یہ پوسٹ تھامسن رائٹرز سے رام دیو وڈالی اور کرن منتری پراگدا نے مل کر لکھی ہے۔
1992 میں تھامسن رائٹرز (TR) نے اپنی پہلی AI قانونی تحقیقی خدمت WIN (Westlaw Is Natural) جاری کی، جو اس وقت کی ایک اختراع تھی، کیونکہ زیادہ تر سرچ انجن صرف بولین اصطلاحات اور کنیکٹرز کو سپورٹ کرتے تھے۔ اس کے بعد سے، TR نے بہت سے سنگ میل حاصل کیے ہیں کیونکہ اس کی AI مصنوعات اور خدمات تعداد اور مختلف قسم میں مسلسل بڑھ رہی ہیں، جو دنیا بھر میں قانونی، ٹیکس، اکاؤنٹنگ، تعمیل، اور نیوز سروس کے پیشہ ور افراد کی مدد کر رہی ہیں، ہر سال اربوں مشین لرننگ (ML) بصیرتیں پیدا ہوتی ہیں۔ .
AI خدمات کے اس زبردست اضافے کے ساتھ، TR کے لیے اگلا سنگ میل جدت کو ہموار کرنا، اور تعاون کو آسان بنانا تھا۔ کاروباری افعال اور AI پریکٹیشنرز کی شخصیات میں AI سلوشنز کی تعمیر اور دوبارہ استعمال کو معیاری بنائیں، جبکہ انٹرپرائز کے بہترین طریقوں کی پابندی کو یقینی بنائیں:
- دہرائی جانے والی غیر متفاوت انجینئرنگ کی کوششوں کو خودکار اور معیاری بنائیں
- مشترکہ حکمرانی کے معیارات کے مطابق حساس ڈیٹا کی مطلوبہ تنہائی اور کنٹرول کو یقینی بنائیں
- قابل توسیع کمپیوٹنگ وسائل تک آسان رسائی فراہم کریں۔
ان تقاضوں کو پورا کرنے کے لیے، TR نے مندرجہ ذیل پانچ ستونوں کے گرد انٹرپرائز AI پلیٹ فارم بنایا: ایک ڈیٹا سروس، تجرباتی ورک اسپیس، سنٹرل ماڈل رجسٹری، ماڈل ڈیپلائمنٹ سروس، اور ماڈل مانیٹرنگ۔
اس پوسٹ میں، ہم اس بات پر بات کرتے ہیں کہ کس طرح TR اور AWS نے TR کے پہلے انٹرپرائز AI پلیٹ فارم کو تیار کرنے میں تعاون کیا، ایک ویب پر مبنی ٹول جو ML تجربات، تربیت، مرکزی ماڈل رجسٹری، ماڈل کی تعیناتی، اور ماڈل مانیٹرنگ سے لے کر صلاحیتیں فراہم کرے گا۔ یہ تمام صلاحیتیں TR کے ابھرتے ہوئے حفاظتی معیارات کو حل کرنے اور اختتامی صارفین کو آسان، محفوظ اور تعمیل خدمات فراہم کرنے کے لیے بنائی گئی ہیں۔ ہم یہ بھی بتاتے ہیں کہ کس طرح TR نے شیشے کے ایک پین کے ساتھ مختلف کاروباری اکائیوں میں بنائے گئے ML ماڈلز کی نگرانی اور حکمرانی کو فعال کیا۔
چیلنجز
تاریخی طور پر TR میں، ML جدید ڈیٹا سائنسدانوں اور انجینئروں والی ٹیموں کے لیے ایک صلاحیت رہی ہے۔ انتہائی ہنر مند وسائل کے ساتھ ٹیمیں اپنی ضروریات کے مطابق پیچیدہ ایم ایل عمل کو نافذ کرنے کے قابل تھیں، لیکن جلد ہی بہت خاموش ہو گئیں۔ خاموش طریقوں نے فیصلہ سازی کی انتہائی اہم پیشین گوئیوں میں گورننس فراہم کرنے کے لیے کوئی مرئیت فراہم نہیں کی۔
TR کاروباری ٹیموں کے پاس ڈومین کا وسیع علم ہے۔ تاہم، ML میں درکار تکنیکی مہارت اور بھاری انجینئرنگ کی کوششیں ML کی طاقت سے کاروباری مسائل کو حل کرنے کے لیے اپنی گہری مہارت کو استعمال کرنا مشکل بناتی ہیں۔ TR مہارتوں کو جمہوری بنانا چاہتا ہے، جس سے اسے تنظیم کے اندر زیادہ سے زیادہ لوگوں تک قابل رسائی بنایا جائے۔
TR میں مختلف ٹیمیں اپنے اپنے طریقوں اور طریقہ کار کی پیروی کرتی ہیں۔ TR ٹیموں کو کاروباری اہداف پر توجہ مرکوز کرنے کے قابل بنا کر ML پروجیکٹس کی ترسیل کو تیز کرنے کے لیے اپنے صارفین کے لیے ML لائف سائیکل کے دوران پھیلی ہوئی صلاحیتوں کو تیار کرنا چاہتا ہے نہ کہ دہرائی جانے والی غیر امتیازی انجینئرنگ کوششوں پر۔
مزید برآں، ڈیٹا اور اخلاقی AI کے ارد گرد ضابطے تیار ہوتے رہتے ہیں، جو TR کے AI سلوشنز میں مشترکہ حکمرانی کے معیارات کے لیے لازمی ہیں۔
حل جائزہ
TR کے انٹرپرائز AI پلیٹ فارم کا تصور مختلف شخصیات کو سادہ اور معیاری خدمات فراہم کرنے کے لیے کیا گیا تھا، جو ایم ایل لائف سائیکل کے ہر مرحلے کے لیے صلاحیتیں پیش کرتا ہے۔ TR نے پانچ بڑے زمروں کی نشاندہی کی ہے جو TR کی تمام ضروریات کو ماڈیولرائز کرتی ہیں:
