یہ پوسٹ بگ باسکٹ سے سنتوش وڈی اور نندا کشور ٹھٹیکونڈا کے ساتھ مل کر لکھی گئی ہے۔
بگ باسکیٹ۔ ہندوستان کا سب سے بڑا آن لائن کھانے اور گروسری اسٹور ہے۔ وہ متعدد ای کامرس چینلز میں کام کرتے ہیں جیسے فوری کامرس، سلاٹڈ ڈیلیوری، اور روزانہ سبسکرپشن۔ آپ ان کے فزیکل اسٹورز اور وینڈنگ مشینوں سے بھی خرید سکتے ہیں۔ وہ 50,000 برانڈز میں 1,000 سے زیادہ مصنوعات کی ایک بڑی ترتیب پیش کرتے ہیں، اور 500 سے زیادہ شہروں اور قصبوں میں کام کر رہے ہیں۔ بگ باسکٹ 10 ملین سے زیادہ صارفین کی خدمت کرتا ہے۔
اس پوسٹ میں، ہم بحث کرتے ہیں کہ بگ باسکٹ کا استعمال کیسے ہوا۔ ایمیزون سیج میکر فاسٹ موونگ کنزیومر گڈز (FMCG) پروڈکٹ کی شناخت کے لیے اپنے کمپیوٹر ویژن ماڈل کو تربیت دینے کے لیے، جس سے انہیں ٹریننگ کے وقت میں تقریباً 50% کمی اور اخراجات کو 20% بچانے میں مدد ملی۔
گاہک کے چیلنجز
آج، ہندوستان میں زیادہ تر سپر مارکیٹس اور فزیکل اسٹورز چیک آؤٹ کاؤنٹر پر دستی چیک آؤٹ فراہم کرتے ہیں۔ اس میں دو مسائل ہیں:
- اس کے لیے اضافی افرادی قوت، وزن کے اسٹیکرز، اور ان اسٹور آپریشنل ٹیم کے لیے بار بار تربیت کی ضرورت ہوتی ہے جب وہ پیمانہ بناتے ہیں۔
- زیادہ تر اسٹورز میں، چیک آؤٹ کاؤنٹر وزن کرنے والے کاؤنٹرز سے مختلف ہوتا ہے، جو گاہک کی خریداری کے سفر میں رگڑ کو بڑھاتا ہے۔ گاہک اکثر ویٹ اسٹیکر کھو دیتے ہیں اور چیک آؤٹ کے عمل کو آگے بڑھانے سے پہلے انہیں دوبارہ وزنی اسٹیکر جمع کرنے کے لیے واپس جانا پڑتا ہے۔
خود چیک آؤٹ کا عمل
BigBasket نے اپنے فزیکل اسٹورز میں AI سے چلنے والا چیک آؤٹ سسٹم متعارف کرایا جو اشیاء کو منفرد طریقے سے الگ کرنے کے لیے کیمروں کا استعمال کرتا ہے۔ مندرجہ ذیل اعداد و شمار چیک آؤٹ کے عمل کا ایک جائزہ فراہم کرتا ہے۔
بگ باسکٹ ٹیم اوپن سورس، اندرون خانہ ایم ایل الگورتھم چلا رہی تھی تاکہ کمپیوٹر ویژن آبجیکٹ کی شناخت کے لیے ان کے AI- فعال چیک آؤٹ کو طاقت دے سکے۔ فریشو (جسمانی) اسٹورز۔ ہمیں ان کے موجودہ سیٹ اپ کو چلانے کے لیے درج ذیل چیلنجز کا سامنا تھا:
- نئی مصنوعات کے مسلسل تعارف کے ساتھ، کمپیوٹر وژن ماڈل کو مسلسل نئی مصنوعات کی معلومات کو شامل کرنے کی ضرورت ہے۔ سسٹم کو 12,000 سے زیادہ اسٹاک کیپنگ یونٹس (SKUs) کے ایک بڑے کیٹلاگ کو ہینڈل کرنے کی ضرورت تھی، جس میں ہر ماہ 600 سے زیادہ کی شرح سے نئے SKU مسلسل شامل کیے جا رہے ہیں۔
- نئی مصنوعات کے ساتھ رفتار برقرار رکھنے کے لیے، تازہ ترین تربیتی ڈیٹا کا استعمال کرتے ہوئے ہر ماہ ایک نیا ماڈل تیار کیا گیا۔ ماڈلز کو نئی مصنوعات کے مطابق ڈھالنے کی تربیت دینا مہنگا اور وقت طلب تھا۔
