ایک MLOps حل تعینات کریں جو AWS Lambda میں آپ کے ماڈل اینڈ پوائنٹس کی میزبانی کرے۔

2019 میں، ایمیزون نے مشترکہ بنیاد رکھی آب و ہوا کا عہد. اس عہد کا ہدف 2040 تک خالص صفر کاربن حاصل کرنا ہے۔ یہ پیرس معاہدے کے خاکہ سے 10 سال پہلے کا ہے۔ جو کمپنیاں سائن اپ کرتی ہیں وہ باقاعدہ رپورٹنگ، کاربن کے خاتمے، اور قابل اعتبار آفسیٹس کے لیے پرعزم ہیں۔ اس تحریر کے وقت، 377 کمپنیوں نے آب و ہوا کے عہد پر دستخط کیے ہیں، اور یہ تعداد اب بھی بڑھ رہی ہے۔

چونکہ AWS کلاؤڈ سلوشنز اور مشین لرننگ (ML) کے ذریعے آپ کے خالص صفر کے ہدف کو حاصل کرنے میں آپ کی مدد کرنے کے لیے پرعزم ہے، اس لیے بہت سے پروجیکٹ پہلے ہی تیار اور تعینات کیے جا چکے ہیں جو کاربن کے اخراج کو کم کرتے ہیں۔ مینوفیکچرنگ ان صنعتوں میں سے ایک ہے جو اس طرح کے منصوبوں سے بہت فائدہ اٹھا سکتی ہے۔ کمپریسرز یا چلرز جیسی مینوفیکچرنگ فیکٹریوں میں مشینوں کے بہتر توانائی کے انتظام کے ذریعے، کمپنیاں ایم ایل کے ساتھ اپنے کاربن فوٹ پرنٹ کو کم کر سکتی ہیں۔

ML تجرباتی مرحلے سے پیداوار میں مؤثر طریقے سے منتقلی چیلنجنگ ہے۔ خودکار ماڈل کی تربیت اور دوبارہ تربیت، ماڈل رجسٹری کا ہونا، اور تجربات سے باخبر رہنا اور تعیناتی کچھ اہم چیلنجز ہیں۔ مینوفیکچرنگ کمپنیوں کے لیے، پیچیدگی کی ایک اور پرت ہے، یعنی یہ تعینات کردہ ماڈلز کنارے پر کیسے چل سکتے ہیں۔

اس پوسٹ میں، ہم مشین لرننگ آپریشنز (MLOps) ٹیمپلیٹ فراہم کر کے ان چیلنجوں سے نمٹتے ہیں جو پائیدار توانائی کے انتظام کے حل کی میزبانی کرتا ہے۔ معاملات کو استعمال کرنے کے لیے حل اجناسٹک ہے، جس کا مطلب ہے کہ آپ ماڈل اور ڈیٹا کو تبدیل کرکے اسے اپنے استعمال کے معاملات کے لیے ڈھال سکتے ہیں۔ ہم آپ کو دکھاتے ہیں کہ ماڈلز کو کیسے انٹیگریٹ کیا جائے۔ ایمیزون سیج میکر پائپ لائنز، ML پائپ لائنوں کی تعمیر کے لئے ایک مقامی ورک فلو آرکیسٹریشن ٹول، جو ایک تربیتی کام چلاتا ہے اور اختیاری طور پر مونٹی کارلو سمولیشن کے ساتھ پروسیسنگ کا کام کرتا ہے۔ تجربات کو ٹریک کیا جاتا ہے۔ ایمیزون سیج میکر کے تجربات. ماڈلز کو ٹریک اور رجسٹرڈ کیا جاتا ہے۔ ایمیزون سیج میکر ماڈل رجسٹری. آخر میں، ہم ایک میں آپ کے حتمی ماڈل کی تعیناتی کے لیے کوڈ فراہم کرتے ہیں۔ او ڈبلیو ایس لامبڈا۔ تقریب.