- ڈیٹا سروس - انٹرپرائز ڈیٹا اثاثوں تک آسان اور محفوظ رسائی کو فعال کرنے کے لیے
- تجرباتی کام کی جگہ - ایم ایل ماڈلز کو تجربہ کرنے اور تربیت دینے کے لیے صلاحیتیں فراہم کرنا
- سینٹرل ماڈل رجسٹری - مختلف کاروباری اکائیوں میں بنائے گئے ماڈلز کے لیے ایک انٹرپرائز کیٹلاگ
- ماڈل کی تعیناتی کی خدمت - TR کے انٹرپرائز CI/CD طریقوں کے بعد مختلف انفرنس تعیناتی کے اختیارات فراہم کرنا
- ماڈل مانیٹرنگ سروسز - ڈیٹا اور ماڈل کے تعصب اور بہاؤ کی نگرانی کے لیے صلاحیتیں فراہم کرنا
جیسا کہ درج ذیل خاکہ میں دکھایا گیا ہے، یہ مائیکرو سروسز چند اہم اصولوں کو ذہن میں رکھ کر بنائی گئی ہیں:
- صارفین سے انجینئرنگ کی غیر متفاوت کوشش کو ہٹا دیں۔
- ایک بٹن کے کلک پر مطلوبہ صلاحیتیں فراہم کریں۔
- TR کے انٹرپرائز معیارات کے مطابق تمام صلاحیتوں کو محفوظ اور ان پر حکومت کریں۔
- ML سرگرمیوں کے لیے شیشے کا ایک پین لائیں۔
TR کے AI پلیٹ فارم مائیکرو سروسز کے ساتھ بنایا گیا ہے۔ ایمیزون سیج میکر بنیادی انجن کے طور پر، ورک فلو کے لیے AWS سرور لیس اجزاء، اور CI/CD طریقوں کے لیے AWS DevOps سروسز۔ سیج میکر اسٹوڈیو تجربہ اور تربیت کے لیے استعمال کیا جاتا ہے، اور SageMaker ماڈل رجسٹری کا استعمال ماڈلز کو رجسٹر کرنے کے لیے کیا جاتا ہے۔ مرکزی ماڈل رجسٹری SageMaker ماڈل رجسٹری اور ایک دونوں پر مشتمل ہے۔ ایمیزون ڈائنومو ڈی بی میز. سیج میکر ہوسٹنگ سروسز ماڈلز کو تعینات کرنے کے لیے استعمال کیا جاتا ہے، جبکہ سیج میکر ماڈل مانیٹر اور سیج میکر واضح کریں۔ بڑھے ہوئے، تعصب، حسب ضرورت میٹرک کیلکولیٹر، اور وضاحتی قابلیت کے لیے ماڈلز کی نگرانی کے لیے استعمال ہوتے ہیں۔
درج ذیل حصے ان خدمات کو تفصیل سے بیان کرتے ہیں۔
ڈیٹا سروس
ایک روایتی ML پروجیکٹ لائف سائیکل ڈیٹا تلاش کرنے کے ساتھ شروع ہوتا ہے۔ عام طور پر، ڈیٹا سائنسدان جب ضرورت ہو تو صحیح ڈیٹا تلاش کرنے میں اپنا 60% یا اس سے زیادہ وقت صرف کرتے ہیں۔ ہر تنظیم کی طرح، TR کے پاس متعدد ڈیٹا اسٹورز ہیں جو مختلف ڈیٹا ڈومینز کے لیے سچائی کے ایک نقطہ کے طور پر کام کرتے ہیں۔ TR نے دو اہم انٹرپرائز ڈیٹا اسٹورز کی نشاندہی کی جو اپنے ایم ایل استعمال کے زیادہ تر کیسز کے لیے ڈیٹا فراہم کرتے ہیں: ایک آبجیکٹ اسٹور اور ایک رشتہ دار ڈیٹا اسٹور۔ TR نے صارفین کے تجرباتی ورک اسپیس سے دونوں ڈیٹا اسٹورز تک بغیر کسی رکاوٹ کے رسائی فراہم کرنے اور اپنے طور پر ڈیٹا حاصل کرنے کے لیے پیچیدہ عملوں کو نیویگیٹ کرنے کے لیے صارفین سے بوجھ کو ہٹانے کے لیے ایک AI پلیٹ فارم ڈیٹا سروس بنائی۔ TR کا AI پلیٹ فارم ڈیٹا اور ماڈل گورننس ٹیم کے ذریعہ بیان کردہ تمام تعمیلوں اور بہترین طریقوں کی پیروی کرتا ہے۔ اس میں لازمی ڈیٹا امپیکٹ اسسمنٹ شامل ہے جو ایم ایل پریکٹیشنرز کو ڈیٹا کے اخلاقی اور مناسب استعمال کو سمجھنے اور اس پر عمل کرنے میں مدد کرتا ہے، ڈیٹا تک مناسب رسائی کو یقینی بنانے کے لیے باضابطہ منظوری کے عمل کے ساتھ۔ اس سروس کے ساتھ ساتھ پلیٹ فارم کی تمام خدمات کا بنیادی مقصد TR اور صنعت کے ذریعہ طے کردہ بہترین طریقوں کے مطابق حفاظت اور تعمیل ہے۔
ایمیزون سادہ اسٹوریج سروس (ایمیزون S3) آبجیکٹ اسٹوریج مواد ڈیٹا لیک کے طور پر کام کرتا ہے۔ TR نے مطلوبہ اجازت اور آڈٹ کی اہلیت کو برقرار رکھتے ہوئے مواد ڈیٹا لیک سے صارفین کے تجرباتی ورک اسپیس تک محفوظ طریقے سے ڈیٹا تک رسائی کے لیے پراسیس بنائے۔ Snowflake کو انٹرپرائز ریلیشنل پرائمری ڈیٹا اسٹور کے طور پر استعمال کیا جاتا ہے۔ صارف کی درخواست پر اور ڈیٹا کے مالک کی منظوری کی بنیاد پر، AI پلیٹ فارم ڈیٹا سروس صارف کو ڈیٹا کا اسنیپ شاٹ فراہم کرتی ہے جو ان کے تجرباتی ورک اسپیس میں آسانی سے دستیاب ہے۔