- BigBasket مارکیٹ میں وقت کو بہتر بنانے کے لیے ٹریننگ سائیکل کے وقت کو بھی کم کرنا چاہتا تھا۔ SKUs میں اضافے کی وجہ سے، ماڈل کی طرف سے لگنے والے وقت میں لکیری طور پر اضافہ ہو رہا تھا، جس نے مارکیٹ میں ان کے وقت کو متاثر کیا کیونکہ ٹریننگ فریکوئنسی بہت زیادہ تھی اور اس میں کافی وقت لگتا تھا۔
- ماڈل ٹریننگ کے لیے ڈیٹا میں اضافہ اور مکمل اینڈ ٹو اینڈ ٹریننگ سائیکل کو دستی طور پر منظم کرنا اہم اوور ہیڈ کو بڑھا رہا تھا۔ بگ باسکٹ اسے تھرڈ پارٹی پلیٹ فارم پر چلا رہا تھا، جس پر کافی لاگت آئی۔
حل جائزہ
ہم نے سفارش کی ہے کہ BigBasket ان چیلنجوں سے نمٹنے کے لیے SageMaker کا استعمال کرتے ہوئے اپنے موجودہ FMCG پروڈکٹ کا پتہ لگانے اور درجہ بندی کے حل کو دوبارہ ترتیب دیں۔ پورے پیمانے پر پروڈکشن میں جانے سے پہلے، BigBasket نے SageMaker پر کارکردگی، لاگت، اور سہولت کے میٹرکس کا جائزہ لینے کے لیے پائلٹ کی کوشش کی۔
ان کا مقصد SKU کا پتہ لگانے کے لیے موجودہ کمپیوٹر وژن مشین لرننگ (ML) ماڈل کو ٹھیک کرنا تھا۔ ہم نے ایک convolutional عصبی نیٹ ورک (CNN) فن تعمیر کے ساتھ استعمال کیا۔ ResNet152 تصویر کی درجہ بندی کے لیے۔ ماڈل ٹریننگ کے لیے فی SKU تقریباً 300 امیجز کے ایک بڑے ڈیٹاسیٹ کا تخمینہ لگایا گیا تھا، جس کے نتیجے میں کل 4 ملین سے زیادہ تربیتی تصاویر بنتی ہیں۔ کچھ SKUs کے لیے، ہم نے ماحولیاتی حالات کی ایک وسیع رینج کو شامل کرنے کے لیے ڈیٹا کو بڑھایا۔
مندرجہ ذیل خاکہ حل کے فن تعمیر کی وضاحت کرتا ہے۔
مکمل عمل کا خلاصہ درج ذیل اعلیٰ سطحی مراحل میں کیا جا سکتا ہے۔
- ڈیٹا کی صفائی، تشریح، اور اضافہ انجام دیں۔
- ایک میں ڈیٹا اسٹور کریں۔ ایمیزون سادہ اسٹوریج سروس (ایمیزون S3) بالٹی۔
- سیج میکر اور استعمال کریں۔ ایمیزون ایف ایس ایکس لسٹر موثر ڈیٹا بڑھانے کے لیے۔
- ڈیٹا کو ٹرین، توثیق اور ٹیسٹ سیٹ میں تقسیم کریں۔ ہم نے Luster اور کے لیے FSx استعمال کیا۔ ایمیزون متعلقہ ڈیٹا بیس سروس (ایمیزون آر ڈی ایس) تیز متوازی ڈیٹا تک رسائی کے لیے۔
- اپنی مرضی کے مطابق استعمال کریں۔ پی ٹورچ دیگر اوپن سورس لائبریریوں سمیت ڈوکر کنٹینر۔
- استعمال سیج میکر تقسیم شدہ ڈیٹا متوازی (SMDDP) تیز تقسیم شدہ تربیت کے لیے۔
- لاگ ماڈل ٹریننگ میٹرکس۔
- حتمی ماڈل کو S3 بالٹی میں کاپی کریں۔
بگ باسکٹ استعمال کیا گیا۔ سیج میکر نوٹ بک اپنے ML ماڈلز کو تربیت دینے کے لیے اور اپنے موجودہ اوپن سورس PyTorch اور دیگر اوپن سورس انحصار کو آسانی سے SageMaker PyTorch کنٹینر میں پورٹ کرنے اور پائپ لائن کو بغیر کسی رکاوٹ کے چلانے کے قابل تھے۔ بگ باسکٹ ٹیم کی طرف سے دیکھا جانے والا یہ پہلا فائدہ تھا، کیونکہ SageMaker ماحول پر چلنے کے لیے کوڈ میں شاید ہی کسی تبدیلی کی ضرورت تھی۔