لیمبڈا ایک کمپیوٹ سروس ہے جو آپ کو سرورز کے انتظام یا فراہمی کے بغیر کوڈ چلانے دیتی ہے۔ لیمبڈا کی خودکار اسکیلنگ، ادائیگی فی درخواست بلنگ، اور استعمال میں آسانی اسے ڈیٹا سائنس ٹیموں کے لیے تعیناتی کا ایک عام انتخاب بناتی ہے۔ اس پوسٹ کے ساتھ، ڈیٹا سائنسدان اپنے ماڈل کو لاگت سے موثر اور قابل توسیع لیمبڈا فنکشن میں تبدیل کر سکتے ہیں۔ مزید برآں، لیمبڈا کے ساتھ انضمام کی اجازت دیتا ہے۔ AWS IoT گرین گراس، جو آپ کو ایسا سافٹ ویئر بنانے میں مدد کرتا ہے جو آپ کے آلات کو اس قابل بناتا ہے کہ وہ اس ڈیٹا پر کام کر سکے جو وہ پیدا کرتے ہیں، جیسا کہ ایک پائیدار توانائی کے انتظام کے حل کا معاملہ ہوگا۔

حل جائزہ

ہم جس فن تعمیر کو تعینات کرتے ہیں (مندرجہ ذیل تصویر دیکھیں) مشین لرننگ کے لیے مکمل طور پر CI/CD سے چلنے والا طریقہ ہے۔ ایک یک سنگی حل ہونے سے بچنے کے لیے عناصر کو جوڑ دیا جاتا ہے۔

آئیے خاکے کے اوپری بائیں سے شروع کریں۔ دی پروسیسنگ - تصویر کی تعمیر جزو ایک CI/CD سے چلنے والا ہے۔ AWS CodeCommit ذخیرہ جو بنانے اور آگے بڑھانے میں مدد کرتا ہے۔ میں Docker کنٹینر کو ایمیزون لچکدار کنٹینر رجسٹری (ایمیزون ای سی آر)۔ یہ پروسیسنگ کنٹینر ہماری ML پائپ لائن میں پہلے قدم کے طور پر کام کرتا ہے، لیکن اسے پوسٹ پروسیسنگ کے مراحل کے لیے بھی دوبارہ استعمال کیا جاتا ہے۔ ہمارے معاملے میں، ہم پوسٹ پروسیسنگ کے طور پر مونٹی کارلو سمولیشن کا اطلاق کرتے ہیں۔ دی تربیت - تصویر کی تعمیر نیچے بائیں طرف بیان کردہ ذخیرہ میں وہی طریقہ کار ہے جیسا کہ پروسیسنگ اس کے اوپر بلاک. بنیادی فرق یہ ہے کہ یہ ماڈل ٹریننگ کے لیے کنٹینر بناتا ہے۔

مین پائپ لائن، ماڈل بلڈنگ (پائپ لائن), ایک اور CodeCommit ذخیرہ ہے جو آپ کی SageMaker پائپ لائنوں کو خود کار طریقے سے چلاتا ہے۔ یہ پائپ لائن ڈیٹا پری پروسیسنگ، ماڈل ٹریننگ، SageMaker تجربات میں ماڈل میٹرکس ٹریکنگ، ڈیٹا پوسٹ پروسیسنگ، اور SageMaker ماڈل رجسٹری میں ماڈل کیٹلاگ کو خودکار اور مربوط کرتی ہے۔

حتمی جزو نیچے دائیں طرف ہے: ماڈل کی تعیناتی۔. اگر آپ ان مثالوں کی پیروی کرتے ہیں۔ ایمیزون سیج میکر پروجیکٹس، آپ کو ایک ٹیمپلیٹ ملتا ہے جو SageMaker اینڈ پوائنٹ کا استعمال کرتے ہوئے آپ کے ماڈل کی میزبانی کرتا ہے۔ اس کے بجائے ہمارا تعیناتی ذخیرہ لیمبڈا فنکشن میں ماڈل کی میزبانی کرتا ہے۔ ہم لیمبڈا فنکشن کی تعیناتی کے لیے ایک نقطہ نظر دکھاتے ہیں جو ریئل ٹائم پیشین گوئیاں چلا سکتا ہے۔