مختلف ذرائع سے ڈیٹا تک رسائی ایک تکنیکی مسئلہ ہے جسے آسانی سے حل کیا جا سکتا ہے۔ لیکن TR نے جس پیچیدگی کو حل کیا ہے وہ ہے منظوری کے ورک فلو کی تعمیر کرنا جو ڈیٹا کے مالک کی شناخت کرنے، رسائی کی درخواست بھیجنے، اس بات کو یقینی بناتے ہوئے کہ ڈیٹا کے مالک کو مطلع کیا جائے کہ ان کے پاس رسائی کی درخواست زیر التواء ہے، اور منظوری کی حیثیت کی بنیاد پر ڈیٹا فراہم کرنے کے لیے کارروائی کریں۔ درخواست کرنے والا اس سارے عمل کے تمام واقعات کو ٹریک کیا جاتا ہے اور آڈٹ ایبلٹی اور تعمیل کے لیے لاگ ان کیا جاتا ہے۔
جیسا کہ درج ذیل خاکہ میں دکھایا گیا ہے، TR استعمال کرتا ہے۔ AWS اسٹیپ فنکشنز ورک فلو کو ترتیب دینے کے لیے اور او ڈبلیو ایس لامبڈا۔ فعالیت کو چلانے کے لیے۔ ایمیزون API گیٹ وے ان کے ویب پورٹل سے استعمال کیے جانے والے API اینڈ پوائنٹ کے ساتھ فعالیت کو ظاہر کرنے کے لیے استعمال کیا جاتا ہے۔
ماڈل تجربہ اور ترقی
ایم ایل لائف سائیکل کو معیاری بنانے کے لیے ایک ضروری صلاحیت ایک ایسا ماحول ہے جو ڈیٹا سائنسدانوں کو مختلف ایم ایل فریم ورک اور ڈیٹا سائز کے ساتھ تجربہ کرنے کی اجازت دیتا ہے۔ منٹوں کے اندر کلاؤڈ میں اس طرح کے محفوظ، موافق ماحول کو فعال کرنے سے ڈیٹا سائنس دانوں کو کلاؤڈ انفراسٹرکچر، نیٹ ورکنگ کی ضروریات، اور حفاظتی معیار کے اقدامات سے نمٹنے کے بوجھ سے نجات ملتی ہے، بجائے اس کے کہ ڈیٹا سائنس کے مسئلے پر توجہ مرکوز کی جائے۔
TR ایک تجرباتی کام کی جگہ بناتا ہے جو خدمات تک رسائی فراہم کرتا ہے جیسے AWS گلو, ایمیزون ای ایم آر، اور SageMaker اسٹوڈیو ڈیٹا پروسیسنگ اور ML صلاحیتوں کو فعال کرنے کے لیے جو انٹرپرائز کلاؤڈ سیکیورٹی کے معیارات پر عمل پیرا ہے اور ہر کاروباری یونٹ کے لیے ضروری اکاؤنٹ آئسولیشن۔ حل کو نافذ کرتے ہوئے TR کو درج ذیل چیلنجوں کا سامنا کرنا پڑا:
- ابتدائی طور پر آرکیسٹریشن مکمل طور پر خودکار نہیں تھا اور اس میں کئی دستی اقدامات شامل تھے۔ جہاں مسائل پیش آرہے تھے اس کا سراغ لگانا آسان نہیں تھا۔ TR نے سٹیپ فنکشنز کا استعمال کرتے ہوئے ورک فلو کو ترتیب دے کر اس خامی پر قابو پالیا۔ سٹیپ فنکشنز کے استعمال کے ساتھ، پیچیدہ ورک فلو کی تعمیر، ریاستوں کا نظم و نسق، اور ایرر ہینڈلنگ بہت آسان ہو گیا۔
- مناسب AWS شناخت اور رسائی کا انتظام (IAM) تجرباتی کام کی جگہ کے لیے کردار کی تعریف کی وضاحت کرنا مشکل تھا۔ TR کے داخلی سلامتی کے معیارات اور کم از کم استحقاق کے ماڈل کی تعمیل کرنے کے لیے، اصل میں، ورک اسپیس کے کردار کی ان لائن پالیسیوں کے ساتھ تعریف کی گئی تھی۔ نتیجتاً، ان لائن پالیسی وقت کے ساتھ ساتھ بڑھتی گئی اور زبانی بن گئی، IAM کردار کے لیے پالیسی کے سائز کی حد سے تجاوز کر گئی۔ اس کو کم کرنے کے لیے، TR نے مزید گاہک کے زیر انتظام پالیسیوں کو استعمال کرنے اور ورک اسپیس رول ڈیفینیشن میں ان کا حوالہ دیا۔
- TR کبھی کبھار AWS اکاؤنٹ کی سطح پر لاگو پہلے سے طے شدہ وسائل کی حد تک پہنچ جاتا ہے۔ اس کی وجہ سے مطلوبہ وسائل کی قسم کی حد تک پہنچنے کی وجہ سے SageMaker جابز (مثال کے طور پر تربیتی جابز) شروع کرنے میں کبھی کبھار ناکامی ہوئی۔ TR نے اس مسئلے پر SageMaker سروس ٹیم کے ساتھ مل کر کام کیا۔ AWS ٹیم کی جانب سے SageMaker کو ایک معاون سروس کے طور پر شروع کرنے کے بعد یہ مسئلہ حل ہو گیا۔ سروس کوٹہ جون 2022 میں.