ماڈل نیٹ ورک ایک ResNet 152 فن تعمیر پر مشتمل ہے جس کے بعد مکمل طور پر منسلک پرتیں ہیں۔ ہم نے نچلی سطح کی فیچر لیئرز کو منجمد کر دیا اور امیج نیٹ ماڈل سے ٹرانسفر لرننگ کے ذریعے حاصل کیے گئے وزن کو برقرار رکھا۔ کل ماڈل پیرامیٹرز 66 ملین تھے، جو 23 ملین قابل تربیت پیرامیٹرز پر مشتمل تھے۔ اس منتقلی کے سیکھنے پر مبنی نقطہ نظر نے انہیں تربیت کے وقت کم تصاویر استعمال کرنے میں مدد کی، اور تیز تر ہم آہنگی کو بھی فعال کیا اور تربیت کے کل وقت کو کم کیا۔
اندر اندر ماڈل کی تعمیر اور تربیت ایمیزون سیج میکر اسٹوڈیو ایک مربوط ترقیاتی ماحول (IDE) فراہم کیا جس میں ہر چیز کی تیاری، تعمیر، تربیت، اور ٹیون ماڈلز کی ضرورت ہے۔ تصویروں کو تراشنا، گھومنا، اور پلٹنا جیسی تکنیکوں کا استعمال کرتے ہوئے تربیتی ڈیٹا کو بڑھانے سے ماڈل ٹریننگ ڈیٹا اور ماڈل کی درستگی کو بہتر بنانے میں مدد ملی۔
ایس ایم ڈی ڈی پی لائبریری کے استعمال کے ذریعے ماڈل ٹریننگ میں 50 فیصد تیزی لائی گئی، جس میں خاص طور پر AWS انفراسٹرکچر کے لیے ڈیزائن کردہ آپٹمائزڈ کمیونیکیشن الگورتھم شامل ہیں۔ ماڈل ٹریننگ اور ڈیٹا کو بڑھانے کے دوران ڈیٹا پڑھنے/لکھنے کی کارکردگی کو بہتر بنانے کے لیے، ہم نے FSx کو Luster کے لیے اعلیٰ کارکردگی کے ذریعے استعمال کیا۔
ان کے ابتدائی تربیتی ڈیٹا کا سائز 1.5 TB سے زیادہ تھا۔ ہم نے دو استعمال کیا۔ ایمیزون لچکدار کمپیوٹ کلاؤڈ (ایمیزون ای سی 2) p4d.24 بڑی مثالیں 8 GPU اور 40 GB GPU میموری کے ساتھ۔ SageMaker کی تقسیم شدہ تربیت کے لیے، مثالیں ایک ہی AWS ریجن اور Availability Zone میں ہونی چاہئیں۔ نیز، S3 بالٹی میں محفوظ کردہ تربیتی ڈیٹا کو اسی دستیابی زون میں ہونے کی ضرورت ہے۔ یہ فن تعمیر BigBasket کو دیگر مثالوں کی اقسام میں تبدیل کرنے یا موجودہ فن تعمیر میں مزید مثالیں شامل کرنے کی بھی اجازت دیتا ہے تاکہ ڈیٹا کی کسی بھی اہم ترقی کو پورا کیا جا سکے یا تربیت کے وقت میں مزید کمی حاصل کی جا سکے۔
کس طرح SMDDP لائبریری نے تربیت کے وقت، لاگت اور پیچیدگی کو کم کرنے میں مدد کی۔
روایتی تقسیم شدہ ڈیٹا ٹریننگ میں، ٹریننگ فریم ورک GPUs (کارکنان) کو رینک تفویض کرتا ہے اور ہر GPU پر آپ کے ماڈل کی نقل تیار کرتا ہے۔ ہر تربیتی تکرار کے دوران، عالمی ڈیٹا بیچ کو ٹکڑوں (بیچ شارڈز) میں تقسیم کیا جاتا ہے اور ہر کارکن کو ایک ٹکڑا تقسیم کیا جاتا ہے۔ اس کے بعد ہر کارکن ہر GPU پر آپ کی ٹریننگ اسکرپٹ میں بیان کردہ فارورڈ اور بیک ورڈ پاس کے ساتھ آگے بڑھتا ہے۔ آخر میں، مختلف ماڈل ریپلیکس سے ماڈل کے وزن اور گریڈینٹ کو تکرار کے اختتام پر ایک اجتماعی مواصلاتی آپریشن کے ذریعے ہم آہنگ کیا جاتا ہے جسے AllReduce کہتے ہیں۔ ہر کارکن اور GPU کے پاس ماڈل کی مطابقت پذیر نقل کے بعد، اگلی تکرار شروع ہوتی ہے۔
