ایمیزون سیج میکر کینوس کے ساتھ بغیر کوڈ مشین لرننگ کا استعمال کرتے ہوئے مینوفیکچرنگ کے معیار کے لیے کمپیوٹر وژن کی خرابی کا پتہ لگانے کو جمہوری بنائیں۔ ایمیزون ویب سروسز

ناقص معیار کی قیمت مینوفیکچررز کے لئے سب سے اوپر ہے. معیار کے نقائص اسکریپ اور دوبارہ کام کے اخراجات میں اضافہ کرتے ہیں، تھرو پٹ کو کم کرتے ہیں، اور صارفین اور کمپنی کی ساکھ کو متاثر کر سکتے ہیں۔ معیار کے معیار کو برقرار رکھنے کے لیے پروڈکشن لائن پر کوالٹی کا معائنہ بہت ضروری ہے۔ بہت سے معاملات میں، انسانی بصری معائنہ کو معیار کا اندازہ لگانے اور نقائص کا پتہ لگانے کے لیے استعمال کیا جاتا ہے، جو انسانی انسپکٹرز کی حدود کی وجہ سے لائن کے تھرو پٹ کو محدود کر سکتا ہے۔

مشین لرننگ (ML) اور مصنوعی ذہانت (AI) کی آمد کمپیوٹر وژن (CV) ML ماڈلز کا استعمال کرتے ہوئے اضافی بصری معائنہ کی صلاحیتیں لاتی ہے۔ CV پر مبنی ML کے ساتھ انسانی معائنہ کی تعریف کرنے سے پتہ لگانے کی غلطیوں کو کم کیا جا سکتا ہے، پیداوار کو تیز کیا جا سکتا ہے، معیار کی لاگت کو کم کیا جا سکتا ہے، اور صارفین پر مثبت اثر پڑ سکتا ہے۔ CV ML ماڈلز بنانے کے لیے عام طور پر ڈیٹا سائنس اور کوڈنگ میں مہارت کی ضرورت ہوتی ہے، جو کہ مینوفیکچرنگ تنظیموں میں اکثر نایاب وسائل ہوتے ہیں۔ اب، کوالٹی انجینئرز اور شاپ فلور پر موجود دیگر افراد بغیر کوڈ ML سروسز کا استعمال کرتے ہوئے ان ماڈلز کی تعمیر اور جائزہ لے سکتے ہیں، جو مینوفیکچرنگ آپریشنز میں ان ماڈلز کی تلاش اور اپنانے میں تیزی لا سکتے ہیں۔

ایمیزون سیج میکر کینوس ایک بصری انٹرفیس ہے جو معیار، عمل، اور پروڈکشن انجینئرز کو اپنے طور پر درست ML پیشین گوئیاں پیدا کرنے کے قابل بناتا ہے - بغیر کسی ML تجربے کی ضرورت کے یا کوڈ کی ایک لائن لکھنے کی ضرورت نہیں ہے۔ آپ SageMaker Canvas استعمال کر سکتے ہیں تاکہ آپ کے اپنے امیج ڈیٹا سیٹس کا استعمال کرتے ہوئے عام مینوفیکچرنگ نقائص کی نشاندہی کرنے کے لیے سنگل لیبل تصویری درجہ بندی کے ماڈلز بنائیں۔

اس پوسٹ میں، آپ سیج میکر کینوس کا استعمال سیکھیں گے کہ سنگل لیبل امیج کی درجہ بندی کا ماڈل کیسے بنایا جائے تاکہ ان کی تصویر کی بنیاد پر تیار کردہ مقناطیسی ٹائلوں میں نقائص کی نشاندہی کی جا سکے۔

