے ساتھ شروعات کریں۔.

ہمیں اپنی مرضی کے مطابق ڈوکر کنٹینرز بنانے کی بھی ضرورت ہے۔ ہم استعمال کرتے ہیں AWS کوڈ بلڈ۔ ان کنٹینرز کو بنانے کے لیے، لہذا آپ کو کچھ اضافی کی ضرورت ہے۔ AWS شناخت اور رسائی کا انتظام (IAM) اجازتیں جو آپ کے پاس ڈیفالٹ نہیں ہوسکتی ہیں۔ آگے بڑھنے سے پہلے، اس بات کو یقینی بنائیں کہ آپ جو IAM کردار استعمال کر رہے ہیں اس میں CodeBuild کے ساتھ اعتماد کی پالیسی ہے:

{
  "Version": "2012-10-17",
  "Statement": [
    {
      "Effect": "Allow",
      "Principal": {
        "Service": [
          "codebuild.amazonaws.com"
        ]
      },
      "Action": "sts:AssumeRole"
    }
  ]
}

CodeBuild میں ایک تعمیر چلانے اور تصویر کو آگے بڑھانے کے لیے IAM کے کردار میں درج ذیل اجازتوں کی بھی ضرورت ہے۔ ایمیزون لچکدار کنٹینر رجسٹری (ایمیزون ای سی آر):

{
    "Version": "2012-10-17",
    "Statement": [
        {
            "Effect": "Allow",
            "Action": [
                "codebuild:DeleteProject",
                "codebuild:CreateProject",
                "codebuild:BatchGetBuilds",
                "codebuild:StartBuild"
            ],
            "Resource": "arn:aws:codebuild:*:*:project/sagemaker-studio*"
        },
        {
            "Effect": "Allow",
            "Action": "logs:CreateLogStream",
            "Resource": "arn:aws:logs:*:*:log-group:/aws/codebuild/sagemaker-studio*"
        },
        {
            "Effect": "Allow",
            "Action": [
                "logs:GetLogEvents",
                "logs:PutLogEvents"
            ],
            "Resource": "arn:aws:logs:*:*:log-group:/aws/codebuild/sagemaker-studio*:log-stream:*"
        },
        {
            "Effect": "Allow",
            "Action": "logs:CreateLogGroup",
            "Resource": "*"
        },
        {
            "Effect": "Allow",
            "Action": [
                "ecr:CreateRepository",
                "ecr:BatchGetImage",
                "ecr:CompleteLayerUpload",
                "ecr:DescribeImages",
                "ecr:DescribeRepositories",
                "ecr:UploadLayerPart",
                "ecr:ListImages",
                "ecr:InitiateLayerUpload", 
                "ecr:BatchCheckLayerAvailability",
                "ecr:PutImage"
            ],
            "Resource": "arn:aws:ecr:*:*:repository/sagemaker-studio*"
        },
        {
            "Sid": "ReadAccessToPrebuiltAwsImages",
            "Effect": "Allow",
            "Action": [
                "ecr:BatchGetImage",
                "ecr:GetDownloadUrlForLayer"
            ],
            "Resource": [
                "arn:aws:ecr:*:763104351884:repository/*",
                "arn:aws:ecr:*:217643126080:repository/*",
                "arn:aws:ecr:*:727897471807:repository/*",
                "arn:aws:ecr:*:626614931356:repository/*",
                "arn:aws:ecr:*:683313688378:repository/*",
                "arn:aws:ecr:*:520713654638:repository/*",
                "arn:aws:ecr:*:462105765813:repository/*"
            ]
        },
        {
            "Sid": "EcrAuthorizationTokenRetrieval",
            "Effect": "Allow",
            "Action": [
                "ecr:GetAuthorizationToken"
            ],
            "Resource": [
                "*"
            ]
        },
        {
            "Effect": "Allow",
            "Action": [
              "s3:GetObject",
              "s3:DeleteObject",
              "s3:PutObject"
              ],
            "Resource": "arn:aws:s3:::sagemaker-*/*"
        },
        {
            "Effect": "Allow",
            "Action": [
                "s3:CreateBucket"
            ],
            "Resource": "arn:aws:s3:::sagemaker*"
        },
        {
            "Effect": "Allow",
            "Action": [
                "iam:GetRole",
                "iam:ListRoles"
            ],
            "Resource": "*"
        },
        {
            "Effect": "Allow",
            "Action": "iam:PassRole",
            "Resource": "arn:aws:iam::*:role/*",
            "Condition": {
                "StringLikeIfExists": {
                    "iam:PassedToService": "codebuild.amazonaws.com"
                }
            }
        }
    ]
}