شرائط

ہمارے حل کو کامیابی کے ساتھ تعینات کرنے کے لیے، آپ کو درج ذیل کی ضرورت ہے:

GitHub ذخیرہ ڈاؤن لوڈ کریں۔

پہلے قدم کے طور پر، کلون کریں۔ GitHub ذخیرہ آپ کی مقامی مشین پر۔ یہ مندرجہ ذیل فولڈر کی ساخت پر مشتمل ہے:

• تعیناتی - تعیناتی کے لیے متعلقہ کوڈ پر مشتمل ہے۔
• ملیب - پری پروسیسنگ، ٹریننگ، سرونگ، اور سمیولیٹ کے لیے ML کوڈ پر مشتمل ہے۔
• ٹیسٹ - یونٹ اور انضمام کے ٹیسٹ پر مشتمل ہے۔

تعیناتی کے لیے کلیدی فائل شیل اسکرپٹ ہے۔ deployment/deploy.sh. آپ اس فائل کو اپنے اکاؤنٹ میں وسائل کی تعیناتی کے لیے استعمال کرتے ہیں۔ اس سے پہلے کہ ہم شیل اسکرپٹ کو چلا سکیں، درج ذیل مراحل کو مکمل کریں:

1. کھولو deployment/app.py اور bucket_name کے نیچے تبدیل کریں۔ SageMakerPipelineSourceCodeStack. bucket_name عالمی سطح پر منفرد ہونے کی ضرورت ہے (مثال کے طور پر، اپنا پورا نام شامل کریں)۔
2. In deployment/pipeline/assets/modelbuild/pipelines/energy_management/pipeline.py، تبدیل کریں default_bucket کے تحت get_pipeline اسی نام پر جیسا کہ مرحلہ 1 میں بیان کیا گیا ہے۔

AWS CDK کے ساتھ حل تعینات کریں۔

سب سے پہلے، اپنے AWS CLI کو ترتیب دیں۔ اس اکاؤنٹ اور ریجن کے ساتھ جس میں آپ تعینات کرنا چاہتے ہیں۔ پھر تعیناتی ڈائرکٹری میں تبدیل کرنے کے لیے درج ذیل کمانڈز کو چلائیں، ورچوئل ماحول بنائیں، اسے فعال کریں، مطلوبہ پائپ پیکجز انسٹال کریں setup.py، اور چلائیں deploy.sh:

cd deployment
python3 -m venv .venv
source .venv/bin/activate
pip install -r requirements.txt
pre-commit install
chmod u+x deploy.sh
./deploy.sh

deploy.sh مندرجہ ذیل اعمال انجام دیتا ہے:

1. ازگر میں ایک ورچوئل ماحول بناتا ہے۔
2. ورچوئل انوائرمنٹ ایکٹیویشن اسکرپٹ کو ماخذ کرتا ہے۔
3. AWS CDK انسٹال کرتا ہے اور اس میں بیان کردہ ضروریات setup.py.
4. بوٹسٹریپس ماحول.
5. آپ کی تیار کردہ ضروری فائلوں کو زپ اور کاپی کرتا ہے، جیسے کہ آپ کی mllib فائلیں، متعلقہ فولڈرز میں جہاں ان اثاثوں کی ضرورت ہے۔
6. رنز cdk deploy —require-approval never.
7. ایک تخلیق کرتا ہے۔ AWS کلاؤڈ فارمیشن AWS CDK کے ذریعے اسٹیک کریں۔