حل جائزہ

یہ پوسٹ CV ML معائنہ کی تلاش کرنے والے کوالٹی انجینئر کے نقطہ نظر کو فرض کرتی ہے، اور آپ کوالٹی چیک کے لیے ٹائلوں میں نقائص کا اندازہ لگانے کے لیے ایک تصویری درجہ بندی ML ماڈل بنانے کے لیے مقناطیسی ٹائل امیجز کے نمونے کے ڈیٹا کے ساتھ کام کریں گے۔ ڈیٹاسیٹ میں مقناطیسی ٹائلوں کی 1,200 سے زیادہ تصاویر ہیں، جن میں بلو ہول، بریک، کریک، فرے، اور ناہموار سطح جیسے نقائص ہیں۔ مندرجہ ذیل تصاویر سنگل لیبل کی خرابی کی درجہ بندی کی ایک مثال فراہم کرتی ہیں، جس میں بائیں جانب پھٹے ہوئے ٹائل اور دائیں جانب نقائص سے پاک ٹائل ہیں۔

حقیقی دنیا کی مثال میں، آپ پروڈکشن لائن میں تیار شدہ مصنوعات سے ایسی تصاویر جمع کر سکتے ہیں۔ اس پوسٹ میں، آپ سنگل لیبل امیج کی درجہ بندی کا ماڈل بنانے کے لیے SageMaker Canvas کا استعمال کرتے ہیں جو دی گئی مقناطیسی ٹائل امیج کے لیے نقائص کی پیش گوئی اور درجہ بندی کرے گا۔

سیج میکر کینوس مقامی ڈسک فائل سے امیج ڈیٹا امپورٹ کرسکتا ہے یا ایمیزون سادہ اسٹوریج سروس (ایمیزون S3)۔ اس پوسٹ کے لیے، S3 بالٹی میں متعدد فولڈرز بنائے گئے ہیں (ایک فی عیب کی قسم جیسے بلو ہول، بریک، یا کریک)، اور مقناطیسی ٹائل کی تصاویر ان کے متعلقہ فولڈرز میں اپ لوڈ کی جاتی ہیں۔ فولڈر بلایا Free عیب سے پاک تصاویر پر مشتمل ہے۔

سیج میکر کینوس کا استعمال کرتے ہوئے ایم ایل ماڈل کی تعمیر میں چار مراحل شامل ہیں:

1. تصاویر کا ڈیٹاسیٹ درآمد کریں۔
2. ماڈل بنائیں اور تربیت دیں۔
3. ماڈل کی بصیرت کا تجزیہ کریں، جیسے درستگی۔
4. پیشین گوئیاں کریں۔

شرائط

شروع کرنے سے پہلے، آپ کو سیج میکر کینوس کو ترتیب دینے اور لانچ کرنے کی ضرورت ہے۔ یہ سیٹ اپ ایک IT ایڈمنسٹریٹر کے ذریعہ انجام دیا جاتا ہے اور اس میں تین مراحل شامل ہیں:

1. سیٹ اپ a ایمیزون سیج میکر ڈومین.
2. صارفین کو ترتیب دیں۔
3. SageMaker Canvas میں مخصوص خصوصیات کو استعمال کرنے کے لیے اجازتیں مرتب کریں۔

کا حوالہ دیتے ہیں ایمیزون سیج میکر کینوس کا استعمال شروع کرنا اور ایمیزون سیج میکر کینوس کو ترتیب دینا اور ان کا انتظام کرنا (آئی ٹی ایڈمنسٹریٹرز کے لیے) اپنی تنظیم کے لیے سیج میکر کینوس کو ترتیب دینے کے لیے۔

سیج میکر کینوس سیٹ اپ ہونے پر، صارف سیج میکر کنسول پر جا سکتا ہے، منتخب کریں کینوس نیویگیشن پین میں، اور منتخب کریں۔ کینوس کھولیں۔ سیج میکر کینوس لانچ کرنے کے لیے۔

سیج میکر کینوس ایپلیکیشن کو ایک نئی براؤزر ونڈو میں لانچ کیا گیا ہے۔

سیج میکر کینوس ایپلیکیشن لانچ ہونے کے بعد، آپ ایم ایل ماڈل بنانے کے مراحل شروع کرتے ہیں۔

ڈیٹاسیٹ درآمد کریں۔

SageMaker Canvas کے ساتھ ML ماڈل بناتے وقت ڈیٹاسیٹ کو درآمد کرنا پہلا قدم ہے۔

1. سیج میکر کینوس ایپلیکیشن میں، منتخب کریں۔ ڈیٹا سیٹ نیوی گیشن پین میں.
2. پر تخلیق کریں مینو، منتخب کریں تصویر.
   