بیس لائن آر کنٹینرز بنائیں

SageMaker پروسیسنگ اور تربیتی ملازمتوں پر پروسیسنگ اور تربیت کے لیے ہمارے R اسکرپٹس کو استعمال کرنے کے لیے، ہمیں اپنی تخلیق کرنے کی ضرورت ہے۔ ڈوکر کنٹینر ضروری رن ٹائم اور پیکجز پر مشتمل۔ آپ کے اپنے کنٹینر کو استعمال کرنے کی صلاحیت، جو SageMaker کی پیشکش کا حصہ ہے، ڈویلپرز اور ڈیٹا سائنسدانوں کو اپنی پسند کے ٹولز اور فریم ورک استعمال کرنے کے لیے بڑی لچک فراہم کرتی ہے، جس میں عملی طور پر کوئی پابندی نہیں ہے۔

ہم دو R-enabled Docker کنٹینرز بناتے ہیں: ایک نوکریوں کی پروسیسنگ کے لیے اور ایک ہمارے ماڈلز کی تربیت اور تعیناتی کے لیے۔ ڈیٹا پر کارروائی کرنے کے لیے عام طور پر ماڈلنگ کے مقابلے مختلف پیکجز اور لائبریریوں کی ضرورت ہوتی ہے، اس لیے یہاں دو مراحل کو الگ کرنا اور مختلف کنٹینرز استعمال کرنا سمجھ میں آتا ہے۔

SageMaker کے ساتھ کنٹینرز استعمال کرنے کے بارے میں مزید تفصیلات کے لیے، رجوع کریں۔ سیج میکر کے ساتھ ڈوکر کنٹینرز کا استعمال.

پروسیسنگ کے لیے استعمال ہونے والے کنٹینر کی وضاحت اس طرح کی گئی ہے:

FROM public.ecr.aws/docker/library/r-base:4.1.2

# Install tidyverse
RUN apt update && apt-get install -y --no-install-recommends 
    r-cran-tidyverse
    
RUN R -e "install.packages(c('rjson'))"

ENTRYPOINT ["Rscript"]

اس پوسٹ کے لیے، ہم ایک سادہ اور نسبتاً ہلکا کنٹینر استعمال کرتے ہیں۔ آپ کی یا آپ کی تنظیم کی ضروریات پر منحصر ہے، آپ کئی مزید R پیکجوں کو پہلے سے انسٹال کرنا چاہتے ہیں۔

تربیت اور تعیناتی کے لیے استعمال ہونے والے کنٹینر کی وضاحت اس طرح کی گئی ہے:

FROM public.ecr.aws/docker/library/r-base:4.1.2

RUN apt-get -y update && apt-get install -y --no-install-recommends 
    wget 
    apt-transport-https 
    ca-certificates 
    libcurl4-openssl-dev 
    libsodium-dev
    
RUN apt-get update && apt-get install -y python3-dev python3-pip 
RUN pip3 install boto3
RUN R -e "install.packages(c('readr','plumber', 'reticulate'),dependencies=TRUE, repos='http://cran.rstudio.com/')"

ENV PATH="/opt/ml/code:${PATH}"

WORKDIR /opt/ml/code

COPY ./docker/run.sh /opt/ml/code/run.sh
COPY ./docker/entrypoint.R /opt/ml/entrypoint.R