تعیناتی کے ابتدائی مرحلے میں 5 منٹ سے کم وقت لگنا چاہیے۔ اب آپ کے پاس اس خطے میں CodeCommit میں چار ریپوزٹریز ہونے چاہئیں جس کی آپ نے AWS CLI کے ذریعے وضاحت کی ہے، جیسا کہ آرکیٹیکچر ڈایاگرام میں بتایا گیا ہے۔ دی AWS کوڈ پائپ لائن پائپ لائنیں ایک ساتھ چلائی جاتی ہیں۔ دی modelbuild اور modeldeploy پائپ لائنوں کا انحصار پروسیسنگ اور ٹریننگ امیج بلڈ کے کامیاب رن پر ہے۔ دی modeldeploy پائپ لائن ایک کامیاب ماڈل کی تعمیر پر منحصر ہے. ماڈل کی تعیناتی 1.5 گھنٹے سے بھی کم وقت میں مکمل ہونی چاہیے۔

اسٹوڈیو میں ماڈل ریپوزٹریوں کو کلون کریں۔

اسٹوڈیو UI میں AWS CDK کی تعیناتی کے ذریعے تخلیق کردہ SageMaker پائپ لائنوں کو اپنی مرضی کے مطابق بنانے کے لیے، آپ کو پہلے ذخیروں کو اسٹوڈیو میں کلون کرنا ہوگا۔ اسٹوڈیو میں سسٹم ٹرمینل لانچ کریں اور پروجیکٹ کا نام اور ID فراہم کرنے کے بعد درج ذیل کمانڈز چلائیں۔

git clone https://git-codecommit.REGION.amazonaws.com/v1/repos/sagemaker-PROJECT_NAME-PROJECT_ID-modelbuild
git clone https://git-codecommit.REGION.amazonaws.com/v1/repos/sagemaker-PROJECT_NAME-PROJECT_ID-modeldeploy
git clone https://git-codecommit.REGION.amazonaws.com/v1/repos/sagemaker-PROJECT_NAME-PROJECT_ID-processing-imagebuild
git clone https://git-codecommit.REGION.amazonaws.com/v1/repos/sagemaker-PROJECT_NAME-PROJECT_ID-training-imagebuild

ریپوزٹریوں کو کلون کرنے کے بعد، آپ ریپوزٹریز کے لیے کمٹ کو آگے بڑھا سکتے ہیں۔ یہ کمٹٹس متعلقہ پائپ لائنوں کے لیے ایک کوڈ پائپ لائن کو متحرک کرتے ہیں۔

آپ حل کو اپنی مقامی مشین پر بھی ڈھال سکتے ہیں اور اپنی ترجیحی IDE پر کام کر سکتے ہیں۔

سیج میکر پائپ لائنز اور سیج میکر تجربات UI پر جائیں۔

سیج میکر پائپ لائن ایک دوسرے سے جڑے ہوئے اقدامات کی ایک سیریز ہے جس کی وضاحت کا استعمال کرتے ہوئے کی گئی ہے۔ Amazon SageMaker Python SDK. یہ پائپ لائن ڈیفینیشن ڈائریکٹڈ ایکائیلک گراف (DAG) کا استعمال کرتے ہوئے ایک پائپ لائن کو انکوڈ کرتی ہے جسے JSON تعریف کے طور پر ایکسپورٹ کیا جا سکتا ہے۔ اس طرح کی پائپ لائنوں کی ساخت کے بارے میں مزید جاننے کے لیے، ملاحظہ کریں۔ سیج میکر پائپ لائنز کا جائزہ.

پر تشریف لے جائیں سیج میکر کے وسائل پین اور دیکھنے کے لیے پائپ لائنز کا وسیلہ منتخب کریں۔ کے تحت نام، آپ کو دیکھنا چاہیے۔ PROJECT_NAME-PROJECT_ID. رن UI میں، ایک کامیاب رن ہونا چاہیے جس میں 1 گھنٹہ سے تھوڑا زیادہ وقت لگے گا۔ پائپ لائن کو نظر آنا چاہئے جیسا کہ مندرجہ ذیل اسکرین شاٹ میں دکھایا گیا ہے۔