آج، TR میں ڈیٹا سائنسدان ایک آزاد ورک اسپیس بنا کر اور تعاون کے لیے مطلوبہ ٹیم کے اراکین کو شامل کر کے ایک ML پروجیکٹ شروع کر سکتے ہیں۔ سیج میکر کے ذریعہ پیش کردہ لامحدود پیمانہ مختلف سائز کے ساتھ اپنی مرضی کے مطابق کرنل امیجز فراہم کرکے ان کی انگلی پر ہے۔ سیج میکر اسٹوڈیو تیزی سے TR کے AI پلیٹ فارم میں ایک اہم جزو بن گیا اور اس نے صارف کے رویے کو محدود ڈیسک ٹاپ ایپلی کیشنز کے استعمال سے توسیع پذیر اور عارضی مقصد سے بنائے گئے انجنوں میں تبدیل کر دیا۔ مندرجہ ذیل خاکہ اس فن تعمیر کو واضح کرتا ہے۔
سینٹرل ماڈل رجسٹری
ماڈل رجسٹری TR کے تمام مشین لرننگ ماڈلز کے لیے ایک مرکزی ذخیرہ فراہم کرتی ہے، کاروباری افعال میں معیاری طریقے سے ان کے خطرے اور صحت کے انتظام کو قابل بناتی ہے، اور ممکنہ ماڈلز کے دوبارہ استعمال کو ہموار کرتی ہے۔ لہذا، خدمت کو درج ذیل کام کرنے کی ضرورت ہے:
- نئے اور میراثی دونوں ماڈلز کو رجسٹر کرنے کی صلاحیت فراہم کریں، چاہے وہ SageMaker کے اندر یا باہر تیار کیے گئے ہوں۔
- گورننس ورک فلو کو لاگو کریں، ڈیٹا سائنسدانوں، ڈویلپرز، اور اسٹیک ہولڈرز کو ماڈلز کے لائف سائیکل کو دیکھنے اور اجتماعی طور پر ان کا نظم کرنے کے قابل بنائیں۔
- میٹا ڈیٹا اور ہیلتھ میٹرکس کے ساتھ ساتھ TR میں تمام ماڈلز کا مرکزی نظریہ بنا کر شفافیت اور تعاون میں اضافہ کریں۔
TR نے ڈیزائن کا آغاز صرف SageMaker ماڈل رجسٹری کے ساتھ کیا، لیکن TR کی اہم ضروریات میں سے ایک SageMaker کے باہر بنائے گئے ماڈلز کو رجسٹر کرنے کی صلاحیت فراہم کرنا ہے۔ TR نے مختلف متعلقہ ڈیٹا بیسز کا جائزہ لیا لیکن DynamoDB کا انتخاب ختم کیا کیونکہ میراثی ذرائع سے آنے والے ماڈلز کے لیے میٹا ڈیٹا اسکیما بہت مختلف ہوگا۔ TR بھی صارفین پر کوئی اضافی کام مسلط نہیں کرنا چاہتا تھا، اس لیے انہوں نے AI پلیٹ فارم ورک اسپیس SageMaker رجسٹریوں کے درمیان مرکزی SageMaker رجسٹری کے درمیان ہموار خودکار مطابقت پذیری کو لاگو کیا۔ ایمیزون ایونٹ برج قوانین اور مطلوبہ IAM کردار۔ TR نے DynamoDB کے ساتھ مرکزی رجسٹری کو بڑھایا تاکہ صارفین کے ڈیسک ٹاپس پر بنائے گئے لیگیسی ماڈلز کو رجسٹر کرنے کی صلاحیتوں کو بڑھایا جا سکے۔
TR کی AI پلیٹ فارم سنٹرل ماڈل رجسٹری کو AI پلیٹ فارم پورٹل میں ضم کیا گیا ہے اور ماڈلز کو تلاش کرنے، ماڈل میٹا ڈیٹا کو اپ ڈیٹ کرنے، اور ماڈل بیس لائن میٹرکس اور متواتر کسٹم مانیٹرنگ میٹرکس کو سمجھنے کے لیے ایک بصری انٹرفیس فراہم کرتا ہے۔ مندرجہ ذیل خاکہ اس فن تعمیر کو واضح کرتا ہے۔
ماڈل کی تعیناتی۔
TR نے خودکار تعیناتی کے لیے دو بڑے نمونوں کی نشاندہی کی:
- SageMaker بیچ کے ذریعے SageMaker کا استعمال کرتے ہوئے تیار کردہ ماڈلز ایک ترجیحی شیڈول پر نتائج حاصل کرنے کے لیے ملازمتوں کو تبدیل کرتے ہیں۔
- اوپن سورس لائبریریوں کا استعمال کرتے ہوئے مقامی ڈیسک ٹاپس پر SageMaker سے باہر تیار کردہ ماڈلز، اپنی مرضی کے مطابق انفرنس کوڈ کو چلانے کے لیے SageMaker پروسیسنگ جابز کا استعمال کرتے ہوئے اپنا کنٹینر اپروچ لائیں، ان ماڈلز کو کوڈ کو ری فیکٹر کیے بغیر منتقل کرنے کے ایک موثر طریقہ کے طور پر۔
AI پلیٹ فارم کی تعیناتی سروس کے ساتھ، TR صارفین (ڈیٹا سائنسدان اور ML انجینئرز) کیٹلاگ سے ماڈل کی شناخت کر سکتے ہیں اور UI سے چلنے والے ورک فلو کے ذریعے مطلوبہ پیرامیٹرز فراہم کر کے اپنے منتخب کردہ AWS اکاؤنٹ میں انفرنس جاب تعینات کر سکتے ہیں۔
