ایمیزون پر Amp نے کس طرح کسٹمر کی مصروفیت بڑھانے کے لیے ڈیٹا کا استعمال کیا، حصہ 2: Amazon SageMaker کا استعمال کرتے ہوئے ایک ذاتی شو کی سفارش کا پلیٹ فارم بنانا

امپ ایمیزون کی طرف سے ایک نئی لائیو ریڈیو ایپ ہے۔ Amp کے ساتھ، آپ اپنے ریڈیو شو کی میزبانی کر سکتے ہیں اور Amazon Music کیٹلاگ سے گانے چلا سکتے ہیں، یا دوسرے Amp صارفین کی میزبانی کر رہے شوز کو ٹیون ان اور سن سکتے ہیں۔ ایک ایسے ماحول میں جہاں مواد بہت زیادہ اور متنوع ہے، یہ ضروری ہے کہ صارف کے تجربے کو ہر صارف کے انفرادی ذائقے کے مطابق بنائیں، تاکہ وہ آسانی سے اپنی پسند کے شوز تلاش کر سکیں اور نیا مواد دریافت کر سکیں جس سے وہ لطف اندوز ہوں گے۔

Amp ایپ کے ہوم پیج پر لائیو اور آنے والے Amp شوز کے لیے ذاتی نوعیت کی تجاویز فراہم کرنے کے لیے مشین لرننگ (ML) کا استعمال کرتا ہے۔ سفارشات کو رینڈم فاریسٹ ماڈل کا استعمال کرتے ہوئے شمار کیا جاتا ہے جس میں شو کی مقبولیت کی نمائندگی کرنے والی خصوصیات (جیسے کہ سننا اور پسند کی گنتی)، تخلیق کار کی مقبولیت (جیسے حالیہ شوز کی کل تعداد) اور صارف کی ذاتی وابستگی شو کے موضوع اور تخلیق کار کے لیے۔ وابستگیوں کا شمار یا تو صارف کے رویے کے ڈیٹا سے یا واضح طور پر دلچسپی کے موضوعات (جیسے پاپ میوزک، بیس بال، یا سیاست) سے کیا جاتا ہے جیسا کہ ان کے صارف پروفائلز میں فراہم کیا گیا ہے۔

یہ Amp کے لیے ڈیٹا اینالیٹکس اور ML استعمال کرنے اور ذاتی شو کی سفارشات کی فہرست کا پلیٹ فارم بنانے کی سیریز کا حصہ 2 ہے۔ پلیٹ فارم نے مئی 3 میں اپنے آغاز کے بعد سے گاہک کی مصروفیت کے میٹرکس کو 2022% بڑھایا ہے (شو کو پسند کرنا، تخلیق کار کی پیروی کرنا، آنے والے شو کی اطلاعات کو فعال کرنا)۔

کا حوالہ دیتے ہیں حصہ 1 یہ جاننے کے لیے کہ ڈیٹا اور اینالیٹکس سسٹمز کا استعمال کرتے ہوئے رویے سے متعلق ڈیٹا کیسے اکٹھا کیا گیا اور اس پر کارروائی کی گئی۔

حل جائزہ

ایم ایل پر مبنی شو تجویز کنندہ Amp کے لیے پانچ اہم اجزاء ہیں، جیسا کہ مندرجہ ذیل آرکیٹیکچر ڈایاگرام میں دکھایا گیا ہے:

1. Amp موبائل ایپ۔
2. بیک اینڈ سروسز جو طرز عمل کا ڈیٹا اکٹھا کرتی ہیں، جیسے لائیک اور فالو، نیز شو سے متعلق معلومات کو نشر کرتی ہیں جیسے کہ شوز کے لائیو ہونے پر اسٹیٹس اپ ڈیٹس۔
3. طرز عمل اور شو ڈیٹا کا ریئل ٹائم ادخال، اور ریئل ٹائم (آن لائن) فیچر کمپیوٹنگ اور اسٹوریج۔
4. بیچ (آف لائن) فیچر کمپیوٹنگ اور اسٹوریج۔
5. ایک تجویز کنندہ سسٹم جو شوز کی فہرست حاصل کرنے کے لیے ایپ بیک اینڈ سے آنے والی درخواستوں کو ہینڈل کرتا ہے۔ اس میں ذاتی نوعیت کی اور غیر ذاتی نوعیت کی خصوصیات پر مبنی شوز کی درجہ بندی کے لیے حقیقی وقت کا تخمینہ شامل ہے۔