3. کے لئے ڈیٹا سیٹ کا نام، ایک نام درج کریں، جیسے Magnetic-Tiles-Dataset.
4. میں سے انتخاب کریں تخلیق کریں ڈیٹاسیٹ بنانے کے لیے۔
   

ڈیٹاسیٹ بننے کے بعد، آپ کو ڈیٹاسیٹ میں تصاویر درآمد کرنے کی ضرورت ہے۔

5. پر درآمد کریں صفحہ، منتخب کریں ایمیزون S3 (مقناطیسی ٹائل کی تصاویر S3 بالٹی میں ہیں)۔

آپ کے پاس اپنے مقامی کمپیوٹر سے بھی تصاویر اپ لوڈ کرنے کا انتخاب ہے۔

6. S3 بالٹی میں فولڈر کو منتخب کریں جہاں مقناطیسی ٹائل کی تصاویر کو محفوظ کیا جاتا ہے اور منتخب کیا جاتا ہے۔ درآمد ڈیٹا.
   

سیج میکر کینوس ڈیٹاسیٹ میں امپورٹ کرنا شروع کرتا ہے۔ درآمد مکمل ہونے پر، آپ 1,266 امیجز کے ساتھ بنائے گئے امیج ڈیٹاسیٹ کو دیکھ سکتے ہیں۔

آپ تفصیلات کو چیک کرنے کے لیے ڈیٹا سیٹ کا انتخاب کر سکتے ہیں، جیسے کہ تصویروں کا پیش نظارہ اور خرابی کی قسم کے لیے ان کا لیبل۔ چونکہ تصاویر کو فولڈرز میں ترتیب دیا گیا تھا اور ہر فولڈر کو خرابی کی قسم کے ساتھ نام دیا گیا تھا، SageMaker Canvas نے فولڈر کے ناموں کی بنیاد پر تصاویر کی لیبلنگ خود بخود مکمل کر لی۔ ایک متبادل کے طور پر، آپ بغیر لیبل والی تصاویر درآمد کر سکتے ہیں، لیبل شامل کر سکتے ہیں، اور بعد کے وقت میں انفرادی تصاویر کی لیبلنگ کر سکتے ہیں۔ آپ موجودہ لیبل والی تصاویر کے لیبل میں بھی ترمیم کر سکتے ہیں۔

تصویر کی درآمد مکمل ہو گئی ہے اور اب آپ کے پاس سیج میکر کینوس میں تصاویر کا ڈیٹاسیٹ بنایا گیا ہے۔ آپ مقناطیسی ٹائلوں میں نقائص کا اندازہ لگانے کے لیے ایم ایل ماڈل بنانے کے لیے اگلے مرحلے پر جا سکتے ہیں۔

ماڈل بنائیں اور تربیت دیں۔

آپ درآمد شدہ ڈیٹاسیٹ کا استعمال کرتے ہوئے ماڈل کو تربیت دیتے ہیں۔

1. ڈیٹاسیٹ کا انتخاب کریں (Magnetic-tiles-Dataset) اور منتخب کریں۔ ایک ماڈل بنائیں.
2. کے لئے ماڈل کا نام، ایک نام درج کریں، جیسے Magnetic-Tiles-Defect-Model.
3. منتخب کریں تصویری تجزیہ مسئلہ کی قسم کے لیے اور منتخب کریں۔ تخلیق کریں ماڈل کی تعمیر کو ترتیب دینے کے لیے۔
   