SMDDP لائبریری ایک اجتماعی مواصلاتی لائبریری ہے جو اس تقسیم شدہ ڈیٹا کے متوازی تربیتی عمل کی کارکردگی کو بہتر بناتی ہے۔ ایس ایم ڈی ڈی پی لائبریری کلیدی اجتماعی کمیونیکیشن آپریشنز جیسے کہ AllReduce کے مواصلاتی اوور ہیڈ کو کم کرتی ہے۔ AllReduce کا اس کا نفاذ AWS انفراسٹرکچر کے لیے ڈیزائن کیا گیا ہے اور AllReduce آپریشن کو بیک ورڈ پاس کے ساتھ اوور لیپ کر کے تربیت کو تیز کر سکتا ہے۔ یہ نقطہ نظر CPUs اور GPUs کے درمیان کرنل آپریشنز کو بہتر بنا کر قریب لکیری اسکیلنگ کی کارکردگی اور تیز تر تربیت کی رفتار حاصل کرتا ہے۔
درج ذیل حسابات کو نوٹ کریں:
- عالمی بیچ کا سائز ہے (ایک کلسٹر میں نوڈس کی تعداد) * (فی نوڈ GPUs کی تعداد) * (فی بیچ شارڈ)
- بیچ شارڈ (چھوٹا بیچ) ڈیٹاسیٹ کا ایک ذیلی سیٹ ہے جو ہر GPU (ورکر) کو فی تکرار کے لیے تفویض کیا گیا ہے۔
BigBasket نے اپنے مجموعی تربیتی وقت کو کم کرنے کے لیے SMDDP لائبریری کا استعمال کیا۔ Lustre کے لیے FSx کے ساتھ، ہم نے ماڈل ٹریننگ اور ڈیٹا کو بڑھانے کے دوران ڈیٹا پڑھنے/لکھنے کے تھرو پٹ کو کم کیا۔ ڈیٹا کی ہم آہنگی کے ساتھ، BigBasket دیگر متبادلات کے مقابلے میں تقریباً 50% تیز اور 20% سستی تربیت حاصل کرنے میں کامیاب رہا، جس سے AWS پر بہترین کارکردگی پیش کی گئی۔ سیج میکر تکمیل کے بعد ٹریننگ پائپ لائن کو خود بخود بند کر دیتا ہے۔ پروجیکٹ AWS میں 50% تیز تر تربیتی وقت کے ساتھ کامیابی سے مکمل ہوا (AWS میں 4.5 دن بمقابلہ 9 دن ان کے لیگیسی پلیٹ فارم پر)۔
اس پوسٹ کو لکھنے کے وقت، BigBasket 6 ماہ سے زیادہ عرصے سے پروڈکشن میں مکمل حل چلا رہا ہے اور نئے شہروں میں کیٹرنگ کر کے سسٹم کو سکیل کر رہا ہے، اور ہم ہر ماہ نئے اسٹورز شامل کر رہے ہیں۔
"AWS کے ساتھ ہماری شراکت داری ان کی SMDDP پیشکش کا استعمال کرتے ہوئے تقسیم شدہ تربیت کے لیے ہجرت پر ایک زبردست جیت رہی ہے۔ اس نے نہ صرف ہماری تربیت کے اوقات میں 50% کمی کی بلکہ یہ 20% سستا بھی تھا۔ ہماری پوری شراکت داری میں، AWS نے گاہک کے جنون اور نتائج فراہم کرنے پر پابندی عائد کر دی ہے- وعدہ کردہ فوائد کو حاصل کرنے کے لیے ہمارے ساتھ کام کرنا۔
– کیشو کمار، بگ باسکٹ میں انجینئرنگ کے سربراہ۔
نتیجہ