یہ پوسٹ مندرجہ ذیل کی تفصیل کے لیے حصوں 3، 4 اور 5 پر توجہ مرکوز کرتی ہے:

درج ذیل خاکہ میں اعلیٰ سطحی فن تعمیر اور اس کے اجزاء کو دکھایا گیا ہے۔

درج ذیل حصوں میں، ہم ریئل ٹائم فیچر کمپیوٹنگ، بیچ فیچر کمپیوٹنگ، ریئل ٹائم انفرنس، آپریشنل ہیلتھ، اور ان نتائج کے بارے میں مزید تفصیلات فراہم کرتے ہیں جن کا ہم نے مشاہدہ کیا ہے۔

ریئل ٹائم فیچر کمپیوٹنگ

کچھ خصوصیات، جیسے کہ کسی شو کے لیے لائیک اور سننے کی گنتی کو مسلسل سٹریم کرنے کی ضرورت ہوتی ہے اور جیسا کہ ہے استعمال کیا جاتا ہے، جب کہ دیگر، جیسے کہ سننے کے سیشنز کی تعداد 5 منٹ سے زیادہ، کو بھی حقیقی وقت میں خام ڈیٹا کے طور پر تبدیل کرنے کی ضرورت ہوتی ہے۔ سیشنوں کے لیے سلسلہ بند ہے۔ اس قسم کی خصوصیات جہاں تخمینے کے وقت اقدار کی گنتی کرنے کی ضرورت ہوتی ہے اسے کہا جاتا ہے۔ پوائنٹ ان ٹائم (PIT) خصوصیات۔ PIT خصوصیات کے لیے ڈیٹا کو تیزی سے اپ ڈیٹ کرنے کی ضرورت ہے، اور تازہ ترین ورژن کو کم تاخیر کے ساتھ لکھا اور پڑھا جانا چاہیے (20 شوز کے لیے فی صارف 1,000 ملی سیکنڈ سے کم)۔ ڈیٹا کا پائیدار اسٹوریج میں ہونا بھی ضروری ہے کیونکہ ڈیٹا غائب یا جزوی طور پر خراب سفارشات اور خراب کسٹمر کے تجربے کا سبب بن سکتا ہے۔ پڑھنے/لکھنے میں تاخیر کے علاوہ، PIT خصوصیات میں بھی کم عکاسی کا وقت درکار ہوتا ہے۔ عکاسی کا وقت وہ وقت ہے جو حصہ ڈالنے والے واقعات کے اخراج کے بعد پڑھنے کے لیے دستیاب ہونے میں لگتا ہے، مثال کے طور پر، سامعین کے شو کو پسند کرنے اور PIT LikeCount فیچر کو اپ ڈیٹ کیے جانے کے درمیان کا وقت۔

