Refinitiv Data Library، AWS سروسز، اور Amazon SageMaker کے ساتھ ریئل ٹائم نیوز اسٹریمز کو تقویت بخشنا

یہ پوسٹ ماریوس سکیوفیلاکاس، جیسن رامچندانی اور ہائیکاز آرامیان ریفینیٹیو، ایک ایل ایس ای جی بزنس کے شریک مصنف ہیں۔

مالیاتی خدمات فراہم کرنے والوں کو اکثر متعلقہ خبروں کی شناخت کرنے، اس کا تجزیہ کرنے، بصیرت نکالنے، اور حقیقی وقت میں کارروائیاں کرنے کی ضرورت ہوتی ہے، جیسے کہ اضافی معلومات یا خبر کے سیاق و سباق کی بنیاد پر مخصوص آلات (جیسے اشیاء، حصص، فنڈز) کی تجارت کرنا۔ ایسی ہی ایک اضافی معلومات (جسے ہم اس پوسٹ میں بطور مثال استعمال کرتے ہیں) خبر کا جذبہ ہے۔

Refinitiv Data (RD) لائبریریاں Refinitiv ڈیٹا کیٹلاگ تک یکساں رسائی کے لیے انٹرفیس کا ایک جامع سیٹ فراہم کرتی ہیں۔ لائبریری تجرید کی متعدد پرتیں پیش کرتی ہے جو تمام ڈویلپرز کے لیے موزوں مختلف طرزیں اور پروگرامنگ تکنیک فراہم کرتی ہے، کم تاخیر سے لے کر ریفینیٹیو ڈیٹا کے بیچ ادخال تک حقیقی وقت تک رسائی۔

اس پوسٹ میں، ہم ایک پروٹو ٹائپ AWS فن تعمیر پیش کرتے ہیں جو RD لائبریریوں کا استعمال کرتے ہوئے ہماری نیوز فیڈز کو ہضم کرتا ہے اور ان کا استعمال کرتے ہوئے مشین لرننگ (ML) ماڈل کی پیشین گوئیوں کے ساتھ ان میں اضافہ کرتا ہے۔ ایمیزون سیج میکرAWS کی طرف سے مکمل طور پر منظم ML سروس۔

ایک ماڈیولر فن تعمیر کو ڈیزائن کرنے کی کوشش میں جسے مختلف استعمال کے معاملات میں استعمال کیا جا سکتا ہے، جیسے جذبات کا تجزیہ، نام کی ہستی کی شناخت، اور مزید، اضافہ کے لیے استعمال ہونے والے ML ماڈل سے قطع نظر، ہم نے حقیقی وقت کی جگہ پر توجہ مرکوز کرنے کا فیصلہ کیا۔ اس فیصلے کی وجہ یہ ہے کہ اصل وقت کے استعمال کے معاملات عام طور پر زیادہ پیچیدہ ہوتے ہیں اور یہ کہ اسی فن تعمیر کو بیچ کے تخمینے کے لیے، کم سے کم ایڈجسٹمنٹ کے ساتھ بھی استعمال کیا جا سکتا ہے۔ ہمارے استعمال کے معاملے میں، ہم ایک ایسے فن تعمیر کو نافذ کرتے ہیں جو ہماری ریئل ٹائم نیوز فیڈ کو ہضم کرتا ہے، ML کا استعمال کرتے ہوئے ہر خبر کی سرخی پر جذبات کا حساب لگاتا ہے، اور پبلشر/سبسکرائبر آرکیٹیکچر کے ذریعے AI بہتر شدہ فیڈ کو دوبارہ پیش کرتا ہے۔

مزید برآں، MLOps طریقوں کو اپنا کر ML ماڈلز کی تیاری کے لیے ایک جامع اور دوبارہ قابل استعمال طریقہ پیش کرنے کے لیے، ہم پروٹوٹائپ کے پورے MLOps لائف سائیکل کے دوران بنیادی ڈھانچے کے تصور کو بطور کوڈ (IaC) متعارف کراتے ہیں۔ Terraform اور سنگل انٹری پوائنٹ کنفیگر ایبل اسکرپٹ کا استعمال کرکے، ہم صرف چند منٹوں میں AWS پر، پروڈکشن موڈ میں، پورے انفراسٹرکچر کو انسٹیٹیوٹ کرنے کے قابل ہیں۔