RUN /bin/bash -c 'chmod +x /opt/ml/code/run.sh'

ENTRYPOINT ["/bin/bash", "run.sh"]

RStudio کرنل ڈوکر کنٹینر پر چلتا ہے، لہذا آپ اپنے اسٹوڈیو سیشن پر براہ راست Docker کمانڈز کا استعمال کرتے ہوئے کنٹینرز کی تعمیر اور تعیناتی کے قابل نہیں ہوں گے۔ اس کے بجائے، آپ بہت مفید لائبریری استعمال کر سکتے ہیں۔ sagemaker-studio-image-build، جو بنیادی طور پر کوڈ بلڈ پر کنٹینرز بنانے کے کام کو آؤٹ سورس کرتا ہے۔

درج ذیل کمانڈز کے ساتھ، ہم دو Amazon ECR رجسٹریاں بناتے ہیں۔ sagemaker-r-processing اور sagemaker-r-train-n-deploy، اور متعلقہ کنٹینرز بنائیں جو ہم بعد میں استعمال کرتے ہیں:

if (!py_module_available("sagemaker-studio-image-build")){py_install("sagemaker-studio-image-build", pip=TRUE)}
system("cd pipeline-example ; sm-docker build . —file ./docker/Dockerfile-train-n-deploy —repository sagemaker-r-train-and-deploy:1.0")
system("cd pipeline-example ; sm-docker build . —file ./docker/Dockerfile-processing —repository sagemaker-r-processing:1.0")

پائپ لائن بنائیں

اب جب کہ کنٹینرز بن چکے ہیں اور تیار ہیں، ہم SageMaker پائپ لائن بنا سکتے ہیں جو ماڈل بلڈنگ کے ورک فلو کو ترتیب دیتی ہے۔ اس کا مکمل کوڈ فائل کے نیچے ہے۔ pipeline.R ذخیرہ میں. SageMaker پائپ لائن بنانے کا سب سے آسان طریقہ SageMaker SDK کا استعمال کرنا ہے، جو کہ ایک Python لائبریری ہے جس تک ہم لائبریری کا استعمال کر کے رسائی حاصل کر سکتے ہیں۔ جال لگانا. یہ ہمیں R زبان کے ماحول کو چھوڑے بغیر SageMaker کے تمام افعال تک رسائی فراہم کرتا ہے۔

ہم جو پائپ لائن بناتے ہیں اس میں درج ذیل اجزاء ہوتے ہیں:

• پری پروسیسنگ مرحلہ - یہ سیج میکر پروسیسنگ کا کام ہے (استعمال کرنا sagemaker-r-processing کنٹینر) ڈیٹا کو پہلے سے پروسیس کرنے اور ڈیٹا کو ٹرین اور ٹیسٹ ڈیٹا سیٹس میں تقسیم کرنے کا ذمہ دار ہے۔
• تربیتی مرحلہ - یہ سیج میکر کی تربیت کا کام ہے (استعمال کرنا sagemaker-r-train-n-deploy کنٹینر) ماڈل کی تربیت کے لئے ذمہ دار ہے۔ اس مثال میں، ہم ایک سادہ لکیری ماڈل کو تربیت دیتے ہیں۔
• تشخیص کا مرحلہ - یہ سیج میکر پروسیسنگ کا کام ہے (استعمال کرنا sagemaker-r-processing کنٹینر) ماڈل کی تشخیص کرنے کے لئے ذمہ دار ہے۔ خاص طور پر اس مثال میں، ہم ٹیسٹ ڈیٹاسیٹ پر RMSE (جڑ کا مطلب مربع ایرر) میں دلچسپی رکھتے ہیں، جسے ہم اگلے مرحلے میں استعمال کرنے کے ساتھ ساتھ خود ماڈل کے ساتھ منسلک کرنا چاہتے ہیں۔
• مشروط قدم - یہ ایک مشروط قدم ہے، جو SageMaker پائپ لائنوں کا ہے، جو ہمیں کچھ پیرامیٹر کی بنیاد پر پائپ لائن منطق کو برانچ کرنے کی اجازت دیتا ہے۔ اس صورت میں، RMSE کی قیمت پر مبنی پائپ لائن شاخیں جو پچھلے مرحلے میں شمار کی گئی ہیں۔
• ماڈل مرحلہ رجسٹر کریں۔ - اگر سابقہ ​​مشروط مرحلہ ہے۔ True، اور ماڈل کی کارکردگی قابل قبول ہے، پھر ماڈل ماڈل رجسٹری میں رجسٹرڈ ہے۔ مزید معلومات کے لیے رجوع کریں۔ ماڈل رجسٹری کے ساتھ ماڈلز کو رجسٹر اور تعینات کریں۔.

