کس طرح Axfood Amazon SageMaker | کا استعمال کرتے ہوئے پوری تنظیم میں تیز رفتار مشین لرننگ کو قابل بناتا ہے۔ ایمیزون ویب سروسز

یہ ایک مہمان پوسٹ ہے جو Axfood AB نے لکھی ہے۔ 

اس پوسٹ میں، ہم یہ بتاتے ہیں کہ کس طرح Axfood، ایک بڑے سویڈش فوڈ ریٹیلر نے AWS ماہرین کے ساتھ قریبی تعاون سے پروٹو ٹائپ کرکے اور استعمال کرتے ہوئے اپنی موجودہ مصنوعی ذہانت (AI) اور مشین لرننگ (ML) کے آپریشنز اور اسکیل ایبلٹی کو بہتر بنایا۔ ایمیزون سیج میکر.

ایکس فوڈ سویڈن کا دوسرا سب سے بڑا فوڈ ریٹیلر ہے، جس میں 13,000 سے زیادہ ملازمین اور 300 سے زیادہ اسٹورز ہیں۔ Axfood کا ایک ڈھانچہ ہے جس میں متعدد وکندریقرت ڈیٹا سائنس ٹیمیں ذمہ داری کے مختلف شعبوں کے ساتھ ہیں۔ ایک مرکزی ڈیٹا پلیٹ فارم ٹیم کے ساتھ، ڈیٹا سائنس ٹیمیں تنظیم میں AI اور ML حل کے ذریعے جدت اور ڈیجیٹل تبدیلی لاتی ہیں۔ Axfood ایمیزون سیج میکر کو ایم ایل کا استعمال کرتے ہوئے اپنے ڈیٹا کاشت کرنے کے لیے استعمال کر رہا ہے اور کئی سالوں سے اس کے ماڈلز پروڈکشن میں ہیں۔ حال ہی میں، نفاست کی سطح اور پیداوار میں ماڈلز کی بڑی تعداد میں تیزی سے اضافہ ہو رہا ہے۔ تاہم، اگرچہ جدت کی رفتار زیادہ ہے، مختلف ٹیموں نے کام کرنے کے اپنے طریقے تیار کیے تھے اور ایک نئے MLOps بہترین عمل کی تلاش میں تھے۔

ہمارا چیلنج۔

کلاؤڈ سروسز اور AI/ML کے معاملے میں مسابقتی رہنے کے لیے، Axfood نے AWS کے ساتھ شراکت کا انتخاب کیا اور کئی سالوں سے ان کے ساتھ تعاون کر رہا ہے۔

AWS کے ساتھ ہمارے بار بار چلنے والے دماغی طوفان کے سیشن میں سے ایک کے دوران، ہم اس بات پر تبادلہ خیال کر رہے تھے کہ ڈیٹا سائنس اور ML پریکٹیشنرز کی جدت اور کارکردگی کی رفتار کو بڑھانے کے لیے ٹیموں کے درمیان بہترین تعاون کیسے کیا جائے۔ ہم نے MLOps کے لیے ایک بہترین عمل پر ایک پروٹو ٹائپ بنانے کے لیے مشترکہ کوشش کرنے کا فیصلہ کیا۔ پروٹو ٹائپ کا مقصد تمام ڈیٹا سائنس ٹیموں کے لیے ایک ماڈل ٹیمپلیٹ بنانا تھا تاکہ قابل توسیع اور موثر ML ماڈلز کی تعمیر کی جا سکے جو کہ Axfood کے لیے AI اور ML پلیٹ فارمز کی نئی نسل کی بنیاد ہے۔ ٹیمپلیٹ کو AWS ML ماہرین اور کمپنی کے مخصوص بہترین پریکٹس ماڈلز کے بہترین طریقوں کو جوڑنا چاہیے جو دونوں جہانوں میں بہترین ہے۔