TR نے اس تعیناتی کو AWS DevOps خدمات کا استعمال کرتے ہوئے خودکار کیا۔ AWS کوڈ پائپ لائن اور AWS کوڈ بلڈ۔. TR SageMaker inference جابز بنانے کے لیے ڈیٹا کو پڑھنے اور پری پروسیسنگ کے ورک فلو کو ترتیب دینے کے لیے Step Functions کا استعمال کرتا ہے۔ TR مطلوبہ اجزاء کو بطور کوڈ استعمال کرتا ہے۔ AWS کلاؤڈ فارمیشن ٹیمپلیٹس مندرجہ ذیل خاکہ اس فن تعمیر کو واضح کرتا ہے۔
ماڈل کی نگرانی
ایم ایل لائف سائیکل ماڈلز کی نگرانی کرنے کے قابل ہونے کے بغیر مکمل نہیں ہوتا ہے۔ TR کی انٹرپرائز گورننس ٹیم کسی بھی ریگولیٹری چیلنجوں سے نمٹنے کے لیے کاروباری ٹیموں کو وقت کے ساتھ ساتھ اپنے ماڈل کی کارکردگی کی نگرانی کرنے کا حکم دیتی ہے اور اس کی حوصلہ افزائی کرتی ہے۔ TR کا آغاز مانیٹرنگ ماڈلز اور بڑھے ہوئے ڈیٹا کے ساتھ ہوا۔ TR نے ڈیٹا بیس لائن فراہم کرنے کے لیے SageMaker ماڈل مانیٹر کا استعمال کیا اور وقتاً فوقتاً نگرانی کرنے کے لیے کہ TR کا ڈیٹا اور انفرنسز کیسے بڑھ رہے ہیں۔ SageMaker ماڈل مانیٹرنگ میٹرکس کے ساتھ ساتھ، TR نے اپنے ماڈلز کے لیے مخصوص کسٹم میٹرکس تیار کرکے نگرانی کی صلاحیت کو بڑھایا۔ اس سے TR کے ڈیٹا سائنسدانوں کو یہ سمجھنے میں مدد ملے گی کہ ان کے ماڈل کو کب دوبارہ تربیت دینا ہے۔
بڑھے ہوئے نگرانی کے ساتھ، TR ماڈلز میں تعصب کو بھی سمجھنا چاہتا ہے۔ SageMaker Clarify کی آؤٹ آف دی باکس صلاحیتوں کا استعمال TR کی تعصب سروس کو بنانے کے لیے کیا جاتا ہے۔ TR ڈیٹا اور ماڈل کے تعصب دونوں پر نظر رکھتا ہے اور ان میٹرکس کو اپنے صارفین کے لیے AI پلیٹ فارم پورٹل کے ذریعے دستیاب کرتا ہے۔
ان انٹرپرائز معیارات کو اپنانے میں تمام ٹیموں کی مدد کرنے کے لیے، TR نے ان خدمات کو AI پلیٹ فارم پورٹل کے ذریعے آزاد اور آسانی سے دستیاب کرایا ہے۔ ٹی آر کی کاروباری ٹیمیں پورٹل میں جا سکتی ہیں اور اپنے طور پر ایک ماڈل مانیٹرنگ جاب یا بائیس مانیٹرنگ جاب تعینات کر سکتی ہیں اور انہیں اپنے من پسند شیڈول پر چلا سکتی ہیں۔ انہیں ملازمت کی حیثیت اور ہر رن کے میٹرکس پر مطلع کیا جاتا ہے۔
TR نے CI/CD کی تعیناتی، ورک فلو آرکیسٹریشن، سرور لیس فریم ورکس، اور API اینڈ پوائنٹس کے لیے مائیکرو سروسز بنانے کے لیے AWS سروسز کا استعمال کیا جو آزادانہ طور پر متحرک ہو سکتے ہیں، جیسا کہ درج ذیل فن تعمیر میں دکھایا گیا ہے۔
نتائج اور مستقبل میں بہتری
TR کا AI پلیٹ فارم Q3 2022 میں تمام پانچ بڑے اجزاء کے ساتھ لائیو ہوا: ایک ڈیٹا سروس، تجرباتی ورک اسپیس، سنٹرل ماڈل رجسٹری، ماڈل کی تعیناتی، اور ماڈل مانیٹرنگ۔ TR نے پلیٹ فارم پر سوار ہونے کے لیے اپنی کاروباری اکائیوں کے لیے اندرونی تربیتی سیشنز کا انعقاد کیا اور انھیں خود رہنمائی کے لیے تربیتی ویڈیوز پیش کیں۔
AI پلیٹ فارم نے TR کی ٹیموں کو ایسی صلاحیتیں فراہم کی ہیں جو پہلے کبھی موجود نہیں تھیں۔ اس نے TR کی انٹرپرائز گورننس ٹیم کے لیے تعمیل کے معیارات کو بڑھانے اور رجسٹری کو سنٹرلائز کرنے کے لیے امکانات کی ایک وسیع رینج کھول دی ہے، جس سے TR کے اندر تمام ML ماڈلز میں شیشے کے نظارے کا ایک پین فراہم کیا گیا ہے۔