اس پوسٹ میں، ہم نے بحث کی کہ کس طرح BigBasket نے FMCG پروڈکٹ کی شناخت کے لیے اپنے کمپیوٹر ویژن ماڈل کو تربیت دینے کے لیے SageMaker کا استعمال کیا۔ AI سے چلنے والے خودکار سیلف چیک آؤٹ سسٹم کا نفاذ جدت کے ذریعے ریٹیل کسٹمر کا بہتر تجربہ فراہم کرتا ہے، جبکہ چیک آؤٹ کے عمل میں انسانی غلطیوں کو ختم کرتا ہے۔ SageMaker کی تقسیم شدہ تربیت کا استعمال کرتے ہوئے نئے پروڈکٹ کی آن بورڈنگ کو تیز کرنے سے SKU آن بورڈنگ کا وقت اور لاگت کم ہو جاتی ہے۔ Luster کے لیے FSx کو مربوط کرنا ماہانہ سینکڑوں نئے SKUs کے ساتھ موثر ماڈل کی دوبارہ تربیت کے لیے تیز متوازی ڈیٹا تک رسائی کو قابل بناتا ہے۔ مجموعی طور پر، یہ AI پر مبنی سیلف چیک آؤٹ حل فرنٹ اینڈ چیک آؤٹ کی غلطیوں سے مبرا خریداری کا ایک بہتر تجربہ فراہم کرتا ہے۔ آٹومیشن اور جدت نے ان کے ریٹیل چیک آؤٹ اور آن بورڈنگ آپریشنز کو تبدیل کر دیا ہے۔
سیج میکر اینڈ ٹو اینڈ ایم ایل ڈیولپمنٹ، تعیناتی، اور نگرانی کی صلاحیتیں فراہم کرتا ہے جیسے کہ کوڈ لکھنے، ڈیٹا کے حصول، ڈیٹا ٹیگنگ، ماڈل ٹریننگ، ماڈل ٹیوننگ، تعیناتی، نگرانی، اور بہت کچھ کے لیے سیج میکر اسٹوڈیو نوٹ بک ماحول۔ اگر آپ کے کاروبار کو اس پوسٹ میں بیان کردہ کسی بھی چیلنج کا سامنا ہے اور وہ مارکیٹ میں وقت بچانا اور لاگت کو بہتر بنانا چاہتا ہے، تو اپنے علاقے میں AWS اکاؤنٹ ٹیم سے رابطہ کریں اور SageMaker کے ساتھ شروعات کریں۔
مصنفین کے بارے میں
سنتوش وڈی BigBasket میں ایک پرنسپل انجینئر ہے، AI چیلنجز کو حل کرنے میں ایک دہائی سے زیادہ کی مہارت لاتا ہے۔ کمپیوٹر ویژن، ڈیٹا سائنس اور گہری تعلیم میں مضبوط پس منظر کے ساتھ، اس نے IIT بمبئی سے پوسٹ گریجویٹ ڈگری حاصل کی ہے۔ سنتوش نے قابل ذکر IEEE پبلیکیشنز تصنیف کی ہیں اور، ایک تجربہ کار ٹیک بلاگ مصنف کے طور پر، انہوں نے سام سنگ میں اپنے دور میں کمپیوٹر ویژن سلوشنز کی ترقی میں بھی اہم شراکت کی ہے۔
نندا کشور ٹھٹیکونڈا ایک انجینئرنگ مینیجر ہے جو BigBasket میں ڈیٹا انجینئرنگ اور تجزیات کی قیادت کر رہا ہے۔ نندا نے بے ضابطگی کا پتہ لگانے کے لیے متعدد ایپلی کیشنز بنائی ہیں اور ان کے پاس اسی جگہ پر پیٹنٹ دائر کیا گیا ہے۔ اس نے انٹرپرائز گریڈ ایپلی کیشنز بنانے، متعدد تنظیموں میں ڈیٹا پلیٹ فارم بنانے اور ڈیٹا کی حمایت یافتہ فیصلوں کو ہموار کرنے کے لیے رپورٹنگ پلیٹ فارم بنانے پر کام کیا ہے۔ نندا کے پاس Java/J18EE، اسپرنگ ٹیکنالوجیز، اور Hadoop اور Apache Spark کا استعمال کرتے ہوئے بڑے ڈیٹا فریم ورک میں کام کرنے کا 2 سال سے زیادہ کا تجربہ ہے۔