ڈیٹا کے ذرائع بیک اینڈ سروسز ہیں جو ایپ کو براہ راست پیش کرتی ہیں۔ کچھ ڈیٹا کو میٹرکس میں تبدیل کر دیا جاتا ہے جو پھر اس کے ذریعے نشر کیا جاتا ہے۔ ایمیزون سادہ نوٹیفکیشن سروس (ایمیزون ایس این ایس) نیچے دھارے کے سامعین کے لیے جیسے ایم ایل فیچر ٹرانسفارمیشن پائپ لائن۔ ایک ان میموری ڈیٹا بیس جیسا کہ MemoryDB پائیدار اسٹوریج اور اعلی حجم میں انتہائی تیز کارکردگی کے لیے ایک مثالی خدمت ہے۔ کمپیوٹ کا جزو جو میموری ڈی بی میں خصوصیات کو تبدیل اور لکھتا ہے وہ لیمبڈا ہے۔ ایپ ٹریفک وقت اور دن کے لحاظ سے چوٹیوں اور کمی کے روزانہ اور ہفتہ وار نمونوں کی پیروی کرتی ہے۔ لیمبڈا ایونٹس کے آنے والے حجم میں خودکار پیمانے کی اجازت دیتا ہے۔ ہر انفرادی میٹرک ٹرانسفارمیشن کی خود مختار نوعیت لیمبڈا کو بھی بناتی ہے، جو کہ اپنے طور پر ایک بے وطن سروس ہے، اس مسئلے کے لیے موزوں ہے۔ ڈالنا ایمیزون سادہ قطار سروس Amazon SNS اور Lambda کے درمیان (Amazon SQS) نہ صرف پیغام کے نقصان کو روکتا ہے بلکہ ٹریفک کے غیر متوقع طور پر پھٹنے کے لیے ایک بفر کے طور پر بھی کام کرتا ہے جو پہلے سے ترتیب شدہ Lambda کنکرنسی کی حدیں پیش کرنے کے لیے کافی نہیں ہو سکتی ہیں۔

بیچ فیچر کمپیوٹنگ

وہ خصوصیات جو تاریخی رویے کے اعداد و شمار کا استعمال کرتے ہوئے صارف کے ہمیشہ سے ابھرتے ہوئے ذائقے کی نمائندگی کرتی ہیں ان کا شمار کرنا زیادہ پیچیدہ ہوتا ہے اور حقیقی وقت میں شمار نہیں کیا جا سکتا۔ یہ خصوصیات ایک بیچ کے عمل کے ذریعہ شمار کی جاتی ہیں جو ہر بار چلتا ہے، مثال کے طور پر روزانہ ایک بار۔ بیچ کی خصوصیات کے لیے ڈیٹا کو ڈیٹا کی فلٹرنگ اور جمع کرنے کے لیے تیز استفسار کی حمایت کرنی چاہیے، اور یہ طویل عرصے تک پھیل سکتا ہے، اس لیے حجم میں بڑا ہوگا۔ چونکہ بیچ کی خصوصیات بھی بازیافت کی جاتی ہیں اور ریئل ٹائم انفرنس کے لیے ان پٹس کے طور پر بھیجی جاتی ہیں، انہیں پھر بھی کم تاخیر کے ساتھ پڑھا جانا چاہیے۔

بیچ فیچر کمپیوٹنگ کے لیے خام ڈیٹا اکٹھا کرنے میں PIT فیچرز کے لیے ذیلی منٹ کی عکاسی کے وقت کی ضرورت نہیں ہوتی ہے، جس کی وجہ سے واقعات کو زیادہ دیر تک بفر کرنا اور بیچ میں میٹرکس کو تبدیل کرنا ممکن ہوتا ہے۔ اس حل نے Kinesis Data Firehose کا استعمال کیا، جو ایک منظم سروس ہے جس میں کئی مقامات پر سٹریمنگ ڈیٹا کو تیزی سے داخل کیا جاتا ہے، بشمول ایمیزون سادہ اسٹوریج سروس (Amazon S3) S3 ڈیٹا جھیل کے میٹرکس کو برقرار رکھنے کے لیے جو آف لائن کمپیوٹیشنز میں استعمال کیے جائیں گے۔ Kinesis Data Firehose ایک ایونٹ بفر اور Lambda انٹیگریشن فراہم کرتا ہے تاکہ ان میٹرکس کو آسانی سے اکٹھا کیا جا سکے، بیچ ٹرانسفارم کیا جا سکے، اور ان میٹرکس کو Amazon S3 پر برقرار رکھا جا سکے تاکہ بعد میں بیچ فیچر کمپیوٹنگ کے ذریعے استعمال کیا جا سکے۔ بیچ فیچر کمپیوٹیشنز میں PIT فیچرز کی طرح کم لیٹنسی پڑھنے/لکھنے کے تقاضے نہیں ہیں، جو Amazon S3 کو بہتر انتخاب بناتا ہے کیونکہ یہ کاروباری میٹرکس کی ان بڑی مقداروں کو ذخیرہ کرنے کے لیے کم لاگت، پائیدار اسٹوریج فراہم کرتا ہے۔