TR تسلیم کرتا ہے کہ ابتدائی ریلیز پر کوئی بھی پروڈکٹ بہترین نہیں ہے۔ TR کے تمام اجزاء پختگی کی مختلف سطحوں پر ہیں، اور TR کی انٹرپرائز AI پلیٹ فارم ٹیم مصنوعات کی خصوصیات کو بار بار بہتر بنانے کے لیے مسلسل اضافہ کے مرحلے میں ہے۔ TR کی موجودہ ایڈوانسمنٹ پائپ لائن میں اضافی SageMaker inference آپشنز شامل کرنا شامل ہے جیسے ریئل ٹائم، غیر مطابقت پذیر، اور ملٹی ماڈل اینڈ پوائنٹس۔ TR اپنی ماڈل مانیٹرنگ سروس میں ایک خصوصیت کے طور پر ماڈل کی وضاحت کو شامل کرنے کا بھی منصوبہ بنا رہا ہے۔ TR اپنی اندرونی وضاحت کی خدمت کو تیار کرنے کے لیے SageMaker Clarify کی وضاحتی صلاحیتوں کو استعمال کرنے کا ارادہ رکھتا ہے۔
نتیجہ
TR اب بڑی مقدار میں ڈیٹا کو محفوظ طریقے سے پروسیس کر سکتا ہے اور ML پروجیکٹ کو آئیڈییشن سے لے کر پروڈکشن تک ہفتوں کے عرصے میں لے جانے کے لیے جدید AWS صلاحیتوں کا استعمال کر سکتا ہے، اس سے پہلے کے مہینوں کے مقابلے۔ AWS سروسز کی آؤٹ آف دی باکس صلاحیتوں کے ساتھ، TR کے اندر موجود ٹیمیں ML ماڈلز کو پہلی بار رجسٹر اور مانیٹر کر سکتی ہیں، اور ان کے بدلتے ہوئے ماڈل گورننس کے معیارات کی تعمیل حاصل کر سکتی ہیں۔ TR نے ڈیٹا سائنسدانوں اور پروڈکٹ ٹیموں کو زیادہ سے زیادہ پیچیدہ مسائل کو حل کرنے کے لیے اپنی تخلیقی صلاحیتوں کو مؤثر طریقے سے اجاگر کرنے کا اختیار دیا۔
AWS پر TR کے انٹرپرائز AI پلیٹ فارم کے بارے میں مزید جاننے کے لیے، دیکھیں AWS re: ایجاد 2022 سیشن. اگر آپ یہ جاننا چاہتے ہیں کہ کس طرح TR نے مشین لرننگ کے استعمال کو تیز کیا۔ AWS ڈیٹا لیب پروگرام، کا حوالہ دیتے ہیں کیس اسٹڈی.
مصنفین کے بارے میں
رام دیو وڈالی ایک ڈیٹا آرکیٹیکٹ ہے، جو AI/ML پلیٹ فارم کی تعمیر میں مدد کر رہا ہے تاکہ ڈیٹا سائنس دانوں اور محققین کو بنیادی ڈھانچے کی ضروریات پر نہیں بلکہ ڈیٹا سائنس پر توجہ دے کر مشین لرننگ سلوشنز تیار کر سکیں۔ اپنے فارغ وقت میں، وہ اوریگامی ٹیسلیشنز بنانے کے لیے کاغذ کو جوڑنا، اور غیر شرعی ٹی شرٹس پہننا پسند کرتا ہے۔
کرن منتری پراگدا تھامسن رائٹرز میں اے آئی پلیٹ فارم کے سینئر ڈائریکٹر ہیں۔ AI پلیٹ فارم ٹیم پروڈکشن گریڈ AI سافٹ ویئر ایپلی کیشنز کو فعال کرنے اور ڈیٹا سائنسدانوں اور مشین لرننگ محققین کے کام کو فعال کرنے کی ذمہ دار ہے۔ سائنس، AI، اور انجینئرنگ کے جذبے کے ساتھ، کرن تحقیق اور پروڈکٹائزیشن کے درمیان فرق کو ختم کرنا پسند کرتی ہیں تاکہ حتمی صارفین تک AI کی حقیقی اختراع کو پہنچایا جا سکے۔
بھاونا چیرومیلا AWS میں ایک سینئر رہائشی آرکیٹیکٹ ہے۔ وہ ڈیٹا اور ML آپریشنز کے بارے میں پرجوش ہے، اور انٹرپرائزز کو ڈیٹا اور ML حکمت عملی بنانے میں مدد کرنے کے لیے بہت زیادہ جوش و خروش لاتی ہے۔ اپنے فارغ وقت میں، وہ اپنے خاندان کے ساتھ سفر، پیدل سفر، باغبانی، اور دستاویزی فلمیں دیکھنے میں وقت گزارتی ہے۔
سری نواسا شیک بوسٹن میں مقیم AWS میں ایک حل آرکیٹیکٹ ہے۔ وہ انٹرپرائز صارفین کو کلاؤڈ تک اپنے سفر کو تیز کرنے میں مدد کرتا ہے۔ وہ کنٹینرز اور مشین لرننگ ٹیکنالوجیز کے بارے میں پرجوش ہے۔ اپنے فارغ وقت میں، وہ اپنے خاندان کے ساتھ وقت گزارنے، کھانا پکانے اور سفر میں لطف اندوز ہوتا ہے۔
چنگ وی لی ایمیزون ویب سروسز میں مشین لرننگ کا ماہر ہے۔ اس نے آپریشنز ریسرچ میں پی ایچ ڈی اس وقت حاصل کی جب اس نے اپنے مشیر کے ریسرچ گرانٹ اکاؤنٹ کو توڑ دیا اور نوبل انعام دینے میں ناکام رہے جس کا اس نے وعدہ کیا تھا۔ فی الحال، وہ مالیاتی خدمات اور انشورنس انڈسٹری میں صارفین کو AWS پر مشین لرننگ سلوشنز بنانے میں مدد کرتا ہے۔ اپنے فارغ وقت میں وہ پڑھنا اور پڑھانا پسند کرتے ہیں۔