ہم نے Axfood کے اندر فی الحال سب سے زیادہ ترقی یافتہ ML ماڈلز میں سے ایک پروٹوٹائپ بنانے کا فیصلہ کیا: دکانوں میں فروخت کی پیشن گوئی. مزید خاص طور پر، فوڈ ریٹیل اسٹورز کے لیے آنے والی مہموں کے پھلوں اور سبزیوں کی پیشن گوئی۔ روزانہ کی درست پیشن گوئی اسٹورز کے آرڈرنگ کے عمل کو سپورٹ کرتی ہے، جس سے کھانے کے ضیاع کو کم سے کم کرکے پائیداری میں اضافہ ہوتا ہے جس کے نتیجے میں اسٹور میں ضروری اسٹاک کی سطح کی درست پیش گوئی کرکے فروخت کو بہتر بنایا جاتا ہے۔ یہ ہمارے پروٹو ٹائپ کے لیے شروع کرنے کے لیے بہترین جگہ تھی — نہ صرف Axfood کو ایک نیا AI/ML پلیٹ فارم ملے گا، بلکہ ہمیں اپنی ML صلاحیتوں کو بینچ مارک کرنے اور AWS کے سرکردہ ماہرین سے سیکھنے کا موقع بھی ملے گا۔

ہمارا حل: ایمیزون سیج میکر اسٹوڈیو پر ایک نیا ایم ایل ٹیمپلیٹ

ایک مکمل ML پائپ لائن بنانا جو ایک حقیقی کاروباری کیس کے لیے ڈیزائن کیا گیا ہو، چیلنجنگ ہو سکتا ہے۔ اس معاملے میں، ہم ایک پیشن گوئی ماڈل تیار کر رہے ہیں، لہذا مکمل کرنے کے لیے دو اہم مراحل ہیں:

1. تاریخی ڈیٹا کا استعمال کرتے ہوئے پیشین گوئیاں کرنے کے لیے ماڈل کو تربیت دیں۔
2. مستقبل کے واقعات کی پیشین گوئیاں کرنے کے لیے تربیت یافتہ ماڈل کا اطلاق کریں۔

Axfood کے معاملے میں، اس مقصد کے لیے ایک اچھی طرح سے کام کرنے والی پائپ لائن پہلے ہی SageMaker نوٹ بک کا استعمال کرتے ہوئے ترتیب دی گئی تھی اور تھرڈ پارٹی ورک فلو مینجمنٹ پلیٹ فارم Airflow کے ذریعے ترتیب دی گئی تھی۔ تاہم، ہمارے ایم ایل پلیٹ فارم کو جدید بنانے اور اس میں منتقل ہونے کے بہت سے واضح فوائد ہیں۔ ایمیزون سیج میکر اسٹوڈیو اور ایمیزون سیج میکر پائپ لائنز. سیج میکر اسٹوڈیو میں منتقل ہونا بہت سی پہلے سے طے شدہ آؤٹ آف دی باکس خصوصیات فراہم کرتا ہے:

• مانیٹرنگ ماڈل اور ڈیٹا کے معیار کے ساتھ ساتھ ماڈل کی وضاحت
• بلٹ ان انٹیگریٹڈ ڈویلپمنٹ انوائرمنٹ (IDE) ٹولز جیسے ڈیبگنگ
• لاگت/کارکردگی کی نگرانی
• ماڈل قبولیت کا فریم ورک
• ماڈل رجسٹری

تاہم، Axfood کے لیے سب سے اہم ترغیب اس کا استعمال کرتے ہوئے حسب ضرورت پروجیکٹ ٹیمپلیٹس بنانے کی صلاحیت ہے۔ ایمیزون سیج میکر پروجیکٹس تمام ڈیٹا سائنس ٹیموں اور ML پریکٹیشنرز کے لیے ایک بلیو پرنٹ کے طور پر استعمال کیا جائے گا۔ Axfood ٹیم کے پاس پہلے سے ہی ML ماڈلنگ کی ایک مضبوط اور پختہ سطح تھی، اس لیے بنیادی توجہ نئے فن تعمیر کی تعمیر پر تھی۔