سدھانشو نفرت AWS کے ساتھ ایک پرنسپل AI اور ML ماہر ہے اور کلائنٹس کے ساتھ کام کرتا ہے تاکہ انہیں ان کے MLOps اور تخلیقی AI سفر پر مشورہ دے سکے۔ اپنے پچھلے کردار میں، اس نے ایک گراؤنڈ اپ، اوپن سورس پر مبنی AI اور گیمیفیکیشن پلیٹ فارم بنانے کے لیے ٹیموں کا تصور، تخلیق، اور قیادت کی، اور اسے 100 سے زیادہ کلائنٹس کے ساتھ کامیابی کے ساتھ کمرشلائز کیا۔ سدھانشو کے پاس کچھ پیٹنٹ ہیں۔ 2 کتابیں، کئی مقالے اور بلاگز لکھے ہیں۔ اور مختلف فورمز پر اپنا نقطہ نظر پیش کیا ہے۔ وہ ایک سوچنے والے رہنما اور اسپیکر رہے ہیں، اور تقریباً 25 سال سے انڈسٹری میں ہیں۔ اس نے دنیا بھر میں فارچیون 1000 کلائنٹس کے ساتھ کام کیا ہے اور حال ہی میں ہندوستان میں ڈیجیٹل مقامی کلائنٹس کے ساتھ کام کر رہا ہے۔
آیوش کمار AWS میں سولیوشن آرکیٹیکٹ ہے۔ وہ AWS صارفین کی وسیع اقسام کے ساتھ کام کر رہا ہے، ان کی مدد کر رہا ہے کہ وہ جدید ترین جدید ایپلی کیشنز کو اپنانے اور کلاؤڈ مقامی ٹیکنالوجیز کے ساتھ تیزی سے اختراع کریں۔ آپ اسے اپنے فارغ وقت میں باورچی خانے میں تجربہ کرتے ہوئے پائیں گے۔
- 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-bigbasket-improved-ai-enabled-checkout-at-their-physical-stores-using-amazon-sagemaker/
- : ہے
- : ہے
- : نہیں
- 10 ڈالر ڈالر
- $UP
- 000
- 1
- 10
- 100
- 12
- 120
- 13
- 152
- 23
- 24
- 25
- 300
- 40
- 50
- 500
- 600
- 66
- 7
- 8
- 80
- 9
- 98
- a
- قابلیت
- تیز
- تیز
- تک رسائی حاصل
- اکاؤنٹ
- درستگی
- حاصل
- حاصل کرتا ہے
- حاصل
- حصول
- کے پار
- اپنانے
- شامل کریں
- شامل کیا
- انہوں نے مزید کہا
- ایڈیشنل
- پتہ
- جوڑتا ہے
- اپنانے
- مشورہ
- کے بعد
- پھر
- AI
- AI سے چلنے والا
- یلگوردمز
- کی اجازت دیتا ہے
- تقریبا
- بھی
- متبادلات
- ایمیزون
- ایمیزون EC2
- ایمیزون آر ڈی ایس
- ایمیزون سیج میکر
- ایمیزون ویب سروسز
- an
- تجزیاتی
- اور
- بے ضابطگی کا پتہ لگانا
- کوئی بھی
- اپاچی
- ایپلی کیشنز
- نقطہ نظر
- تقریبا
- فن تعمیر
- کیا
- ارد گرد
- AS
- تفویض
- درجہ بندی
- At
- اضافہ
- مصنف
- تحریر
- آٹومیٹڈ
- خود کار طریقے سے
- میشن
- دستیابی
- AWS
- واپس
- حمایت کی
- پس منظر
- بار
- BE
- کیونکہ
- رہا
- اس سے پہلے
- شروع ہوتا ہے
- کیا جا رہا ہے
- فائدہ
- فوائد
- BEST
- کے درمیان
- بگ
- بگ ڈیٹا
- بلاگ
- بلاگز
- کتب
- برانڈز
- لاتا ہے
- وسیع
- تعمیر
- عمارت
- تعمیر
- کاروبار
- خرید
- by
- حساب
- کہا جاتا ہے
- کیمروں
- کر سکتے ہیں
- صلاحیتوں
- کیٹلوگ
- کھانا کھلانا
- کیٹرنگ
- کچھ
- چیلنجوں
- تبدیل
- تبدیلیاں
- چینل
- سستی
- اس کو دیکھو
- شہر
- درجہ بندی
- کلائنٹس
- کلسٹر
- سی این این
- کوڈ
- جمع
- اجتماعی
- کامرس
- مواصلات
- مقابلے میں
- ہم آہنگ