AWS CDK اسٹیک کے تعینات ہونے کے بعد رن خود بخود متحرک ہو گیا۔ آپ منتخب کر کے دستی طور پر ایک رن کی درخواست کر سکتے ہیں۔ تخلیق کریں عملدرآمد. وہاں سے آپ اپنے پائپ لائن پیرامیٹرز کا انتخاب کر سکتے ہیں جیسے کہ مثال کی قسم اور پروسیسنگ اور تربیتی مراحل کے لیے مثالوں کی تعداد۔ مزید برآں، آپ رن کو ایک نام اور تفصیل دے سکتے ہیں۔ پائپ لائن پائپ لائن کے پیرامیٹرز کے ذریعے انتہائی قابل ترتیب ہے جس کا حوالہ آپ پوری پائپ لائن کی تعریف میں بیان کر سکتے ہیں۔

اپنی مرضی کے مطابق اپنے پیرامیٹرز کے ساتھ ایک اور پائپ لائن چلانے کے لیے بلا جھجھک۔ اس کے بعد، پر تشریف لے جائیں۔ سیج میکر کے وسائل دوبارہ پین اور منتخب کریں تجربات اور آزمائشیں۔. وہاں آپ کو دوبارہ ایک نام کے ساتھ ایک لائن نظر آنی چاہئے جیسے PROJECT_NAME-PROJECT_ID. تجربہ پر جائیں اور بے ترتیب ID کے ساتھ واحد رن کا انتخاب کریں۔ وہاں سے، تربیتی جاب سے متعلق میٹرکس کو دریافت کرنے کے لیے SageMaker ٹریننگ جاب کا انتخاب کریں۔

SageMaker Experiments کا ہدف یہ ہے کہ تجربات کو تخلیق کرنا، انہیں آزمائشوں کے ساتھ آباد کرنا، اور آزمائشوں اور تجربات میں تجزیات چلانا ممکن حد تک آسان بنانا ہے۔ سیج میکر پائپ لائنز سیج میکر تجربات کے ساتھ قریب سے مربوط ہیں، اور ہر رن کے لیے پہلے سے طے شدہ طور پر ایک تجربہ، آزمائش اور آزمائشی اجزاء تخلیق کرتے ہیں اگر وہ موجود نہ ہوں۔

ماڈل رجسٹری میں لیمبڈا کی تعیناتی کو منظور کریں۔

اگلے مرحلے کے طور پر، ماڈل رجسٹری کے تحت نیویگیٹ کریں۔ سیج میکر کے وسائل. یہاں آپ کو ایک نام کے ساتھ ایک لائن دوبارہ مل سکتی ہے جیسے PROJECT_NAME-PROJECT_ID. موجود واحد ماڈل پر جائیں اور اسے منظور کریں۔ یہ خود بخود ماڈل آرٹفیکٹ کو لیمبڈا میں ایک کنٹینر میں تعینات کرتا ہے۔

ماڈل رجسٹری میں اپنے ماڈل کو منظور کرنے کے بعد، ایک ایمیزون ایونٹ برج واقعہ کا اصول متحرک ہے۔ یہ اصول کوڈ پائپ لائن پائپ لائن کو اختتام کے ساتھ چلاتا ہے۔ *-modeldeploy. اس سیکشن میں، ہم بحث کرتے ہیں کہ یہ حل کس طرح منظور شدہ ماڈل کو استعمال کرتا ہے اور اسے لیمبڈا فنکشن میں میزبانی کرتا ہے۔ CodePipeline موجودہ CodeCommit ریپوزٹری کو بھی لے جاتی ہے جس کے ساتھ ختم ہوتا ہے۔ *-modeldeploy اور اس کوڈ کو CodeBuild میں چلانے کے لیے استعمال کرتا ہے۔ CodeBuild کے لیے مرکزی اندراج ہے۔ buildspec.yml فائل آئیے پہلے اس کو دیکھتے ہیں:

version: 0.2

env:
  shell: bash

phases:
  install:
    runtime_versions:
      python: 3.8
    commands:
      - python3 -m ensurepip --upgrade
      - python3 -m pip install --upgrade pip
      - python3 -m pip install --upgrade virtualenv
      - python3 -m venv .venv
      - source .venv/bin/activate
      - npm install -g aws-cdk@2.26.0
      - pip install -r requirements.txt
      - cdk bootstrap
  build:
    commands:
      - python build.py --model-package-group-name "$SOURCE_MODEL_PACKAGE_GROUP_NAME"
      - tar -xf model.tar.gz
      - cp model.joblib lambda/digital_twin
      - rm model.tar.gz
      - rm model.joblib
      - cdk deploy --require-approval never

تنصیب کے مرحلے کے دوران، ہم اس بات کو یقینی بناتے ہیں کہ Python لائبریریاں اپ ٹو ڈیٹ ہیں، ایک ورچوئل ماحول بنائیں، AWS CDK v2.26.0 انسٹال کریں، اور انسٹال کریں۔ aws-cdk ضروریات کی فائل کا استعمال کرتے ہوئے دوسروں کے ساتھ ازگر لائبریری۔ ہم بھی AWS اکاؤنٹ کو بوٹسٹریپ کریں۔. تعمیر کے مرحلے میں، ہم چلاتے ہیں build.py، جس پر ہم آگے بات کریں گے۔ وہ فائل تازہ ترین منظور شدہ سیج میکر ماڈل آرٹفیکٹ کو ڈاؤن لوڈ کرتی ہے۔ ایمیزون سادہ اسٹوریج سروس (ایمیزون S3) آپ کے مقامی CodeBuild مثال کے طور پر۔ یہ .tar.gz فائل کو ان زپ کیا جاتا ہے اور اس کے مواد کو فولڈر میں کاپی کیا جاتا ہے جس میں ہمارا مرکزی لیمبڈا کوڈ بھی ہوتا ہے۔ Lambda فنکشن AWS CDK کا استعمال کرتے ہوئے تعینات کیا جاتا ہے، اور کوڈ Amazon ECR سے ڈوکر کنٹینر سے باہر ہوتا ہے۔ یہ AWS CDK کے ذریعہ خود بخود ہوتا ہے۔

۔ build.py فائل ایک ازگر فائل ہے جو زیادہ تر استعمال کرتی ہے۔ AWS SDK برائے Python (Boto3) دستیاب ماڈل پیکجوں کی فہرست کے لیے۔

تقریب get_approved_package اس کے بعد ڈاؤن لوڈ کیے گئے نمونے کا Amazon S3 URI واپس کرتا ہے، جیسا کہ پہلے بیان کیا گیا ہے۔

اپنے ماڈل کو کامیابی کے ساتھ تعینات کرنے کے بعد، آپ کر سکتے ہیں۔ ٹیسٹ یہ براہ راست اس خطے میں لیمبڈا کنسول پر ہے جس میں آپ نے تعینات کرنے کا انتخاب کیا ہے۔ فنکشن کا نام ہونا چاہئے DigitalTwinStack-DigitalTwin*. فنکشن کھولیں اور نیویگیٹ کریں۔ ٹیسٹ ٹیب آپ ٹیسٹ کال چلانے کے لیے درج ذیل ایونٹ کا استعمال کر سکتے ہیں:

{
  "flow": "[280, 300]",
  "pressure": "[69, 70]",
  "simulations": "10",
  "no_of_trials": "10",
  "train_error_weight": "1.0"
}

ٹیسٹ ایونٹ چلانے کے بعد، آپ کو مندرجہ ذیل اسکرین شاٹ میں دکھائے گئے جواب کی طرح کا جواب ملتا ہے۔

اگر آپ مزید نقلیں یا ٹرائلز چلانا چاہتے ہیں، تو آپ Lambda ٹائم آؤٹ کی حد کو بڑھا سکتے ہیں اور کوڈ کے ساتھ تجربہ کر سکتے ہیں! یا آپ تیار کردہ ڈیٹا کو اٹھانا چاہتے ہیں اور اسی میں تصور کرنا چاہتے ہیں۔ ایمیزون کوئیک سائٹ. ذیل میں ایک مثال ہے۔ اب آپ کی باری ہے!