حل جائزہ

Axfood کا مجوزہ نیا ML فریم ورک دو اہم پائپ لائنوں کے ارد گرد تشکیل دیا گیا ہے: ماڈل بلڈ پائپ لائن اور بیچ انفرنس پائپ لائن:

• ان پائپ لائنوں کو دو الگ الگ گٹ ریپوزٹریوں میں ورژن بنایا گیا ہے: ایک بلڈ ریپوزٹری اور ایک ڈیپلائی (تخمینہ) ذخیرہ۔ دونوں مل کر پھلوں اور سبزیوں کی پیشن گوئی کے لیے ایک مضبوط پائپ لائن بناتے ہیں۔
• پائپ لائنوں کو سیج میکر پروجیکٹس کا استعمال کرتے ہوئے ایک تھرڈ پارٹی گٹ ریپوزٹری (بٹ بکٹ) اور بٹ بکٹ پائپ لائنوں کے ساتھ مسلسل انضمام اور مسلسل تعیناتی (CI/CD) اجزاء کے ساتھ انضمام میں پیک کیا جاتا ہے۔
• سیج میکر پروجیکٹ ٹیمپلیٹ میں پائپ لائنوں کی تعمیر اور تعیناتی کے ہر مرحلے کے مطابق بیج کا کوڈ شامل ہے (ہم ان اقدامات پر مزید تفصیل سے اس پوسٹ میں بعد میں بات کریں گے) اور ساتھ ہی پائپ لائن کی تعریف — یہ طریقہ کہ مراحل کو کیسے چلایا جانا چاہیے۔
• ٹیمپلیٹ کی بنیاد پر نئے پروجیکٹس بنانے کی آٹومیشن کو ہموار کیا جاتا ہے۔ AWS سروس کیٹلاگ، جہاں ایک پورٹ فولیو بنایا جاتا ہے، ایک سے زیادہ مصنوعات کے لیے تجرید کے طور پر کام کرتا ہے۔
• ہر پروڈکٹ کا ترجمہ ایک میں ہوتا ہے۔ AWS کلاؤڈ فارمیشن ٹیمپلیٹ، جو اس وقت لگائی جاتی ہے جب ڈیٹا سائنسدان ہمارے MLOps بلیو پرنٹ کے ساتھ ایک نیا SageMaker پروجیکٹ بناتا ہے۔ یہ ایک کو چالو کرتا ہے۔ او ڈبلیو ایس لامبڈا۔ فنکشن جو دو ذخیروں کے ساتھ بٹ بکٹ پروجیکٹ بناتا ہے — ماڈل بلڈ اور ماڈل ڈیپلائے — جس میں سیڈ کوڈ ہوتا ہے۔

مندرجہ ذیل خاکہ حل کے فن تعمیر کی وضاحت کرتا ہے۔ ورک فلو A دو ماڈل پائپ لائنوں کے درمیان پیچیدہ بہاؤ کو ظاہر کرتا ہے — تعمیر اور اندازہ۔ ورک فلو B ایک نیا ML پروجیکٹ بنانے کے بہاؤ کو دکھاتا ہے۔

ماڈل کی تعمیر پائپ لائن

ماڈل بلڈ پائپ لائن ماڈل کے لائف سائیکل کو ترتیب دیتا ہے، جس کا آغاز پری پروسیسنگ سے ہوتا ہے، تربیت کے ذریعے آگے بڑھتا ہے، اور ماڈل رجسٹری میں رجسٹر ہونے پر اختتام پذیر ہوتا ہے:

• پیشگی کارروائی - یہاں، سیج میکر ScriptProcessor کلاس فیچر انجینئرنگ کے لیے ملازم ہے، جس کے نتیجے میں ڈیٹاسیٹ ماڈل کو تربیت دی جائے گی۔
• تربیت اور بیچ کی تبدیلی - SageMaker سے حسب ضرورت ٹریننگ اور انفرنس کنٹینرز کو ماڈل کو تاریخی ڈیٹا پر تربیت دینے اور متعلقہ کاموں کے لیے SageMaker تخمینہ کار اور ٹرانسفارمر کا استعمال کرتے ہوئے تشخیصی ڈیٹا پر پیشین گوئیاں بنانے کے لیے استعمال کیا جاتا ہے۔
• تشخیص - تربیت یافتہ ماڈل کا استعمال کرتے ہوئے تشخیصی اعداد و شمار پر پیدا ہونے والی پیشین گوئیوں کا زمینی سچائی سے موازنہ کرکے جائزہ لیا جاتا ہے۔ ScriptProcessor.
• بیس لائن نوکریاں - پائپ لائن ان پٹ ڈیٹا میں اعداد و شمار کی بنیاد پر بیس لائنز بناتی ہے۔ یہ ڈیٹا اور ماڈل کے معیار کے ساتھ ساتھ خصوصیت کے انتساب کی نگرانی کے لیے ضروری ہیں۔
• ماڈل رجسٹری - تربیت یافتہ ماڈل مستقبل کے استعمال کے لیے رجسٹرڈ ہے۔ ماڈل کو نامزد ڈیٹا سائنسدانوں کی طرف سے منظوری دی جائے گی تاکہ ماڈل کو پروڈکشن میں استعمال کرنے کے لیے تعینات کیا جا سکے۔

پیداواری ماحول کے لیے، ڈیٹا کے ادخال اور ٹرگر میکانزم کا انتظام ایک بنیادی ایئر فلو آرکیسٹریشن کے ذریعے کیا جاتا ہے۔ دریں اثنا، ترقی کے دوران، پائپ لائن کو چالو کیا جاتا ہے جب بھی ماڈل بلڈ بٹ بکٹ ریپوزٹری میں ایک نیا کمٹ متعارف کرایا جاتا ہے۔ مندرجہ ذیل تصویر ماڈل کی تعمیر کی پائپ لائن کو دیکھتی ہے۔

بیچ انفرنس پائپ لائن

بیچ انفرنس پائپ لائن انفرنس مرحلے کو ہینڈل کرتی ہے، جو درج ذیل مراحل پر مشتمل ہے:

• پیشگی کارروائی - ڈیٹا کا استعمال کرتے ہوئے پہلے سے پروسیس کیا جاتا ہے۔ ScriptProcessor.
• بیچ کی تبدیلی - ماڈل سیج میکر ٹرانسفارمر کے ساتھ کسٹم انفرنس کنٹینر کا استعمال کرتا ہے اور ان پٹ پری پروسیسڈ ڈیٹا کو دیکھتے ہوئے پیشین گوئیاں تیار کرتا ہے۔ استعمال شدہ ماڈل ماڈل رجسٹری میں جدید ترین منظور شدہ تربیت یافتہ ماڈل ہے۔
• پوسٹ پروسیسنگ - پیشین گوئیوں کا استعمال کرتے ہوئے پوسٹ پروسیسنگ اقدامات کی ایک سیریز سے گزرنا پڑتا ہے۔ ScriptProcessor.
• باخبر رہنا - مسلسل نگرانی ڈیٹا کوالٹی، ماڈل کوالٹی، اور فیچر انتساب سے متعلق بہاؤ کی جانچ کو مکمل کرتی ہے۔

اگر تضادات پیدا ہوتے ہیں تو، پوسٹ پروسیسنگ اسکرپٹ کے اندر ایک کاروباری منطق اس بات کا اندازہ لگاتی ہے کہ آیا ماڈل کو دوبارہ تربیت دینا ضروری ہے۔ پائپ لائن کو باقاعدہ وقفوں سے چلنا ہے۔