ماڈل پر تعمیر ٹیب پر، آپ ڈیٹاسیٹ کے بارے میں مختلف تفصیلات دیکھ سکتے ہیں، جیسے لیبل کی تقسیم، لیبل لگائی گئی بمقابلہ بغیر لیبل والی تصاویر کی گنتی، اور ماڈل کی قسم بھی، جو کہ اس معاملے میں سنگل لیبل امیج کی پیشن گوئی ہے۔ اگر آپ نے بغیر لیبل والی تصاویر درآمد کی ہیں یا آپ کچھ تصاویر کے لیبلز میں ترمیم یا درست کرنا چاہتے ہیں تو آپ منتخب کر سکتے ہیں ڈیٹاسیٹ میں ترمیم کریں۔ لیبلز کو تبدیل کرنے کے لیے۔

آپ دو طریقوں سے ماڈل بنا سکتے ہیں: فوری تعمیر اور معیاری تعمیر۔ فوری تعمیر کا اختیار درستگی پر رفتار کو ترجیح دیتا ہے۔ یہ ماڈل کو 15-30 منٹ میں تربیت دیتا ہے۔ ماڈل پیشین گوئی کے لیے استعمال کیا جا سکتا ہے لیکن اس کا اشتراک نہیں کیا جا سکتا۔ دیئے گئے ڈیٹاسیٹ کے ساتھ کسی ماڈل کی تربیت کی فزیبلٹی اور درستگی کو فوری طور پر چیک کرنا ایک اچھا آپشن ہے۔ معیاری تعمیر رفتار سے زیادہ درستگی کا انتخاب کرتی ہے، اور ماڈل ٹریننگ میں 2-4 گھنٹے لگ سکتے ہیں۔

اس پوسٹ کے لیے، آپ اسٹینڈرڈ بلڈ آپشن کا استعمال کرتے ہوئے ماڈل کو تربیت دیتے ہیں۔

4. میں سے انتخاب کریں معیاری تعمیر پر تعمیر ماڈل کی تربیت شروع کرنے کے لیے ٹیب۔

ماڈل ٹریننگ فوری طور پر شروع ہوتی ہے۔ آپ متوقع تعمیراتی وقت اور تربیتی پیشرفت دیکھ سکتے ہیں۔ تجزیہ ٹیب.

ماڈل ٹریننگ مکمل ہونے تک انتظار کریں، پھر آپ درستگی کے لیے ماڈل کی کارکردگی کا تجزیہ کر سکتے ہیں۔

ماڈل کا تجزیہ کریں۔

اس صورت میں، ماڈل ٹریننگ مکمل کرنے میں ایک گھنٹے سے بھی کم وقت لگا۔ ماڈل ٹریننگ مکمل ہونے پر، آپ پر ماڈل کی درستگی چیک کر سکتے ہیں۔ تجزیہ اس بات کا تعین کرنے کے لیے کہ آیا ماڈل نقائص کا درست اندازہ لگا سکتا ہے۔ آپ دیکھتے ہیں کہ اس معاملے میں ماڈل کی مجموعی درستگی 97.7% ہے۔ آپ ہر ایک انفرادی لیبل یا خرابی کی قسم کے لیے ماڈل کی درستگی بھی چیک کر سکتے ہیں، مثال کے طور پر Fray اور ناہموار کے لیے 100% لیکن تقریباً 95% Blowhole. درستگی کی یہ سطح حوصلہ افزا ہے، لہذا ہم تشخیص جاری رکھ سکتے ہیں۔

ماڈل کو بہتر طور پر سمجھنے اور اس پر بھروسہ کرنے کے لیے، فعال کریں۔ حرارت کا نقشہ تصویر میں دلچسپی کے ان علاقوں کو دیکھنے کے لیے جنہیں ماڈل لیبلز کو فرق کرنے کے لیے استعمال کرتا ہے۔ یہ کلاس ایکٹیویشن میپ (CAM) تکنیک پر مبنی ہے۔ آپ ہیٹ میپ کا استعمال اپنی غلط پیش گوئی کی گئی تصاویر سے پیٹرن کی شناخت کے لیے کر سکتے ہیں، جو آپ کے ماڈل کے معیار کو بہتر بنانے میں مدد کر سکتا ہے۔