پائپ لائن بنانے (یا اپ ڈیٹ) کرنے کے لیے پہلے اپسرٹ فنکشن کو کال کریں اور پھر اصل میں پائپ لائن کو چلانے کے لیے اسٹارٹ فنکشن کو کال کریں:

source("pipeline-example/pipeline.R")
my_pipeline <- get_pipeline(input_data_uri=s3_raw_data)

upserted <- my_pipeline$upsert(role_arn=role_arn)
started <- my_pipeline$start()

پائپ لائن اور ماڈل رجسٹری کا معائنہ کریں۔

SageMaker پر RStudio استعمال کرنے کے بارے میں ایک بڑی بات یہ ہے کہ SageMaker پلیٹ فارم پر رہ کر، آپ صحیح کام کے لیے صحیح ٹول استعمال کر سکتے ہیں اور آپ کو جو کچھ کرنے کی ضرورت ہے اس کی بنیاد پر ان کے درمیان تیزی سے سوئچ کر سکتے ہیں۔

جیسے ہی ہم پائپ لائن چلنا شروع کرتے ہیں، ہم اس پر سوئچ کر سکتے ہیں۔ ایمیزون سیج میکر اسٹوڈیو، جو ہمیں پائپ لائن کو دیکھنے اور اس کے موجودہ اور پچھلے رنز کی نگرانی کرنے کی اجازت دیتا ہے۔

پائپ لائن کے بارے میں تفصیلات دیکھنے کے لیے جو ہم نے ابھی بنائی اور چلائی، اسٹوڈیو IDE انٹرفیس پر جائیں، منتخب کریں۔ سیج میکر کے وسائلمنتخب کریں پائپ لائنز ڈراپ ڈاؤن مینو پر، اور پائپ لائن کا انتخاب کریں (اس صورت میں، AbalonePipelineUsingR).

یہ پائپ لائن کی تفصیلات کو ظاہر کرتا ہے، بشمول تمام موجودہ اور پچھلے رنز۔ مندرجہ ذیل اسکرین شاٹ کے مطابق، پائپ لائن کی بصری نمائندگی لانے کے لیے تازہ ترین کا انتخاب کریں۔

پائپ لائن کا DAG قدموں کے درمیان ڈیٹا کے انحصار کی بنیاد پر سروس کے ذریعے خود بخود بنایا جاتا ہے، نیز اپنی مرضی کے مطابق اضافی انحصار کی بنیاد پر (اس مثال میں کوئی اضافہ نہیں کیا گیا)۔

جب رن مکمل ہو جائے، اگر کامیاب ہو جائے، تو آپ کو تمام مراحل کو سبز نظر آنا چاہیے۔

انفرادی مراحل میں سے کسی کا انتخاب کرنے سے مخصوص قدم کے بارے میں تفصیلات سامنے آتی ہیں، بشمول ان پٹ، آؤٹ پٹس، لاگز، اور ابتدائی کنفیگریشن سیٹنگز۔ یہ آپ کو پائپ لائن میں ڈرل ڈاؤن کرنے اور کسی بھی ناکام اقدامات کی چھان بین کرنے کی اجازت دیتا ہے۔