مندرجہ ذیل خاکہ بیچ انفرنس پائپ لائن کی وضاحت کرتا ہے۔ ورک فلو A پری پروسیسنگ، ڈیٹا کوالٹی اور فیچر انتساب ڈرفٹ چیکس، انفرنس، اور پوسٹ پروسیسنگ سے مماثل ہے۔ ورک فلو B ماڈل کوالٹی ڈرفٹ چیک سے مساوی ہے۔ ان پائپ لائنوں کو تقسیم کیا گیا ہے کیونکہ ماڈل کوالٹی ڈرفٹ چیک صرف اس صورت میں چلے گا جب نیا زمینی سچائی ڈیٹا دستیاب ہو۔

سیج میکر ماڈل مانیٹر

ساتھ ایمیزون سیج میکر ماڈل مانیٹر انٹیگریٹڈ، پائپ لائنز کو درج ذیل پر ریئل ٹائم مانیٹرنگ سے فائدہ ہوتا ہے:

• ڈیٹا کا معیار - ڈیٹا میں کسی بھی بہاؤ یا عدم مطابقت کی نگرانی کرتا ہے۔
• ماڈل کا معیار - ماڈل کی کارکردگی میں کسی بھی اتار چڑھاو کو دیکھتا ہے۔
• خصوصیت کا انتساب - خصوصیت کے انتساب میں بڑھے ہوئے کی جانچ کرتا ہے۔

ماڈل کے معیار کی نگرانی کے لیے زمینی سچائی کے ڈیٹا تک رسائی کی ضرورت ہوتی ہے۔ اگرچہ زمینی سچائی کو حاصل کرنا بعض اوقات مشکل ہو سکتا ہے، ڈیٹا یا فیچر انتساب ڈرفٹ مانیٹرنگ کا استعمال ماڈل کوالٹی کے لیے ایک قابل پراکسی کے طور پر کام کرتا ہے۔

خاص طور پر، ڈیٹا کوالٹی بڑھنے کی صورت میں، سسٹم مندرجہ ذیل چیزوں پر نظر رکھتا ہے:

• تصور بہاؤ - یہ ان پٹ اور آؤٹ پٹ کے درمیان ارتباط میں تبدیلیوں سے متعلق ہے، جس میں زمینی سچائی کی ضرورت ہوتی ہے۔
• Covariate شفٹ - یہاں، آزاد ان پٹ متغیرات کی تقسیم میں تبدیلیوں پر زور دیا جاتا ہے۔

سیج میکر ماڈل مانیٹر کی ڈیٹا ڈرفٹ کی فعالیت احتیاط سے ان پٹ ڈیٹا کو پکڑتی ہے اور اس کی جانچ پڑتال کرتی ہے، قواعد و ضوابط اور شماریاتی جانچ پڑتال کرتی ہے۔ جب بھی بے ضابطگیوں کا پتہ چلتا ہے تو انتباہات اٹھائے جاتے ہیں۔

ماڈل کے انحطاط کی نگرانی کے لیے ڈیٹا کوالٹی ڈرفٹ چیکس کو بطور پراکسی استعمال کرنے کے متوازی طور پر، سسٹم نارملائزڈ ڈسکاؤنٹڈ کمولیٹیو گین (این ڈی سی جی) سکور کا استعمال کرتے ہوئے فیچر انتساب بڑھے کی بھی نگرانی کرتا ہے۔ یہ اسکور فیچر انتساب کی درجہ بندی کی ترتیب میں تبدیلیوں کے ساتھ ساتھ خصوصیات کے خام انتساب اسکور دونوں کے لیے حساس ہے۔ انفرادی خصوصیات اور ان کی نسبتی اہمیت کے لیے انتساب میں بڑھنے کی نگرانی کرکے، ماڈل کے معیار میں تنزلی کا پتہ لگانا سیدھا سیدھا ہے۔

ماڈل کی وضاحت

ماڈل کی وضاحت کی اہلیت ML کی تعیناتیوں کا ایک اہم حصہ ہے، کیونکہ یہ پیشین گوئیوں میں شفافیت کو یقینی بناتی ہے۔ تفصیلی تفہیم کے لیے، ہم استعمال کرتے ہیں۔ ایمیزون سیج میکر واضح کریں۔.