صاف کرو

مزید چارجز سے بچنے کے لیے، درج ذیل اقدامات مکمل کریں:

• AWS CloudFormation کنسول پر، حذف کریں۔ EnergyOptimization اسٹیک
  یہ پورا حل حذف کر دیتا ہے۔
• اسٹیک کو حذف کریں۔ DigitalTwinStack، جس نے آپ کے لیمبڈا فنکشن کو تعینات کیا۔

نتیجہ

اس پوسٹ میں، ہم نے آپ کو توانائی کے انتظام کے حل کی ایک CI/CD سے چلنے والی MLOps پائپ لائن دکھائی ہے جہاں ہم ہر قدم کو الگ کرتے ہیں۔ آپ اسٹوڈیو UI میں اپنی ML پائپ لائنز اور تجربات کو ٹریک کر سکتے ہیں۔ ہم نے ایک مختلف تعیناتی نقطہ نظر کا بھی مظاہرہ کیا: ماڈل رجسٹری میں ماڈل کی منظوری کے بعد، منظور شدہ ماڈل کی میزبانی کرنے والا Lambda فنکشن CodePipeline کے ذریعے خود بخود بنایا جاتا ہے۔

اگر آپ AWS پر MLOps پائپ لائن یا پائیدار توانائی کے انتظام کے حل کو تلاش کرنے میں دلچسپی رکھتے ہیں، تو دیکھیں GitHub ذخیرہ اور اسٹیک کو اپنے AWS ماحول میں تعینات کریں!

مصنفین کے بارے میں

لارنس وین ڈیر ماس AWS پروفیشنل سروسز میں ڈیٹا سائنٹسٹ ہے۔ وہ AWS پر اپنے مشین لرننگ سلوشنز بنانے والے صارفین کے ساتھ مل کر کام کرتا ہے، اور اس بارے میں پرجوش ہے کہ کس طرح مشین لرننگ دنیا کو بدل رہی ہے جیسا کہ ہم جانتے ہیں۔

کانگ کانگ وانگ AWS پروفیشنل سروسز کے ساتھ ایک AI/ML کنسلٹنٹ ہے۔ اسے صحت کی دیکھ بھال اور زندگی کے علوم عمودی میں AI/ML حل تعینات کرنے کا وسیع تجربہ ہے۔ وہ انٹرپرائز صارفین کو ان کے ڈیٹا سائنسدانوں کے کلاؤڈ سفر کو تیز کرنے کے لیے توسیع پذیر AI/ML پلیٹ فارم بنانے میں مدد کرنے سے بھی لطف اندوز ہوتی ہے۔

سیلینا تبارا AWS پروفیشنل سروسز میں ڈیٹا سائنٹسٹ ہے۔ وہ اپنے صارفین کے ساتھ روزانہ کام کرتی ہے تاکہ AWS پلیٹ فارمز پر جدت لا کر ان کے کاروباری نتائج حاصل کر سکیں۔ اپنے فارغ وقت میں، سیلینا کو پیانو بجانا، پیدل سفر کرنا اور باسکٹ بال دیکھنے کا مزہ آتا ہے۔

مائیکل والنر AWS پروفیشنل سروسز کے ساتھ AI/ML پر فوکس کرنے والا ایک سینئر کنسلٹنٹ ہے۔ مائیکل صارفین کو اپنے کلاؤڈ سفر پر AWSome بننے کے قابل بنانے کا پرجوش ہے۔ وہ مینوفیکچرنگ کے بارے میں پرجوش ہے اور ڈیٹا کے ذریعے مینوفیکچرنگ کی جگہ کو تبدیل کرنے میں مدد کرتا ہے۔