اسی طرح، جب پائپ لائن چلنا ختم ہو جاتی ہے، تو ماڈل رجسٹری میں ایک ماڈل محفوظ ہو جاتا ہے۔ اس تک رسائی حاصل کرنے کے لیے، میں سیج میکر کے وسائل پین، منتخب کریں ماڈل رجسٹری ڈراپ ڈاؤن پر اور اپنا ماڈل منتخب کریں۔ یہ رجسٹرڈ ماڈلز کی فہرست کو ظاہر کرتا ہے، جیسا کہ درج ذیل اسکرین شاٹ میں دکھایا گیا ہے۔ اس مخصوص ماڈل ورژن کے لیے تفصیلات کا صفحہ کھولنے کے لیے ایک کا انتخاب کریں۔

ماڈل کا ورژن کھولنے کے بعد، منتخب کریں۔ اپ ڈیٹ کی حیثیت اور منظور ماڈل کو منظور کرنے کے لیے۔

اس وقت، آپ کے استعمال کے معاملے کی بنیاد پر، آپ اس منظوری کو مزید کارروائیوں کو متحرک کرنے کے لیے ترتیب دے سکتے ہیں، بشمول آپ کی ضروریات کے مطابق ماڈل کی تعیناتی۔

ماڈل کی بے سرور تعیناتی۔

SageMaker پر ایک ماڈل کو تربیت دینے اور رجسٹر کرنے کے بعد، SageMaker پر ماڈل کی تعیناتی سیدھی سی بات ہے۔

اس کے کئی اختیارات ہیں کہ آپ ماڈل کو کیسے تعینات کر سکتے ہیں، جیسے بیچ کا اندازہ، ریئل ٹائم اینڈ پوائنٹس، یا غیر مطابقت پذیر اختتامی پوائنٹس۔ ہر طریقہ متعدد مطلوبہ کنفیگریشنز کے ساتھ آتا ہے، بشمول آپ جس مثال کی قسم چاہتے ہیں اسے منتخب کرنا اور اسکیلنگ میکانزم۔

اس مثال کے لیے، ہم SageMaker کی حال ہی میں اعلان کردہ خصوصیت کا استعمال کرتے ہیں، سرور کے بغیر اندازہ (تحریر کے وقت کے پیش نظارہ موڈ میں)، ہمارے R ماڈل کو بغیر سرور کے اختتامی نقطہ پر تعینات کرنے کے لیے۔ اس قسم کے اختتامی نقطہ کے لیے، ہم صرف RAM کی مقدار کی وضاحت کرتے ہیں جسے ہم ماڈل کے لیے مختص کرنا چاہتے ہیں، نیز ماڈل کی زیادہ سے زیادہ اجازت شدہ ہم آہنگی کی درخواستوں کی تعداد۔ SageMaker ماڈل کی میزبانی اور ضرورت کے مطابق آٹو اسکیلنگ کا خیال رکھتا ہے۔ آپ سے صرف سیکنڈوں کی صحیح تعداد اور ماڈل کے ذریعے استعمال کیے گئے ڈیٹا کے لیے چارج کیا جاتا ہے، بیکار وقت کی کوئی قیمت نہیں ہے۔

آپ مندرجہ ذیل کوڈ کے ساتھ ماڈل کو بغیر سرور کے اختتامی نقطہ پر تعینات کر سکتے ہیں۔

model_package_arn <- 'ENTER_MODEL_PACKAGE_ARN_HERE'
model <- sagemaker$ModelPackage(
                        role=role_arn, 
                        model_package_arn=model_package_arn, 
                        sagemaker_session=session)
serverless_config <- sagemaker$serverless$ServerlessInferenceConfig(
                        memory_size_in_mb=1024L, 
                        max_concurrency=5L)
model$deploy(serverless_inference_config=serverless_config, 
             endpoint_name="serverless-r-abalone-endpoint")