یہ شیپلی ویلیو کے تصور پر مبنی ماڈل-ایگنوسٹک فیچر انتساب تکنیک کے ذریعے عالمی اور مقامی ماڈل دونوں وضاحتیں پیش کرتا ہے۔ اس کا استعمال ڈی کوڈ کرنے کے لیے کیا جاتا ہے کیوں کہ کسی خاص پیشن گوئی کو قیاس کے دوران کیا گیا تھا۔ اس طرح کی وضاحتیں، جو فطری طور پر متضاد ہیں، مختلف بنیادوں کی بنیاد پر مختلف ہو سکتی ہیں۔ SageMaker Clarify ان پٹ ڈیٹاسیٹ میں K-means یا K-prototypes کا استعمال کرتے ہوئے اس بیس لائن کا تعین کرنے میں مدد کرتا ہے، جسے پھر ماڈل بلڈ پائپ لائن میں شامل کیا جاتا ہے۔ یہ فعالیت ہمیں اس قابل بناتی ہے کہ ہم مستقبل میں جنریٹیو AI ایپلی کیشنز تیار کر سکیں تاکہ ماڈل کے کام کرنے کے بارے میں مزید سمجھ آ سکے۔

صنعت کاری: پروٹو ٹائپ سے پیداوار تک

MLOps پروجیکٹ میں اعلی درجے کی آٹومیشن شامل ہے اور اسی طرح کے استعمال کے معاملات کے لیے بلیو پرنٹ کے طور پر کام کر سکتا ہے:

• بنیادی ڈھانچے کو مکمل طور پر دوبارہ استعمال کیا جا سکتا ہے، جبکہ سیڈ کوڈ کو ہر کام کے لیے ڈھال لیا جا سکتا ہے، زیادہ تر تبدیلیاں پائپ لائن کی تعریف اور پری پروسیسنگ، ٹریننگ، انفرنس، اور پوسٹ پروسیسنگ کے لیے کاروباری منطق تک محدود ہیں۔
• ٹریننگ اور انفرنس اسکرپٹس کی میزبانی SageMaker کسٹم کنٹینرز کے ذریعے کی جاتی ہے، اس لیے ڈیٹا اور ماڈل کی نگرانی یا ماڈل کی وضاحت کے مراحل میں تبدیلی کیے بغیر متعدد ماڈلز کو ایڈجسٹ کیا جا سکتا ہے، جب تک کہ ڈیٹا ٹیبلر فارمیٹ میں ہو۔

پروٹوٹائپ پر کام ختم کرنے کے بعد، ہم اس طرف متوجہ ہوئے کہ ہمیں اسے پروڈکشن میں کیسے استعمال کرنا چاہیے۔ ایسا کرنے کے لیے، ہمیں MLOps ٹیمپلیٹ میں کچھ اضافی ایڈجسٹمنٹ کرنے کی ضرورت محسوس ہوئی:

• ٹیمپلیٹ کے پروٹوٹائپ میں استعمال ہونے والے اصل بیج کوڈ میں پری پروسیسنگ اور پوسٹ پروسیسنگ کے اقدامات شامل ہیں جو بنیادی ML اقدامات (تربیت اور تخمینہ) سے پہلے اور بعد میں چلتے ہیں۔ تاہم، جب پروڈکشن میں متعدد استعمال کے معاملات کے لیے ٹیمپلیٹ کو استعمال کرنے کے لیے پیمانہ بنایا جاتا ہے، تو بلٹ ان پری پروسیسنگ اور پوسٹ پروسیسنگ کے اقدامات کوڈ کی عمومیت اور پنروتپادن میں کمی کا باعث بن سکتے ہیں۔
• عمومیت کو بہتر بنانے اور دہرائے جانے والے کوڈ کو کم سے کم کرنے کے لیے، ہم نے پائپ لائنوں کو مزید پتلا کرنے کا انتخاب کیا۔ ML پائپ لائن کے حصے کے طور پر پری پروسیسنگ اور پوسٹ پروسیسنگ کے مراحل کو چلانے کے بجائے، ہم ML پائپ لائن کو متحرک کرنے سے پہلے اور بعد میں بنیادی ایئر فلو آرکیسٹریشن کے حصے کے طور پر چلاتے ہیں۔
• اس طرح، استعمال کے کیس کے لیے مخصوص پروسیسنگ کے کاموں کو ٹیمپلیٹ سے نکال دیا جاتا ہے، اور جو باقی رہ جاتا ہے وہ ایک بنیادی ML پائپ لائن کو انجام دینے والے کام ہیں جو کوڈ کی کم سے کم تکرار کے ساتھ متعدد استعمال کے معاملات میں عام ہیں۔ پیرامیٹرز جو استعمال کے معاملات کے درمیان مختلف ہوتے ہیں پرائمری ایئر فلو آرکیسٹریشن سے ایم ایل پائپ لائن کو ان پٹ کے طور پر فراہم کیے جاتے ہیں۔

نتیجہ: ماڈل کی تعمیر اور تعیناتی کے لیے تیز رفتار اور موثر طریقہ

AWS کے تعاون سے اس پروٹوٹائپ کے نتیجے میں موجودہ بہترین طریقوں کے بعد MLOps ٹیمپلیٹ سامنے آیا ہے جو اب Axfood کی تمام ڈیٹا سائنس ٹیموں کے استعمال کے لیے دستیاب ہے۔ سیج میکر اسٹوڈیو کے اندر ایک نیا سیج میکر پروجیکٹ بنا کر، ڈیٹا سائنسدان نئے ایم ایل پروجیکٹس پر تیزی سے اور بغیر کسی رکاوٹ کے پروڈکشن میں منتقلی شروع کر سکتے ہیں، جس سے زیادہ موثر ٹائم مینجمنٹ کی اجازت دی جا سکتی ہے۔ یہ ٹیمپلیٹ کے حصے کے طور پر تھکا دینے والے، دہرائے جانے والے MLOps کاموں کو خودکار بنانے سے ممکن ہوا ہے۔

مزید برآں، ہمارے ایم ایل سیٹ اپ میں خودکار انداز میں کئی نئی خصوصیات شامل کی گئی ہیں۔ ان فوائد میں شامل ہیں:

• ماڈل کی نگرانی - ہم ماڈل اور ڈیٹا کے معیار کے ساتھ ساتھ ماڈل کی وضاحت کے لیے بڑھے ہوئے چیک بھی انجام دے سکتے ہیں۔
• ماڈل اور ڈیٹا نسب - اب یہ پتہ لگانا ممکن ہے کہ کس ماڈل کے لیے کون سا ڈیٹا استعمال کیا گیا ہے۔
• ماڈل رجسٹری - یہ ہمیں پروڈکشن کے لیے کیٹلاگ ماڈلز اور ماڈل ورژنز کا نظم کرنے میں مدد کرتا ہے۔

نتیجہ

اس پوسٹ میں، ہم نے تبادلہ خیال کیا کہ کس طرح Axfood نے AWS ماہرین کے تعاون سے اور SageMaker اور اس سے متعلقہ پروڈکٹس کا استعمال کرکے ہمارے موجودہ AI اور ML آپریشنز کے آپریشنز اور اسکیل ایبلٹی کو بہتر بنایا۔