- 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/how-thomson-reuters-built-an-ai-platform-using-amazon-sagemaker-to-accelerate-delivery-of-ml-projects/
- 100
- 2022
- 7
- a
- قابلیت
- ہمارے بارے میں
- رفتار کو تیز تر
- تیز
- تک رسائی حاصل
- قابل رسائی
- کے مطابق
- اکاؤنٹ
- اکاؤنٹنگ
- حاصل کیا
- حصول
- حاصل
- کے پار
- عمل
- کام کرتا ہے
- ایڈیشنل
- پتہ
- اپنانے
- اعلی درجے کی
- کے بعد
- AI
- AI پلیٹ فارم
- AI خدمات
- AI / ML
- تمام
- کی اجازت دیتا ہے
- شانہ بشانہ
- ایمیزون
- ایمیزون سیج میکر
- ایمیزون ویب سروسز
- مقدار
- اور
- اے پی آئی
- ایپلی کیشنز
- اطلاقی
- نقطہ نظر
- نقطہ نظر
- منظوری
- فن تعمیر
- ارد گرد
- اجازت
- خود کار طریقے سے
- آٹومیٹڈ
- خودکار
- دستیاب
- AWS
- کی بنیاد پر
- بیس لائن
- کیونکہ
- اس سے پہلے
- کیا جا رہا ہے
- BEST
- بہترین طریقوں
- کے درمیان
- تعصب
- اربوں
- بوسٹن
- پل
- لانے
- لاتا ہے
- توڑ دیا
- تعمیر
- عمارت
- بناتا ہے
- تعمیر
- بوجھ
- کاروبار
- کاروباری افعال
- صلاحیتوں
- مقدمات
- کیٹلوگ
- اقسام
- وجہ
- مرکزی
- مرکزی
- چیلنجوں
- چیک کریں
- منتخب کریں
- منتخب کیا
- قریب سے
- بادل
- کلاؤڈ بنیادی ڈھانچے
- کلاؤڈ سیکورٹی
- کوڈ
- تعاون
- تعاون کیا
- تعاون
- اجتماعی طور پر
- آنے والے
- کامن
- مقابلے میں
- مکمل
- پیچیدہ
- پیچیدگی
- تعمیل
- شکایت
- جزو
- اجزاء
- پر مشتمل
- کمپیوٹنگ
- بسم
- صارفین
- کنٹینر
- کنٹینر
- مواد
- جاری
- مسلسل
- کنٹرول
- کور
- تخلیق
- بنائی
- تخلیق
- تخلیقی
- اہم
- اہم
- موجودہ
- اس وقت
- اپنی مرضی کے
- گاہکوں
- اعداد و شمار
- ڈیٹا لیک
- ڈیٹا پروسیسنگ
- ڈیٹا سائنس
- ڈیٹا بیس
- فیصلہ کرنا
- گہری
- گہری مہارت
- پہلے سے طے شدہ
- نجات
- ترسیل
- جمہوری بنانا
- تعیناتی
- تعیناتی
- تعینات کرتا ہے
- بیان
- ڈیزائن
- ڈیسک ٹاپ
- تفصیل
- کا تعین
- ترقی
- ترقی یافتہ
- ڈویلپرز
- ترقی
- ترقی
- مختلف
- مشکل
- ڈائریکٹر
- بات چیت
- دستاویزی
- ڈومین
- ڈومینز
- نیچے
- ابتدائی
- آسان
- آسانی سے
- مؤثر طریقے
- ہنر
- کوشش
- با اختیار بنایا
- کو چالو کرنے کے
- چالو حالت میں
- کے قابل بناتا ہے
- کو فعال کرنا
- حوصلہ افزائی
- اختتام پوائنٹ
- انجن
- انجنیئرنگ
- انجینئرز
- انجن
- بہتر
- کو یقینی بنانے کے
- کو یقینی بنانے ہے
- انٹرپرائز
- اداروں
- حوصلہ افزائی
- ماحولیات
- خرابی
- ضروری
- اخلاقی
- اندازہ
- واقعات
- کبھی نہیں
- تیار
- تیار ہوتا ہے
- مثال کے طور پر
- تجربہ
- مہارت
- توسیع
- انتہائی
- سہولت
- ناکام
- خاندان
- نمایاں کریں
- خصوصیات
- چند
- فائنل
- مالی
- مالی خدمات
- مل
- تلاش
- پہلا
- پہلی بار
- توجہ مرکوز
- توجہ مرکوز
- پر عمل کریں
- کے بعد
- مندرجہ ذیل ہے
- رسمی طور پر
- فریم ورک
- سے
- پورا کریں
- مکمل طور پر
- فعالیت
- افعال
- مستقبل
- فرق
- جنرل
- پیدا
- حاصل
- گلاس
- Go
- اہداف
- گورننس
- عطا
- گراؤنڈ
- بڑھتے ہوئے
- ہینڈلنگ
- ہارڈ
- صحت
- مدد
- مدد
- مدد کرتا ہے
- انتہائی
- ہوسٹنگ
- کس طرح
- تاہم
- HTML
- HTTPS
- کی نشاندہی
- شناخت
- کی نشاندہی
- شناختی
- تصاویر
- اثر
- پر عملدرآمد
- عملدرآمد