- مکمل
- مکمل
- کمپیوٹنگ
- کمپیوٹر
- کمپیوٹر ویژن
- حالات
- منسلک
- پر مشتمل ہے
- مشتمل
- صارفین
- استعمال کرنا
- کنٹینر
- مسلسل
- مسلسل
- مسلسل
- شراکت دار
- سہولت
- کنورجنس
- قیمت
- مہنگی
- اخراجات
- مقابلہ
- کاؤنٹر
- جوڑے
- بنائی
- پیدا
- کریڈٹ
- موجودہ
- اپنی مرضی کے
- گاہک
- گاہک کا تجربہ
- گاہکوں
- کٹ
- سائیکل
- روزانہ
- اعداد و شمار
- ڈیٹا تک رسائی
- ڈیٹا سائنس
- ڈیٹا بیس
- دن
- دہائی
- فیصلے
- گہری
- گہری سیکھنے
- کی وضاحت
- ڈگری
- ترسیل
- فراہم کرتا ہے
- ترسیل
- انحصار
- تعیناتی
- بیان کیا
- ڈیزائن
- کھوج
- ترقی
- آریھ
- DID
- مختلف
- ڈیجیٹل
- بات چیت
- بات چیت
- ممتاز
- تقسیم کئے
- تقسیم کی تربیت
- تقسیم
- میں Docker
- نیچے
- دو
- کے دوران
- ہر ایک
- آسانی سے
- ای کامرس
- کارکردگی
- ہنر
- ختم کرنا
- چالو حالت میں
- کے قابل بناتا ہے
- احاطہ
- آخر
- آخر سے آخر تک
- انجینئر
- انجنیئرنگ
- بہتر
- انٹرپرائز گریڈ
- پوری
- ماحولیات
- ماحولیاتی
- نقائص
- اندازے کے مطابق
- اندازہ
- ہر کوئی
- سب کچھ
- موجودہ
- تجربہ
- استعمال
- مہارت
- سامنا کرنا پڑا
- فاسٹ
- تیزی سے چلنے والا
- تیز تر
- نمایاں کریں
- کم
- اعداد و شمار
- دائر
- فائنل
- آخر
- مل
- پہلا
- ایف ایم سی جی
- پیچھے پیچھے
- کے بعد
- کھانا
- کے لئے
- فارچیون
- فورمز
- آگے
- فریم ورک
- فریم ورک
- فرکوےنسی
- اکثر
- رگڑ
- سے
- فرنٹ اینڈ
- مکمل پیمانہ
- مکمل طور پر
- مزید
- gamification
- پیداواری
- پیداواری AI۔
- حاصل
- گلوبل
- دنیا
- Go
- سامان
- GPU
- GPUs
- میلان
- عظیم
- ترقی
- ہینڈل
- ہے
- he
- سر
- مدد
- مدد
- ہائی
- اعلی سطحی
- اعلی کارکردگی
- اسے
- ان
- کی ڈگری حاصل کی
- کس طرح
- HTML
- HTTP
- HTTPS
- انسانی
- سینکڑوں
- شناخت
- IEEE
- if
- وضاحت کرتا ہے
- تصویر
- تصویر کی درجہ بندی
- تصاویر
- متاثر
- نفاذ
- کو بہتر بنانے کے
- بہتر
- بہتر ہے
- in
- اسٹور
- شامل ہیں
- سمیت
- شامل
- اضافہ
- اضافہ
- خرچ ہوا
- بھارت
- صنعت
- معلومات
- انفراسٹرکچر
- اختراعات
- جدت طرازی
- مثال کے طور پر
- ضم
- انضمام کرنا
- میں
- متعارف
- تعارف
- مسائل
- IT
- اشیاء
- تکرار
- میں
- سفر
- فوٹو
- رکھیں
- رکھتے ہوئے
- کلیدی
- کمر
- بڑے
- سب سے بڑا
- تازہ ترین
- تہوں
- رہنما
- معروف
- سیکھنے
- قیادت
- کی وراست
- لائبریریوں
- لائبریری
- کی طرح
- لانگ
- طویل وقت
- کھو
- مشین
- مشین لرننگ
- مشینیں
- بنا
- بنا
- مینیجر
- مینیجنگ
- دستی
- دستی طور پر
- مارکیٹ
- یاد داشت
- پیمائش کا معیار
- منتقلی
- دس لاکھ
- ML
- ایم ایل اوپس
- ماڈل
- ماڈل
- جدید
- نگرانی