اس حل میں، ہم انفرادی ماڈلز کی ترقی، تربیت، اور تعیناتی کے MLOps پہلو پر توجہ نہیں دیتے۔ اگر آپ اس بارے میں مزید جاننے میں دلچسپی رکھتے ہیں، تو رجوع کریں۔ Amazon SageMaker کے ساتھ کاروباری اداروں کے لیے MLOps فاؤنڈیشن روڈ میپ، جو بہترین طریقوں کے بعد ماڈل کی تعمیر، تربیت، اور تعیناتی کے لیے ایک فریم ورک کی تفصیل سے وضاحت کرتا ہے۔

حل جائزہ

اس پروٹو ٹائپ میں، ہم IaC کے مطابق مکمل طور پر خودکار پروویژننگ طریقہ کار کی پیروی کرتے ہیں۔ بہترین طریقوں. IaC انٹرایکٹو کنفیگریشن ٹولز استعمال کرنے کے بجائے خودکار اسکرپٹس کا استعمال کرتے ہوئے پروگرام کے لحاظ سے وسائل کی فراہمی کا عمل ہے۔ وسائل ہارڈ ویئر اور مطلوبہ سافٹ ویئر دونوں ہو سکتے ہیں۔ ہمارے معاملے میں، ہم ایک واحد کنفیگر ایبل انٹری پوائنٹ کے نفاذ کو پورا کرنے کے لیے Terraform کا استعمال کرتے ہیں جو خود بخود پورے انفراسٹرکچر کو گھما سکتا ہے جس کی ہمیں ضرورت ہے، بشمول سیکیورٹی اور رسائی کی پالیسیاں، نیز خودکار نگرانی۔ اس واحد انٹری پوائنٹ کے ساتھ جو Terraform اسکرپٹس کے مجموعے کو متحرک کرتا ہے، ایک فی سروس یا ریسورس ہستی، ہم فن تعمیر کے تمام اجزاء یا حصوں کے لائف سائیکل کو مکمل طور پر خودکار کر سکتے ہیں، جس سے ہمیں DevOps کے ساتھ ساتھ دانے دار کنٹرول دونوں پر لاگو کرنے کی اجازت ملتی ہے۔ MLOps کی طرف. Terraform کے درست طریقے سے انسٹال ہونے اور AWS کے ساتھ مربوط ہونے کے بعد، ہم زیادہ تر آپریشنز کو نقل کر سکتے ہیں جو AWS سروس ڈیش بورڈز پر کیے جا سکتے ہیں۔

درج ذیل خاکہ ہمارے حل کے فن تعمیر کو واضح کرتا ہے۔

فن تعمیر تین مراحل پر مشتمل ہے: ادخال، افزودگی، اور اشاعت۔ پہلے مرحلے کے دوران، ریئل ٹائم فیڈز ایک پر ہضم کی جاتی ہیں۔ ایمیزون لچکدار کمپیوٹ کلاؤڈ (Amazon EC2) مثال جو Refinitiv ڈیٹا لائبریری کے لیے تیار AMI کے ذریعے بنائی گئی ہے۔ مثال کے ذریعے ڈیٹا سٹریم سے بھی جڑتا ہے۔ Amazon Kinesis ڈیٹا اسٹریمز، جو متحرک او ڈبلیو ایس لامبڈا۔ تقریب.

دوسرے مرحلے میں، Lambda فنکشن جو Kinesis Data Streams سے شروع ہوتا ہے ایک SageMaker سے منسلک ہوتا ہے اور خبروں کی سرخیاں بھیجتا ہے۔ FinBERT اختتامی نقطہ، جو خبر کے آئٹم کے لیے حسابی جذبات واپس کرتا ہے۔ یہ حسابی جذبہ حقیقی وقت کے اعداد و شمار کی افزودگی ہے جس کے بعد لیمبڈا فنکشن نیوز آئٹم کو لپیٹتا ہے اور اس میں اسٹور کرتا ہے۔ ایمیزون ڈائنومو ڈی بی میز.