اگر آپ کو غلطی نظر آتی ہے۔ ClientError: An error occurred (ValidationException) when calling the CreateModel operation: Invalid approval status "PendingManualApproval" جس ماڈل کو آپ تعینات کرنا چاہتے ہیں اسے منظور نہیں کیا گیا ہے۔ اپنے ماڈل کو منظور کرنے کے لیے پچھلے حصے کے مراحل پر عمل کریں۔

ہم نے جو HTTP اینڈپوائنٹ تعینات کیا ہے اسے ایک درخواست بھیج کر اینڈ پوائنٹ کی درخواست کریں، یا اس کے بجائے SageMaker SDK استعمال کریں۔ درج ذیل کوڈ میں، ہم کچھ ٹیسٹ ڈیٹا پر اختتامی نقطہ کی درخواست کرتے ہیں:

library(jsonlite)
x = list(features=format_csv(abalone_t[1:3,1:11]))
x = toJSON(x)

# test the endpoint
predictor <- sagemaker$predictor$Predictor(endpoint_name="serverless-r-abalone-endpoint", sagemaker_session=session)
predictor$predict(x)

ہم نے جس اختتامی نقطہ کی درخواست کی تھی وہ بغیر سرور کے اختتامی نقطہ تھا، اور اس طرح ہم سے استعمال شدہ درست مدت اور ڈیٹا کے لیے معاوضہ لیا جاتا ہے۔ آپ محسوس کر سکتے ہیں کہ پہلی بار جب آپ اختتامی نقطہ کو استعمال کرتے ہیں تو اسے جواب دینے میں ایک سیکنڈ کا وقت لگتا ہے۔ یہ سرور لیس اینڈ پوائنٹ کے کولڈ اسٹارٹ ٹائم کی وجہ سے ہے۔ اگر آپ اس کے فوراً بعد دوسری درخواست کرتے ہیں، تو ماڈل حقیقی وقت میں پیشین گوئی واپس کر دیتا ہے کیونکہ یہ پہلے ہی گرم ہے۔

جب آپ اختتامی نقطہ کے ساتھ تجربہ ختم کر لیتے ہیں، تو آپ اسے درج ذیل کمانڈ سے حذف کر سکتے ہیں۔

predictor$delete_endpoint(delete_endpoint_config=TRUE)

نتیجہ

اس پوسٹ میں، ہم نے اپنے RStudio ماحول میں R کا استعمال کرتے ہوئے SageMaker پائپ لائن بنانے کے عمل سے گزرے اور یہ دکھایا کہ SageMaker ماڈل رجسٹری کا استعمال کرتے ہوئے SageMaker پر سرور لیس اینڈ پوائنٹ پر اپنے R ماڈل کو کیسے تعینات کیا جائے۔

RStudio اور SageMaker کے امتزاج کے ساتھ، اب آپ AWS پر ہماری ترجیحی زبان R.

اس حل کی گہرائی میں جانے کے لیے، میں آپ کو اس حل کے سورس کوڈ کے ساتھ ساتھ دیگر مثالوں کا جائزہ لینے کی ترغیب دیتا ہوں، GitHub کے.

مصنف کے بارے میں

جارجیوس شیناس EMEA خطے میں AI/ML کے لیے ایک ماہر حل آرکیٹیکٹ ہے۔ وہ لندن میں مقیم ہے اور برطانیہ اور آئرلینڈ کے صارفین کے ساتھ مل کر کام کرتا ہے۔ Georgios صارفین کو MLOps طریقوں میں خاص دلچسپی کے ساتھ مشین لرننگ ایپلی کیشنز کو AWS پر پروڈکشن میں ڈیزائن اور تعینات کرنے میں مدد کرتا ہے اور صارفین کو پیمانے پر مشین لرننگ انجام دینے کے قابل بناتا ہے۔ اپنے فارغ وقت میں، وہ سفر کرنے، کھانا پکانے اور دوستوں اور کنبہ کے ساتھ وقت گزارنے سے لطف اندوز ہوتا ہے۔