ہمارا ابتدائی ML ماڈل پچھلے 21 مہینوں میں حاصل کردہ ڈیٹا کا استعمال کرتے ہوئے روزانہ 2 بیچ کی خصوصیات کا استعمال کرتا ہے۔ اس ڈیٹا میں پلے بیک اور ایپ مصروفیت کی سرگزشت فی صارف دونوں شامل ہیں، اور صارفین کی تعداد اور ایپ کے استعمال کی تعدد کے ساتھ بڑھتا ہے۔ اس پیمانے پر فیچر انجینئرنگ کے لیے مطلوبہ ان پٹ ڈیٹا کو کھینچنے، اسے متوازی طور پر پروسیس کرنے، اور نتیجہ کو مستقل اسٹوریج میں برآمد کرنے کے لیے ایک خودکار عمل کی ضرورت ہوتی ہے۔ پروسیسنگ کے بنیادی ڈھانچے کی ضرورت صرف حساب کی مدت کے لیے ہے۔ سیج میکر پروسیسنگ پہلے سے تعمیر شدہ ڈوکر امیجز فراہم کرتا ہے جس میں اپاچی اسپارک اور دیگر انحصار شامل ہیں جو بڑے پیمانے پر تقسیم شدہ ڈیٹا پروسیسنگ جابز کو چلانے کے لیے درکار ہیں۔ پروسیسنگ جاب کے لیے بنیادی ڈھانچہ مکمل طور پر سیج میکر کے زیر انتظام ہے۔ کلسٹر وسائل آپ کی ملازمت کی مدت کے لیے فراہم کیے جاتے ہیں، اور جب کوئی کام مکمل ہو جاتا ہے تو اسے صاف کیا جاتا ہے۔

بیچ کے عمل میں ہر قدم — ڈیٹا اکٹھا کرنا، فیچر انجینئرنگ، فیچر پرسسٹینس — ایک ورک فلو کا حصہ ہے جس کے درمیان خرابی سے نمٹنے، دوبارہ کوششوں اور ریاست کی منتقلی کی ضرورت ہوتی ہے۔ کے ساتھ AWS اسٹیپ فنکشنز، آپ ایک اسٹیٹ مشین بنا سکتے ہیں اور اپنے ورک فلو کو پری پروسیسنگ اور پوسٹ پروسیسنگ کے کئی مراحل میں تقسیم کر سکتے ہیں، نیز SageMaker فیچر اسٹور یا Amazon S3 کے دوسرے ڈیٹا میں خصوصیات کو برقرار رکھنے کے لیے ایک قدم۔ سٹیپ فنکشنز میں ایک سٹیٹ مشین کے ذریعے متحرک کیا جا سکتا ہے۔ ایمیزون ایونٹ برج بیچ کمپیوٹنگ کو ایک مقررہ شیڈول پر چلانے کے لیے خودکار کرنے کے لیے، جیسے کہ روزانہ ایک بار 10:00 PM UTC پر۔