فن تعمیر کے تیسرے مرحلے میں، ایک DynamoDB سٹریم نئی آئٹم انسرٹس پر لیمبڈا فنکشن کو متحرک کرتا ہے، جو کہ ایک کے ساتھ مربوط ہوتا ہے۔ ایمیزون ایم کیو سرور RabbitMQ چلا رہا ہے، جو AI بہتر شدہ سلسلہ کو دوبارہ پیش کرتا ہے۔

اس تھری اسٹیج انجینئرنگ ڈیزائن کا فیصلہ، ایمیزون ایم کیو سرور کے ساتھ براہ راست رابطہ کرنے والی پہلی لیمبڈا پرت کے بجائے یا EC2 مثال میں مزید فعالیت کو نافذ کرنے کے بجائے، مستقبل میں زیادہ پیچیدہ، کم جوڑے ہوئے AI ڈیزائن آرکیٹیکچرز کی تلاش کے قابل بنانے کے لیے کیا گیا تھا۔

پروٹوٹائپ کی تعمیر اور تعیناتی

ہم اس پروٹو ٹائپ کو تین تفصیلی بلیو پرنٹس کی سیریز میں پیش کرتے ہیں۔ ہر بلیو پرنٹ میں اور استعمال کی جانے والی ہر سروس کے لیے، آپ کو اس کے تکنیکی نفاذ کے ساتھ ساتھ Terraform اسکرپٹس کے بارے میں جائزہ اور متعلقہ معلومات ملیں گی جو آپ کو سروس کو خود بخود شروع کرنے، ترتیب دینے اور باقی ڈھانچے کے ساتھ مربوط کرنے کی اجازت دیتی ہیں۔ ہر بلیو پرنٹ کے اختتام پر، آپ کو ہدایات ملیں گی کہ یہ کیسے یقینی بنایا جائے کہ ہر مرحلے تک ہر چیز توقع کے مطابق کام کر رہی ہے۔ بلیو پرنٹس مندرجہ ذیل ہیں:

اس پروٹوٹائپ کا نفاذ شروع کرنے کے لیے، ہم تجویز کرتے ہیں کہ اس کے لیے ایک نیا Python ماحول بنائیں اور ضروری پیکجز اور ٹولز کو دوسرے ماحول سے الگ انسٹال کریں۔ ایسا کرنے کے لیے، درج ذیل کمانڈز کا استعمال کرتے ہوئے ایناکونڈا میں نیا ماحول بنائیں اور فعال کریں:

conda create —name rd_news_aws_terraform python=3.7
conda activate rd_news_aws_terraform

اب ہم انسٹال کرنے کے لیے تیار ہیں۔ AWS کمانڈ لائن انٹرفیس (AWS CLI) ٹول سیٹ جو ہمیں AWS سروسز میں اور اس کے درمیان تمام ضروری پروگرامیٹک تعاملات بنانے کی اجازت دے گا:

pip install awscli

اب جبکہ AWS CLI انسٹال ہے، ہمیں Terraform انسٹال کرنے کی ضرورت ہے۔ HashiCorp ایک بائنری انسٹالر کے ساتھ Terraform فراہم کرتا ہے، جو آپ کر سکتے ہیں۔ ڈاؤن لوڈ، اتارنا اور انسٹال کریں.

آپ کے دونوں ٹولز انسٹال ہونے کے بعد، یقینی بنائیں کہ وہ درج ذیل کمانڈز کا استعمال کرتے ہوئے صحیح طریقے سے کام کرتے ہیں۔

terraform -help
AWS – version

اب آپ نفاذ کے تین مراحل میں سے ہر ایک پر تفصیلی بلیو پرنٹس پر عمل کرنے کے لیے تیار ہیں۔

یہ بلیو پرنٹ فن تعمیر کے ابتدائی مراحل کی نمائندگی کرتا ہے جو ہمیں ریئل ٹائم نیوز فیڈز کو ہضم کرنے کی اجازت دیتا ہے۔ یہ مندرجہ ذیل اجزاء پر مشتمل ہے:

• Amazon EC2 آپ کی مثال آر ڈی نیوز کے ادخال کے لیے تیار کر رہا ہے۔ - یہ سیکشن ایک EC2 مثال کو اس طرح ترتیب دیتا ہے کہ یہ RD لائبریری API اور ریئل ٹائم اسٹریم سے کنکشن کو قابل بناتا ہے۔ ہم یہ بھی دکھاتے ہیں کہ تخلیق شدہ مثال کی تصویر کو کیسے محفوظ کیا جائے تاکہ اس کے دوبارہ استعمال اور اسکیل ایبلٹی کو یقینی بنایا جا سکے۔
• Amazon EC2 سے حقیقی وقت کی خبروں کا ادغام - ایمیزون EC2 کو RD لائبریریوں کے ساتھ ساتھ ادخال شروع کرنے کے لیے اسکرپٹس کو مربوط کرنے کے لیے ضروری کنفیگریشنز کا تفصیلی نفاذ۔
• AMI سے Amazon EC2 بنانا اور لانچ کرنا - نئی تخلیق شدہ مثال میں ادخال فائلوں کو بیک وقت منتقل کر کے ایک نئی مثال شروع کریں، یہ سب خود بخود Terraform کا استعمال کرتے ہوئے۔
• Kinesis ڈیٹا سٹریم بنانا - یہ سیکشن Kinesis ڈیٹا اسٹریمز کا ایک جائزہ فراہم کرتا ہے اور AWS پر اسٹریم کیسے ترتیب دیا جائے۔
• Kinesis سے ڈیٹا کو جوڑنا اور آگے بڑھانا - ایک بار ادخال کوڈ کام کرنے کے بعد، ہمیں اسے کنیکٹ کرنے اور ڈیٹا کو Kinesis سٹریم میں بھیجنے کی ضرورت ہے۔
• اب تک پروٹوٹائپ کی جانچ ہو رہی ہے۔ - ہم استعمال کرتے ہیں ایمیزون کلاؤڈ واچ اور کمانڈ لائن ٹولز اس بات کی تصدیق کرنے کے لیے کہ پروٹوٹائپ اس وقت تک کام کر رہا ہے اور یہ کہ ہم اگلے بلیو پرنٹ تک جاری رکھ سکتے ہیں۔ داخل کردہ ڈیٹا کا لاگ درج ذیل اسکرین شاٹ کی طرح نظر آنا چاہیے۔

اس دوسرے بلیو پرنٹ میں، ہم فن تعمیر کے مرکزی حصے پر توجہ مرکوز کرتے ہیں: Lambda فنکشن جو نیوز آئٹم کے سلسلے کو ہضم کرتا ہے اور اس کا تجزیہ کرتا ہے، اس کے ساتھ AI کا اندازہ لگاتا ہے، اور اسے مزید استعمال کے لیے اسٹور کرتا ہے۔ اس میں درج ذیل اجزاء شامل ہیں:

• لامڈا - ایک Terraform Lambda کنفیگریشن کی وضاحت کریں جو اسے SageMaker اینڈ پوائنٹ سے منسلک کرنے کی اجازت دیتا ہے۔
• ایمیزون S3 - لیمبڈا کو لاگو کرنے کے لیے، ہمیں مناسب کوڈ کو اپ لوڈ کرنے کی ضرورت ہے۔ ایمیزون سادہ اسٹوریج سروس (ایمیزون S3) اور لیمبڈا فنکشن کو اسے اپنے ماحول میں داخل کرنے کی اجازت دیں۔ یہ سیکشن بیان کرتا ہے کہ ہم اسے پورا کرنے کے لیے Terraform کا استعمال کیسے کر سکتے ہیں۔
• لیمبڈا فنکشن کو نافذ کرنا: مرحلہ 1، کائنیسس ایونٹ کو ہینڈل کرنا - اس سیکشن میں، ہم لیمبڈا فنکشن بنانا شروع کرتے ہیں۔ یہاں، ہم صرف Kinesis ڈیٹا اسٹریم رسپانس ہینڈلر کا حصہ بناتے ہیں۔
• سیج میکر۔ - اس پروٹو ٹائپ میں، ہم پہلے سے تربیت یافتہ Hugging Face ماڈل استعمال کرتے ہیں جسے ہم SageMaker اینڈ پوائنٹ میں اسٹور کرتے ہیں۔ یہاں، ہم پیش کرتے ہیں کہ یہ Terraform اسکرپٹس کا استعمال کرتے ہوئے کیسے حاصل کیا جا سکتا ہے اور SageMaker اینڈ پوائنٹس اور Lambda فنکشنز کو ایک ساتھ کام کرنے کی اجازت دینے کے لیے مناسب انضمام کیسے ہوتا ہے۔
  • اس مقام پر، آپ اس کے بجائے کسی دوسرے ماڈل کو استعمال کر سکتے ہیں جسے آپ نے SageMaker اینڈ پوائنٹ کے پیچھے تیار کیا ہے اور تعینات کیا ہے۔ اس طرح کا ماڈل آپ کی ضروریات کی بنیاد پر اصل خبروں کے ڈیٹا میں ایک مختلف اضافہ فراہم کر سکتا ہے۔ اختیاری طور پر، اگر ایسا موجود ہو تو اسے متعدد اضافہ کے لیے متعدد ماڈلز میں بڑھایا جا سکتا ہے۔ بقیہ فن تعمیر کی بدولت، اس طرح کے کوئی بھی ماڈل آپ کے ڈیٹا کے ذرائع کو حقیقی وقت میں تقویت بخشیں گے۔
• لیمبڈا فنکشن کی تعمیر: مرحلہ 2، سیج میکر اینڈ پوائنٹ کو مدعو کرنا - اس سیکشن میں، ہم SageMaker بلاک کو شامل کر کے اپنے اصل Lambda فنکشن کو تیار کرتے ہیں تاکہ SageMaker اینڈ پوائنٹ کو مدعو کر کے ایک جذباتی خبر کی سرخی حاصل کی جا سکے۔
• ڈائمنمو ڈی بی - آخر میں، جب AI کا اندازہ لیمبڈا فنکشن کی یاد میں ہوتا ہے، تو یہ آئٹم کو دوبارہ بنڈل کرتا ہے اور اسے ذخیرہ کرنے کے لیے DynamoDB ٹیبل پر بھیج دیتا ہے۔ یہاں، ہم اسے پورا کرنے کے لیے ضروری Python کوڈ کے ساتھ ساتھ ضروری Terraform اسکرپٹس دونوں پر بات کرتے ہیں جو ان تعاملات کو فعال کرتے ہیں۔
• لیمبڈا فنکشن بنانا: مرحلہ 3، بہتر ڈیٹا کو DynamoDB پر دھکیلنا - یہاں، ہم آخری حصے کو شامل کرکے اپنے لیمبڈا فنکشن کو تیار کرتے رہتے ہیں جو ڈائنامو ٹیبل میں اندراج پیدا کرتا ہے۔
• اب تک پروٹوٹائپ کی جانچ ہو رہی ہے۔ - ہم اس بات کی تصدیق کرنے کے لیے DynamoDB کنسول پر DynamoDB ٹیبل پر جا سکتے ہیں کہ ہماری بہتری ٹیبل میں ظاہر ہو رہی ہے۔

یہ تیسرا بلیو پرنٹ اس پروٹو ٹائپ کو حتمی شکل دیتا ہے۔ یہ ایمیزون MQ میں نئے تخلیق کردہ، AI بہتر ڈیٹا آئٹم کو RabbitMQ سرور پر دوبارہ تقسیم کرنے پر توجہ مرکوز کرتا ہے، جس سے صارفین کو حقیقی وقت میں بہتر خبروں کو مربوط اور بازیافت کرنے کی اجازت ملتی ہے۔ اس میں درج ذیل اجزاء شامل ہیں:

• DynamoDB اسٹریمز - جب بہتر شدہ خبروں کا آئٹم DynamoDB میں ہوتا ہے، تو ہم ایک ایسا ایونٹ ترتیب دیتے ہیں جو ٹرگر ہوتا ہے جسے پھر مناسب Lambda فنکشن سے حاصل کیا جا سکتا ہے۔
• لیمبڈا پروڈیوسر لکھنا - یہ لیمبڈا فنکشن ایونٹ کو پکڑتا ہے اور RabbitMQ سٹریم کے پروڈیوسر کے طور پر کام کرتا ہے۔ یہ نیا فنکشن لیمبڈا تہوں کے تصور کو متعارف کرایا ہے کیونکہ یہ پروڈیوسر کی فعالیت کو نافذ کرنے کے لیے ازگر کی لائبریریوں کا استعمال کرتا ہے۔
• Amazon MQ اور RabbitMQ صارفین - پروٹوٹائپ کا آخری مرحلہ RabbitMQ سروس کو ترتیب دینا اور ایک مثالی صارف کو لاگو کرنا ہے جو میسج اسٹریم سے جڑے گا اور AI بہتر خبروں کو حاصل کرے گا۔
• پروٹوٹائپ کا آخری ٹیسٹ - ہم اس بات کی تصدیق کے لیے ایک اختتام سے آخر تک عمل کا استعمال کرتے ہیں کہ پروٹوٹائپ مکمل طور پر کام کر رہا ہے، ادخال سے لے کر دوبارہ پیش کرنے اور نئے AI سے بڑھے ہوئے سلسلے کو استعمال کرنے تک۔

اس مرحلے پر، آپ RabbitMQ ڈیش بورڈ پر نیویگیٹ کر کے اس بات کی توثیق کر سکتے ہیں کہ سب کچھ کام کر رہا ہے، جیسا کہ درج ذیل اسکرین شاٹ میں دکھایا گیا ہے۔

حتمی بلیو پرنٹ میں، آپ کو ایک تفصیلی ٹیسٹ ویکٹر بھی ملتا ہے تاکہ یہ یقینی بنایا جا سکے کہ پورا فن تعمیر منصوبہ بندی کے مطابق برتاؤ کر رہا ہے۔

نتیجہ

اس پوسٹ میں، ہم نے AWS سروسز جیسے SageMaker (ML)، Lambda (serverless)، اور Kinesis Data Streams (streaming) کے ساتھ کلاؤڈ پر ML کا استعمال کرتے ہوئے ایک حل کا اشتراک کیا ہے تاکہ Refinitiv ڈیٹا لائبریریوں کے ذریعے فراہم کردہ سٹریمنگ نیوز ڈیٹا کو تقویت ملے۔ حل حقیقی وقت میں خبروں کے آئٹمز میں جذباتی سکور کا اضافہ کرتا ہے اور کوڈ کا استعمال کرتے ہوئے بنیادی ڈھانچے کو پیمانہ کرتا ہے۔

اس ماڈیولر آرکیٹیکچر کا فائدہ یہ ہے کہ آپ اسے اپنے ماڈل کے ساتھ دیگر قسم کے ڈیٹا کو بڑھانے کے لیے دوبارہ استعمال کر سکتے ہیں، بغیر سرور کے، اسکیل ایبل، اور لاگت سے موثر طریقے سے جسے Refinitiv ڈیٹا لائبریری کے اوپر لاگو کیا جا سکتا ہے۔ یہ ٹریڈنگ/سرمایہ کاری/ رسک مینجمنٹ ورک فلو کے لیے قدر میں اضافہ کر سکتا ہے۔

اگر آپ کے کوئی تبصرے یا سوالات ہیں، تو براہ کرم انہیں تبصرے کے سیکشن میں چھوڑ دیں۔

متعلقہ معلومات

 مصنفین کے بارے میں

ماریوس سکیووفیلاکاس مالیاتی خدمات، سرمایہ کاری بینکنگ اور مشاورتی ٹیکنالوجی کے پس منظر سے آتا ہے۔ ان کے پاس انجینئرنگ پی ایچ ڈی ہے۔ مصنوعی ذہانت اور ایم ایس سی میں۔ مشین ویژن میں۔ اپنے پورے کیریئر کے دوران، اس نے متعدد کثیر الشعبہ AI اور DLT منصوبوں میں حصہ لیا ہے۔ وہ فی الحال ایک LSEG کاروبار Refinitiv کے ساتھ ایک ڈویلپر ایڈووکیٹ ہے، جو مالیاتی خدمات میں AI اور Quantum ایپلی کیشنز پر توجہ مرکوز کرتا ہے۔