- مہینہ
- ماہانہ
- ماہ
- زیادہ
- سب سے زیادہ
- منتقل
- بہت
- ایک سے زیادہ
- مقامی
- تقریبا
- ضرورت ہے
- ضرورت
- ضروریات
- نیٹ ورک
- عصبی
- عصبی نیٹ ورک
- نئی
- نئی مصنوعات
- نئی مصنوعات
- اگلے
- نوڈ
- نوڈس
- قابل ذکر
- نوٹ بک
- تعداد
- اعتراض
- مقصد
- of
- پیش کرتے ہیں
- کی پیشکش
- اکثر
- on
- جہاز
- ایک
- آن لائن
- صرف
- کھول
- اوپن سورس
- کام
- کام
- آپریشن
- آپریشنل
- آپریشنز
- اصلاح
- اصلاح
- or
- تنظیمیں
- دیگر
- ہمارے
- باہر
- پر
- مجموعی طور پر
- زمین کے اوپر
- مجموعی جائزہ
- امن
- کاغذات
- متوازی
- پیرامیٹرز
- شراکت داری
- منظور
- پیٹنٹ
- پیٹنٹ
- فی
- کارکردگی
- جسمانی
- ٹکڑا
- ٹکڑے ٹکڑے
- پائلٹ
- پائپ لائن
- پلیٹ فارم
- پلیٹ فارم
- پلاٹا
- افلاطون ڈیٹا انٹیلی جنس
- پلیٹو ڈیٹا
- پوائنٹ
- نقطہ نظر
- پوسٹ
- ماسٹرز
- طاقت
- تیار
- پیش
- پچھلا
- پرنسپل
- آگے بڑھتا ہے
- عمل
- تیار
- مصنوعات
- مصنوعات کی معلومات
- پیداوار
- حاصل
- منصوبے
- وعدہ
- فراہم
- فراہم
- فراہم کرتا ہے
- مطبوعات
- خرید
- pytorch
- فوری
- رینج
- صفوں
- شرح
- تک پہنچنے
- احساس
- حال ہی میں
- تسلیم
- سفارش کی
- کو کم
- کم
- کم
- کمی
- خطے
- بار بار
- جواب
- رپورٹ
- کی ضرورت ہے
- نتیجے
- خوردہ
- کردار
- رن
- چل رہا ہے
- sagemaker
- اسی
- سیمسنگ
- محفوظ کریں
- پیمانے
- سکیلنگ
- سائنس
- اسکرپٹ
- بغیر کسی رکاوٹ کے
- تجربہ کار
- دیکھا
- کام کرتا ہے
- سروسز
- مقرر
- سیٹ
- سیٹ اپ
- کئی
- خریداری
- شکست
- اہم
- اسی طرح
- سادہ
- بڑا
- سائز
- چھوٹے
- حل
- حل
- حل کرنا۔
- ماخذ
- خلا
- چنگاری
- اسپیکر
- ماہر
- خاص طور پر
- تیزی
- موسم بہار
- شروع
- شروع
- مراحل
- اسٹیکرز
- اسٹاک
- ذخیرہ
- ذخیرہ
- ذخیرہ
- پردہ
- کارگر
- مضبوط
- سٹوڈیو
- ممبرشپ
- کامیابی کے ساتھ
- اس طرح
- کے نظام
- لیا
- ٹیم
- ٹیموں
- ٹیک
- تکنیک
- ٹیکنالوجی
- ٹیسٹ
- سے
- کہ
- ۔
- ان
- ان
- تو
- وہاں.
- یہ
- وہ
- تیسری پارٹی
- اس
- سوچا
- کے ذریعے
- تھرو پٹ
- وقت
- اوقات
- کرنے کے لئے
- لیا
- کل
- شہروں
- روایتی
- ٹرین
- ٹریننگ
- منتقل
- تبدیل
- کوشش کی
- دھن
- ٹیوننگ
- دو
- اقسام
- منفرد
- یونٹس
- us
- استعمال کی شرائط
- استعمال کیا جاتا ہے
- استعمال
- کا استعمال کرتے ہوئے
- توثیق
- مختلف اقسام کے
- مختلف
- بہت
- لنک
- نقطہ نظر
- vs
- چاہتے تھے
- چاہتا ہے
- تھا
- راستہ..
- we
- ویب
- ویب خدمات
- وزن
- وزن
- تھے
- جس
- جبکہ
- پوری
- وسیع
- جیت
- ساتھ
- کے اندر
- کام کیا
- کارکن
- کارکنوں
- کام کر
- کام کرتا ہے
- تحریری طور پر
- لکھا
- سال
- تم
- اور
- زیفیرنیٹ
- زون