خصوصیات کی گنتی کے بعد، ان کو ورژن بنانے اور ذخیرہ کرنے کی ضرورت ہے تاکہ اندازہ کے ساتھ ساتھ ماڈل کی دوبارہ تربیت کے دوران پڑھا جا سکے۔ اپنی فیچر اسٹوریج اور مینجمنٹ سروس بنانے کے بجائے، آپ SageMaker فیچر اسٹور استعمال کر سکتے ہیں۔ فیچر اسٹور ایم ایل ماڈلز کے لیے فیچرز کو اسٹور کرنے، شیئر کرنے اور ان کا نظم کرنے کے لیے مکمل طور پر منظم، مقصد سے بنایا گیا ذخیرہ ہے۔ یہ ML خصوصیات کی تاریخ کو آف لائن اسٹور (Amazon S3) میں اسٹور کرتا ہے اور ایک آن لائن اسٹور کو APIs بھی فراہم کرتا ہے تاکہ حالیہ خصوصیات کو کم تاخیر سے پڑھنے کی اجازت دی جاسکے۔ آف لائن سٹور مزید ماڈل ٹریننگ اور تجربات کے لیے تاریخی ڈیٹا پیش کر سکتا ہے، اور آن لائن سٹور کو آپ کے گاہک کا سامنا کرنے والے APIs کے ذریعے ریئل ٹائم انفرنس کے لیے خصوصیات حاصل کرنے کے لیے کال کی جا سکتی ہے۔ جیسا کہ ہم اپنی خدمات کو مزید ذاتی نوعیت کا مواد فراہم کرنے کے لیے تیار کرتے ہیں، ہم توقع کرتے ہیں کہ اضافی ایم ایل ماڈلز کی تربیت کی جائے گی اور فیچر اسٹور کی مدد سے ان ماڈلز میں خصوصیات کو تلاش، دریافت اور دوبارہ استعمال کیا جائے گا۔

ریئل ٹائم اندازہ

ریئل ٹائم انفرنس کے لیے عام طور پر اینڈ پوائنٹس کے پیچھے ML ماڈلز کی میزبانی کی ضرورت ہوتی ہے۔ آپ ویب سرورز یا کنٹینرز کا استعمال کرتے ہوئے یہ کر سکتے ہیں، لیکن اس کے لیے ML انجینئرنگ کی کوشش اور انتظام اور دیکھ بھال کے لیے بنیادی ڈھانچے کی ضرورت ہے۔ سیج میکر ایم ایل ماڈلز کو ریئل ٹائم اینڈ پوائنٹس پر تعینات کرنا آسان بناتا ہے۔ SageMaker آپ کو ML ماڈلز کو تربیت دینے اور اپ لوڈ کرنے اور SageMaker کے اختتامی پوائنٹس بنا کر اور ترتیب دے کر ان کی میزبانی کرنے دیتا ہے۔ ریئل ٹائم انفرنس درجہ بندی کے شوز کے لیے کم تاخیر کے تقاضوں کو پورا کرتا ہے کیونکہ وہ Amp ہوم پیج پر براؤز ہوتے ہیں۔

منظم ہوسٹنگ کے علاوہ، سیج میکر منظم اینڈ پوائنٹ اسکیلنگ فراہم کرتا ہے۔ سیج میکر کا اندازہ آپ کو کم سے کم اور زیادہ سے زیادہ مثالوں کی گنتی اور اسکیلنگ کو متحرک کرنے کے لیے ہدف کے استعمال کے ساتھ آٹو اسکیلنگ پالیسی کی وضاحت کرنے کی اجازت دیتا ہے۔ اس طرح، آپ مانگ میں تبدیلی کے ساتھ آسانی سے اندر یا باہر پیمانہ کر سکتے ہیں۔