جیسن رام چندانی Refinitiv، ایک LSEG بزنس، میں 8 سال تک بطور لیڈ ڈویلپر ایڈووکیٹ کام کیا ہے جو ان کی ڈیولپر کمیونٹی کی تعمیر میں مدد کرتا ہے۔ اس سے پہلے اس نے اوکاسان سیکیورٹیز، ساکورا فنانس اور جیفریز ایل ایل سی میں ایکویٹی/ایکویٹی سے منسلک جگہ میں 15 سال سے زائد عرصے تک مالیاتی منڈیوں میں کام کیا ہے۔ اس کا الما میٹر یو سی ایل ہے۔

ہائیکاز ارامیان فنانس اور ٹیکنالوجی کے پس منظر سے آتا ہے۔ انہوں نے پی ایچ ڈی کی ڈگری حاصل کی۔ فنانس میں، اور ایک M.Sc. فنانس، ٹیکنالوجی اور پالیسی میں۔ 10 سال کے پیشہ ورانہ تجربے کے ذریعے ہائیکاز نے پنشن، VC فنڈز اور ٹکنالوجی اسٹارٹ اپس پر مشتمل متعدد کثیر الشعبہ منصوبوں پر کام کیا۔ وہ فی الحال Refinitiv کے ساتھ ایک ڈیولپر ایڈووکیٹ ہے، ایک LSEG بزنس، مالیاتی خدمات میں AI ایپلی کیشنز پر توجہ مرکوز کرتا ہے۔

جارجیوس شیناس ای ایم ای اے کے علاقے میں AI/ML کے لیے ایک سینئر اسپیشلسٹ سلوشنز آرکیٹیکٹ ہیں۔ 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۔

متھو ویلن سوامیناتھن نیویارک میں مقیم ایک انٹرپرائز سلوشنز آرکیٹیکٹ ہے۔ وہ انٹرپرائز صارفین کے ساتھ کام کرتا ہے جو لچکدار، سرمایہ کاری مؤثر، اختراعی حل تیار کرنے میں تعمیراتی رہنمائی فراہم کرتے ہیں جو ان کی کاروباری ضروریات کو پورا کرتے ہیں اور AWS پروڈکٹس اور خدمات کا استعمال کرتے ہوئے پیمانے پر ان کو انجام دینے میں مدد کرتے ہیں۔

میور ادرنانی UK اور آئرلینڈ میں تجارتی اداروں کے ساتھ AWS AI اور ML کاروبار کی قیادت کرتا ہے۔ اپنے کردار میں، میور اپنا زیادہ تر وقت گاہکوں اور شراکت داروں کے ساتھ گزارتا ہے تاکہ مؤثر حل تیار کرنے میں مدد کی جا سکے جو گاہک کی انتہائی ضروری ضروریات کو حل کرتے ہیں یا AWS کلاؤڈ، AI اور ML خدمات سے فائدہ اٹھانے والی وسیع تر صنعت کے لیے۔ میور لندن کے علاقے میں رہتا ہے۔ انہوں نے انڈین انسٹی ٹیوٹ آف مینجمنٹ سے ایم بی اے کیا ہے اور ممبئی یونیورسٹی سے کمپیوٹر انجینئرنگ میں بیچلرز کیا ہے۔

• SEO سے چلنے والا مواد اور PR کی تقسیم۔ آج ہی بڑھا دیں۔
• پلیٹو بلاک چین۔ Web3 Metaverse Intelligence. علم میں اضافہ۔ یہاں تک رسائی حاصل کریں۔
• ماخذ: https://aws.amazon.com/blogs/machine-learning/enriching-real-time-news-streams-with-the-refinitiv-data-library-aws-services-and-amazon-sagemaker/