پر اسکور ٹیب، آپ درستگی کی جانچ کر سکتے ہیں اور ہر لیبل (یا کلاس یا عیب کی قسم) کے لیے ماڈل کو یاد کر سکتے ہیں۔ درستگی اور یاد کرنا بائنری اور ملٹی کلاس درجہ بندی ماڈل کی کارکردگی کی پیمائش کرنے کے لیے استعمال ہونے والی تشخیصی میٹرکس ہیں۔ درستگی بتاتی ہے کہ ماڈل کسی مخصوص طبقے کی پیش گوئی کرنے میں کتنا اچھا ہے (اس مثال میں عیب کی قسم)۔ Recall بتاتا ہے کہ ماڈل کتنی بار کسی مخصوص کلاس کا پتہ لگانے میں کامیاب رہا۔

ماڈل کا تجزیہ پیشین گوئی کے لیے استعمال کرنے سے پہلے اس کی درستگی کو سمجھنے میں آپ کی مدد کرتا ہے۔

پیشین گوئیاں کریں۔

ماڈل کے تجزیہ کے بعد، اب آپ مقناطیسی ٹائلوں میں نقائص کی نشاندہی کرنے کے لیے اس ماڈل کا استعمال کرتے ہوئے پیشین گوئیاں کر سکتے ہیں۔

پر پیش گوئ کرنا۔ ٹیب، آپ منتخب کر سکتے ہیں واحد پیشن گوئی اور بیچ کی پیشن گوئی. ایک پیشین گوئی میں، آپ خرابی کے بارے میں پیشین گوئی کرنے کے لیے اپنے مقامی کمپیوٹر یا S3 بالٹی سے ایک تصویر درآمد کرتے ہیں۔ بیچ کی پیشین گوئی میں، آپ متعدد تصاویر کے لیے پیشین گوئیاں کر سکتے ہیں جو SageMaker کینوس ڈیٹاسیٹ میں محفوظ ہیں۔ آپ SageMaker Canvas میں بیچ کی پیشین گوئی کے لیے ٹیسٹ یا انفرنس امیجز کے ساتھ ایک علیحدہ ڈیٹا سیٹ بنا سکتے ہیں۔ اس پوسٹ کے لیے، ہم سنگل اور بیچ پیشین گوئی دونوں استعمال کرتے ہیں۔

ایک پیشن گوئی کے لیے، پر پیش گوئ کرنا۔ ٹیب، منتخب کریں واحد پیشن گوئی، پھر منتخب کریں امپورٹ امپورٹ کریں۔ اپنے مقامی کمپیوٹر سے ٹیسٹ یا انفرنس امیج اپ لوڈ کرنے کے لیے۔

تصویر درآمد کرنے کے بعد، ماڈل خرابی کے بارے میں پیش گوئی کرتا ہے۔ پہلے اندازہ کے لیے، اس میں چند منٹ لگ سکتے ہیں کیونکہ ماڈل پہلی بار لوڈ ہو رہا ہے۔ لیکن ماڈل لوڈ ہونے کے بعد، یہ تصاویر کے بارے میں فوری پیشین گوئیاں کرتا ہے۔ آپ ہر لیبل کی قسم کے لیے پیشین گوئی کی تصویر اور اعتماد کی سطح دیکھ سکتے ہیں۔ مثال کے طور پر، اس صورت میں، مقناطیسی ٹائل کی تصویر میں سطح کی ناہموار خرابی کی پیش گوئی کی جاتی ہے ( Uneven لیبل) اور ماڈل اس کے بارے میں 94 فیصد پراعتماد ہے۔