آپریشنل صحت

ایونٹس کی تعداد جو یہ سسٹم ریئل ٹائم فیچر کمپیوٹنگ کے لیے ہینڈل کرتا ہے اس کے مطابق ایپ کے استعمال کے فطری انداز کے مطابق تبدیلیاں کرتی ہیں (دن کے وقت یا ہفتے کے دن کی بنیاد پر زیادہ یا کم ٹریفک)۔ اسی طرح، سمورتی ایپ صارفین کی تعداد کے ساتھ ریئل ٹائم انفرنس اسکیلز کے لیے اسے موصول ہونے والی درخواستوں کی تعداد۔ مقبول تخلیق کاروں کی جانب سے سوشل میڈیا میں خود پروموشنز کی وجہ سے یہ خدمات ٹریفک میں غیر متوقع طور پر بھی پہنچ جاتی ہیں۔ اگرچہ اس بات کو یقینی بنانا ضروری ہے کہ نظام آنے والی ٹریفک کو کامیابی سے اور کفایت شعاری سے پیش کرنے کے لیے اوپر اور نیچے کی پیمائش کر سکتا ہے، لیکن یہ بھی ضروری ہے کہ آپریشنل میٹرکس کی نگرانی کی جائے اور صارفین کو ڈیٹا اور سروس کے نقصان کو روکنے کے لیے کسی بھی غیر متوقع آپریشنل مسائل کے لیے الرٹ کیا جائے۔ ان خدمات کی صحت کی نگرانی کا استعمال سیدھا ہے۔ ایمیزون کلاؤڈ واچ. اہم سروس ہیلتھ میٹرکس جیسے کاموں میں خرابیاں اور تاخیر کے ساتھ ساتھ استعمال کے میٹرکس جیسے میموری، ڈسک، اور CPU کا استعمال CloudWatch کا استعمال کرتے ہوئے باکس کے باہر دستیاب ہیں۔ ہماری ڈیولپمنٹ ٹیم میٹرکس ڈیش بورڈز اور خودکار مانیٹرنگ کا استعمال کرتی ہے اس بات کو یقینی بنانے کے لیے کہ ہم اپنے کلائنٹس کو اعلی دستیابی (99.8%) اور کم تاخیر کے ساتھ خدمت کر سکیں (فی صارف تجویز کردہ شوز حاصل کرنے کے لیے 200 ملی سیکنڈ سے کم اینڈ ٹو اینڈ)۔

نتیجہ کی پیمائش

اس پوسٹ میں بیان کردہ ایم ایل پر مبنی شو کے تجویز کنندہ سے پہلے، ایک آسان ہیورسٹک الگورتھم نے صارف کے ذاتی دلچسپی کے موضوعات پر مبنی Amp شوز کی درجہ بندی کی ہے جو ان کے پروفائل پر خود رپورٹ کیے گئے ہیں۔ ہم نے ایک A/B ٹیسٹ ترتیب دیا ہے تاکہ ML پر مبنی تجویز کنندگان پر سوئچ کرنے کے اثرات کی پیمائش کی جا سکے، صارف کے ڈیٹا کے ساتھ ان کے ماضی کے ایپ کے تعاملات سے۔ ہم نے میٹرکس میں بہتری کی نشاندہی کی جیسے کہ سننے کا دورانیہ اور مصروفیت کے اعمال کی تعداد (شو کو پسند کرنا، شو کے تخلیق کار کی پیروی کرنا، اطلاعات کو آن کرنا) کامیابی کے اشارے کے طور پر۔ 50% صارفین کے ساتھ A/B ٹیسٹنگ جو کہ ML-based سفارش کنندہ کے ذریعے ان کے لیے درجہ بندی کی گئی سفارشات وصول کرتے ہیں، نے کسٹمر کی انگیجمنٹ میٹرکس میں 3% اضافہ اور پلے بیک کے دورانیے میں 0.5% بہتری ظاہر کی ہے۔

نتیجہ

مقصد سے تیار کردہ خدمات کے ساتھ، Amp ٹیم ذاتی شو کی سفارش API کو جاری کرنے میں کامیاب رہی جیسا کہ اس پوسٹ میں 3 ماہ سے کم عرصے میں پروڈکشن کے لیے بیان کیا گیا ہے۔ یہ نظام معروف شو ہوسٹس یا مارکیٹنگ مہمات کے ذریعے بنائے گئے غیر متوقع بوجھ کے لیے بھی اچھی طرح سے پیمانہ بناتا ہے جو صارفین کی آمد پیدا کر سکتے ہیں۔ حل پروسیسنگ، ٹریننگ اور ہوسٹنگ کے لیے منظم خدمات کا استعمال کرتا ہے، جس سے سسٹم کی روزانہ کی دیکھ بھال پر خرچ ہونے والے وقت کو کم کرنے میں مدد ملتی ہے۔ ہم CloudWatch کے ذریعے ان تمام انتظامی خدمات کی نگرانی کرنے کے قابل بھی ہیں تاکہ پروڈکشن میں سسٹمز کی مسلسل صحت کو یقینی بنایا جا سکے۔