یہ اصلاحات Axfood کی ڈیٹا سائنس ٹیموں کو ML ورک فلوز کو زیادہ معیاری طریقے سے بنانے میں مدد کریں گی اور پیداوار میں ماڈلز کے تجزیہ اور نگرانی کو بہت آسان بنائیں گی—ہماری ٹیموں کے ذریعے بنائے گئے اور برقرار رکھنے والے ML ماڈلز کے معیار کو یقینی بنائیں گے۔

براہ کرم تبصرے کے سیکشن میں کوئی بھی رائے یا سوالات چھوڑیں۔

---

مصنفین کے بارے میں

ڈاکٹر Björn Blomqvist Axfood AB میں AI حکمت عملی کے سربراہ ہیں۔ Axfood AB میں شامل ہونے سے پہلے اس نے Dagab میں ڈیٹا سائنسدانوں کی ایک ٹیم کی قیادت کی، جو Axfood کا ایک حصہ ہے، جس نے پورے سویڈن میں لوگوں کو اچھی اور پائیدار خوراک فراہم کرنے کے مشن کے ساتھ جدید مشین لرننگ سلوشنز تیار کیے۔ سویڈن کے شمال میں پیدا ہوا اور پرورش پایا، اپنے فارغ وقت میں Björn برفیلے پہاڑوں اور کھلے سمندروں کا رخ کرتا ہے۔

آسکر کلنگ Dagab میں تجزیاتی شعبہ میں ایک سینئر ڈیٹا سائنٹسٹ ہے، جہاں وہ ہر چیز کے تجزیات اور مشین لرننگ کے ساتھ کام کرنے سے لطف اندوز ہوتا ہے، مثلاً سپلائی چین آپریشنز کو بہتر بنانا، پیشن گوئی کے ماڈلز بنانا اور حال ہی میں GenAI ایپلی کیشنز۔ وہ مزید ہموار مشین لرننگ پائپ لائنز بنانے، کارکردگی اور اسکیل ایبلٹی بڑھانے کے لیے پرعزم ہے۔

پاول مسلوف تجزیاتی پلیٹ فارمز ٹیم میں ایک سینئر ڈی او اوپس اور ایم ایل انجینئر ہے۔ Pavel کے پاس AWS پلیٹ فارم پر DevOps اور ML/AI کے ڈومینز میں فریم ورک، انفراسٹرکچر، اور ٹولز کی ترقی کا وسیع تجربہ ہے۔ Pavel Axfood میں ML کے اندر بنیادی صلاحیت پیدا کرنے میں کلیدی کھلاڑیوں میں سے ایک رہا ہے۔

جواکم برگ سٹاک ہوم سویڈن میں مقیم ٹیم لیڈ اور پروڈکٹ کا مالک تجزیاتی پلیٹ فارم ہے۔ وہ ڈیٹا پلیٹ فارم اینڈ DevOps/MLOps انجینئرز کی ایک ٹیم کی قیادت کر رہا ہے جو ڈیٹا سائنس ٹیموں کے لیے ڈیٹا اور ML پلیٹ فارم مہیا کرتا ہے۔ جواکم کے پاس مختلف صنعتوں سے سینئر ڈیولپمنٹ اور آرکیٹیکچر ٹیموں کی قیادت کرنے کا کئی سال کا تجربہ ہے۔

• 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۔ کاربن، کلین ٹیک، توانائی ، ماحولیات، شمسی، ویسٹ مینجمنٹ یہاں تک رسائی حاصل کریں۔
• پلیٹو ہیلتھ۔ بائیوٹیک اینڈ کلینیکل ٹرائلز انٹیلی جنس۔ یہاں تک رسائی حاصل کریں۔
• ماخذ: https://aws.amazon.com/blogs/machine-learning/how-axfood-enables-accelerated-machine-learning-throughout-the-organization-using-amazon-sagemaker/