اسی طرح، آپ خرابی کے بارے میں پیشین گوئی کرنے کے لیے دیگر تصاویر یا تصاویر کا ڈیٹا سیٹ استعمال کر سکتے ہیں۔

بیچ کی پیشین گوئی کے لیے، ہم بغیر لیبل والی تصاویر کا ڈیٹا سیٹ استعمال کرتے ہیں جسے کہتے ہیں۔ Magnetic-Tiles-Test-Dataset اپنے مقامی کمپیوٹر سے ڈیٹاسیٹ پر 12 ٹیسٹ تصاویر اپ لوڈ کر کے۔

پر پیش گوئ کرنا۔ ٹیب، منتخب کریں بیچ کی پیشن گوئی اور منتخب کریں ڈیٹاسیٹ منتخب کریں.

منتخب کریں Magnetic-Tiles-Test-Dataset ڈیٹا سیٹ اور منتخب کریں۔ پیشین گوئیاں بنائیں.

تمام تصاویر کے لیے پیشین گوئیاں تیار کرنے میں کچھ وقت لگے گا۔ جب حیثیت ہے۔ کے لئے تیار ہیںپیشین گوئیاں دیکھنے کے لیے ڈیٹاسیٹ کا لنک منتخب کریں۔

آپ اعتماد کی سطح کے ساتھ تمام تصاویر کے لیے پیشین گوئیاں دیکھ سکتے ہیں۔ آپ تصویری سطح کی پیشین گوئی کی تفصیلات دیکھنے کے لیے انفرادی تصاویر میں سے کسی کا انتخاب کر سکتے ہیں۔

آپ آف لائن کام کرنے کے لیے پیشین گوئی کو CSV یا .zip فائل فارمیٹ میں ڈاؤن لوڈ کر سکتے ہیں۔ آپ پیش گوئی شدہ لیبلز کی تصدیق بھی کر سکتے ہیں اور انہیں اپنے تربیتی ڈیٹاسیٹ میں شامل کر سکتے ہیں۔ پیش گوئی شدہ لیبلز کی تصدیق کرنے کے لیے، منتخب کریں۔ پیشن گوئی کی تصدیق کریں۔.

پیشین گوئی ڈیٹاسیٹ میں، آپ انفرادی تصاویر کے لیبلز کو اپ ڈیٹ کر سکتے ہیں اگر آپ کو پیش گوئی شدہ لیبل درست نہیں لگتا ہے۔ جب آپ ضرورت کے مطابق لیبلز کو اپ ڈیٹ کر لیں تو منتخب کریں۔ تربیت یافتہ ڈیٹاسیٹ میں شامل کریں۔ تصاویر کو اپنے تربیتی ڈیٹاسیٹ میں ضم کرنے کے لیے (اس مثال میں، Magnetic-Tiles-Dataset).

یہ تربیتی ڈیٹاسیٹ کو اپ ڈیٹ کرتا ہے، جس میں آپ کی موجودہ تربیتی تصاویر اور پیشین گوئی شدہ لیبلز والی نئی تصاویر دونوں شامل ہیں۔ آپ اپ ڈیٹ کردہ ڈیٹاسیٹ کے ساتھ ایک نئے ماڈل ورژن کو تربیت دے سکتے ہیں اور ممکنہ طور پر ماڈل کی کارکردگی کو بہتر بنا سکتے ہیں۔ نیا ماڈل ورژن ایک اضافی تربیت نہیں ہوگا، بلکہ اپ ڈیٹ کردہ ڈیٹاسیٹ کے ساتھ شروع سے ایک نئی تربیت ہوگی۔ اس سے ڈیٹا کے نئے ذرائع سے ماڈل کو تازہ دم رکھنے میں مدد ملتی ہے۔

صاف کرو

SageMaker Canvas کے ساتھ اپنا کام مکمل کرنے کے بعد، منتخب کریں۔ باہر لاگ ان کریں سیشن کو بند کرنے اور مزید لاگت سے بچنے کے لیے۔