A/B کے اصول پر مبنی نقطہ نظر کے خلاف A/B کے ایم ایل پر مبنی تجویز کنندہ کے پہلے ورژن کی جانچ کرنا (جو صرف گاہک کی دلچسپی کے موضوعات سے ظاہر ہوتا ہے) نے یہ ظاہر کیا ہے کہ ML پر مبنی تجویز کنندہ صارفین کو مزید متنوع موضوعات سے اعلیٰ معیار کے مواد سے روشناس کراتا ہے۔ ، جس کے نتیجے میں پیروی کرنے والوں کی تعداد زیادہ ہوتی ہے اور نوٹیفیکیشن فعال ہوتے ہیں۔ Amp ٹیم انتہائی متعلقہ سفارشات فراہم کرنے کے لیے ماڈلز کو بہتر بنانے کے لیے مسلسل کام کر رہی ہے۔

فیچر اسٹور کے بارے میں مزید معلومات کے لیے، ملاحظہ کریں۔ ایمیزون سیج میکر فیچر اسٹور اور میں صارفین کے استعمال کے دیگر معاملات کو چیک کریں۔ AWS مشین لرننگ بلاگ.

---

مصنفین کے بارے میں

ٹیولپ گپتا ایمیزون ویب سروسز میں ایک حل آرکیٹیکٹ ہے۔ وہ AWS پر ٹکنالوجی کے حل کو ڈیزائن کرنے، بنانے اور ان کی تعیناتی کے لیے Amazon کے ساتھ کام کرتی ہے۔ وہ AWS میں حل کی تعیناتی کے دوران بہترین طریقوں کو اپنانے میں صارفین کی مدد کرتی ہے، اور تجزیات اور ML کی شوقین ہے۔ اپنے فارغ وقت میں، وہ تیراکی، پیدل سفر اور بورڈ گیمز کھیلنے سے لطف اندوز ہوتی ہے۔

ڈیوڈ کو ایمیزون ویب سروسز میں ایک حل آرکیٹیکٹ ہے۔ وہ AWS صارفین کے ساتھ AWS پر ٹیکنالوجی کے حل کو ڈیزائن، تعمیر اور تعینات کرنے کے لیے کام کرتا ہے۔ وہ میڈیا اور تفریحی صارفین کے ساتھ کام کرتا ہے اور مشین لرننگ ٹیکنالوجیز میں دلچسپی رکھتا ہے۔ اپنے فارغ وقت میں، وہ سوچتا ہے کہ اسے اپنے فارغ وقت کا کیا کرنا چاہیے۔

منولیا میک کارمک Amazon پر Amp کے لیے Sr Software Development Engineer ہے۔ وہ صارفین کو درپیش ایپلی کیشنز کی خدمت کے لیے AWS کا استعمال کرتے ہوئے ڈسٹری بیوٹڈ سسٹم ڈیزائن اور بناتی ہے۔ وہ اپنے فارغ وقت میں نئی ​​ترکیبیں پڑھنا اور پکانا پسند کرتی ہے۔

جیف کرسٹوفرسن ایمیزون پر Amp کے لیے ایک سینئر ڈیٹا انجینئر ہے۔ وہ AWS پر بگ ڈیٹا سلوشنز کو ڈیزائن، بنانے اور تعینات کرنے کے لیے کام کرتا ہے جو قابل عمل بصیرت کو آگے بڑھاتے ہیں۔ وہ توسیع پذیر اور خودکار حلوں کو اپنانے میں اندرونی ٹیموں کی مدد کرتا ہے، اور تجزیات اور بگ ڈیٹا کا شوقین ہے۔ اپنے فارغ وقت میں، جب وہ سکی کے جوڑے پر نہیں ہوتا ہے تو آپ اسے اس کی ماؤنٹین بائیک پر پا سکتے ہیں۔