جب آپ لاگ آؤٹ کرتے ہیں، تو آپ کا کام جیسا کہ ڈیٹا سیٹس اور ماڈلز محفوظ رہتے ہیں، اور آپ بعد میں کام جاری رکھنے کے لیے سیج میکر کینوس سیشن دوبارہ شروع کر سکتے ہیں۔

سیج میکر کینوس پیشین گوئیاں پیدا کرنے کے لیے ایک غیر مطابقت پذیر سیج میکر اینڈ پوائنٹ بناتا ہے۔ اینڈ پوائنٹ، اینڈ پوائنٹ کنفیگریشن، اور SageMaker Canvas کے ذریعہ بنائے گئے ماڈل کو حذف کرنے کے لیے، حوالہ دیں۔ اختتامی مقامات اور وسائل کو حذف کریں۔.

نتیجہ

اس پوسٹ میں، آپ نے سیکھا کہ SageMaker Canvas کا استعمال کیسے کیا جاتا ہے تاکہ تیار کردہ مصنوعات میں نقائص کا اندازہ لگانے کے لیے تصویر کی درجہ بندی کا ماڈل بنایا جائے، بصری معائنہ کے معیار کے عمل کی تعریف اور اسے بہتر بنایا جائے۔ آپ اپنے مینوفیکچرنگ ماحول سے مختلف امیج ڈیٹا سیٹس کے ساتھ SageMaker Canvas کا استعمال کر سکتے ہیں تاکہ استعمال کے معاملات جیسے کہ پیش گوئی کی دیکھ بھال، پیکج کا معائنہ، کارکنان کی حفاظت، سامان سے باخبر رہنے اور مزید بہت کچھ کے لیے ماڈلز بنائے جائیں۔ سیج میکر کینوس آپ کو پیشن گوئیاں پیدا کرنے کے لیے ML کا استعمال کرنے کی صلاحیت فراہم کرتا ہے، بغیر کسی کوڈ کو لکھنے کی ضرورت، تشخیص کو تیز کرتا ہے اور CV ML صلاحیتوں کو اپناتا ہے۔

شروع کرنے اور SageMaker Canvas کے بارے میں مزید جاننے کے لیے، درج ذیل وسائل سے رجوع کریں:

---

مصنفین کے بارے میں

برجیندر سنگھ ایمیزون ویب سروسز میں حل آرکیٹیکٹ ہے جو انٹرپرائز صارفین کے ساتھ کام کر رہا ہے۔ اس کے پاس مضبوط ڈویلپر پس منظر ہے اور وہ ڈیٹا اور مشین لرننگ سلوشنز کے لیے ایک گہری پرجوش ہے۔

ڈینی اسمتھ پرنسپل، ML اسٹریٹجسٹ برائے آٹوموٹیو اور مینوفیکچرنگ انڈسٹریز، صارفین کے لیے اسٹریٹجک مشیر کے طور پر خدمات انجام دے رہے ہیں۔ ان کے کیریئر کی توجہ بورڈ روم سے لے کر دکان کے فرش تک ڈیٹا، ٹکنالوجی اور ریاضی سے فائدہ اٹھانے میں کلیدی فیصلہ سازوں کی مدد کرنے پر مرکوز ہے۔ حال ہی میں ان کی زیادہ تر گفتگو مشین لرننگ اور تخلیقی AI کو جمہوری بنانے پر ہے۔

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۔

• 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۔ آٹوموٹو / ای وی، کاربن، کلین ٹیک، توانائی ، ماحولیات، شمسی، ویسٹ مینجمنٹ یہاں تک رسائی حاصل کریں۔
• بلاک آفسیٹس۔ ماحولیاتی آفسیٹ ملکیت کو جدید بنانا۔ یہاں تک رسائی حاصل کریں۔
• ماخذ: https://aws.amazon.com/blogs/machine-learning/democratize-computer-vision-defect-detection-for-manufacturing-quality-using-no-code-machine-learning-with-amazon-sagemaker-canvas/