- پر عمل درآمد
- نافذ کریں
- کو بہتر بنانے کے
- in
- شامل ہیں
- اضافہ
- آزاد
- آزادانہ طور پر
- صنعت
- انفراسٹرکچر
- ابتدائی
- جدت طرازی
- بصیرت
- کے بجائے
- انشورنس
- ضم
- انٹرفیس
- اندرونی
- ملوث
- تنہائی
- مسئلہ
- IT
- ایوب
- نوکریاں
- سفر
- کلیدی
- جان
- علم
- جھیل
- شروع
- شروع
- شروع
- جانیں
- سیکھنے
- کی وراست
- قانونی
- سطح
- سطح
- لائبریریوں
- LIMIT
- حدود
- رہتے ہیں
- مقامی
- مشین
- مشین لرننگ
- بنا
- اہم
- بناتا ہے
- بنانا
- انتظام
- انتظام
- مینیجنگ
- مینڈیٹ
- انداز
- دستی
- بہت سے
- پختگی
- اقدامات
- اراکین
- میٹا ڈیٹا
- طریقوں
- میٹرک۔
- پیمائش کا معیار
- مائکروسافٹ
- منتقلی
- سنگ میل
- سنگ میل
- برا
- منٹ
- تخفیف کریں
- ML
- ماڈل
- ماڈل
- کی نگرانی
- نگرانی
- نظر رکھتا ہے
- ماہ
- زیادہ
- سب سے زیادہ
- ایک سے زیادہ
- قدرتی
- تشریف لے جائیں
- ضرورت ہے
- ضروریات
- نیٹ ورکنگ
- نئی
- خبر
- اگلے
- نوبل انعام
- تعداد
- اعتراض
- کبھی کبھار
- کی پیشکش کی
- کی پیشکش
- تجویز
- جہاز
- ایک
- اوپن سورس
- کھول دیا
- آپریشنز
- آپشنز کے بھی
- آرکیسٹرا
- تنظیم
- اصل میں
- باہر
- خود
- مالک
- پین
- کاغذ.
- پیرامیٹرز
- جذبہ
- جذباتی
- پیٹرن
- لوگ
- کارکردگی
- متواتر
- مرحلہ
- پائپ لائن
- منصوبہ بندی
- کی منصوبہ بندی
- پلیٹ فارم
- پلاٹا
- افلاطون ڈیٹا انٹیلی جنس
- پلیٹو ڈیٹا
- پوائنٹ
- پالیسیاں
- پالیسی
- پورٹل
- امکانات
- پوسٹ
- ممکنہ
- طاقت
- طریقوں
- پیشن گوئی
- کو ترجیح دی
- پرائمری
- اصولوں پر
- انعام
- مسئلہ
- مسائل
- عمل
- عمل
- پروسیسنگ
- مصنوعات
- پیداوار
- حاصل
- پیشہ ور ماہرین
- پروگرام
- منصوبے
- منصوبوں
- وعدہ
- فراہم
- فراہم
- فراہم کرتا ہے
- فراہم کرنے
- Q3
- Q3 2022
- جلدی سے
- رینج
- لے کر
- RE
- پہنچ گئی
- پڑھنا
- اصلی
- اصل وقت
- موصول
- رجسٹر
- رجسٹری
- ضابطے
- ریگولیٹری
- جاری
- جاری
- ہٹا
- ذخیرہ
- درخواست
- ضرورت
- ضروریات
- تحقیق
- محققین
- وسائل
- وسائل
- ذمہ دار
- رائٹرز
- رسک
- کردار
- کردار
- قوانین
- رن
- sagemaker
- سیج میکر کا اندازہ
- توسیع پذیر
- پیمانے
- شیڈول
- سائنس
- سائنسدانوں
- ہموار
- بغیر کسی رکاوٹ کے
- تلاش کریں
- تلاش کے انجن
- سیکشنز
- محفوظ بنانے
- محفوظ
- محفوظ طریقے سے
- سیکورٹی
- بھیجنا
- سینئر
- حساس
- خدمت
- بے سرور
- سروس
- سروسز
- سیشن
- کئی
- سیکنڈ اور
- دکھایا گیا
- سادہ
- بعد
- ایک
- سائز
- سائز
- ہنر مند
- مہارت
- سنیپشاٹ
- So
- سافٹ ویئر کی
- حل
- حل
- حل
- ذرائع
- ماہر
- مخصوص
- خرچ
- خرچ کرنا۔
- اسٹیج
- اسٹیک ہولڈرز
- مانکیکرن
- معیار
- شروع
- شروع ہوتا ہے
- امریکہ
- درجہ
- مرحلہ
- مراحل
- ذخیرہ
- ذخیرہ
- پردہ
- حکمت عملیوں
- کارگر
- سٹوڈیو
- اس طرح
- تائید
- امدادی
- سوئچڈ
- ہم آہنگی
- ٹیبل
- لے لو
- ٹیکس
- پڑھانا
- ٹیم
- ٹیموں
- ٹیکنیکل
- تکنیکی مہارت
- ٹیکنالوجی
- سانچے
- شرائط
- ۔
- ان
- لہذا
- تھامسن رائٹرز
- کے ذریعے
- بھر میں
- وقت
- کرنے کے لئے
- کے آلے
- ٹریکنگ
- روایتی
- ٹرین
- ٹریننگ
- تبدیل
- شفافیت
- سفر
- زبردست
- متحرک
- سمجھ
- یونٹ
- یونٹس
- اٹھانے
- لا محدود
- اپ ڈیٹ کریں
- استعمال کی شرائط
- رکن کا
- صارفین
- مختلف اقسام کے
- مختلف
- وسیع
- کی طرف سے
- ویڈیوز
- لنک
- کی نمائش
- دیکھ
- ویب
- ویب خدمات
- ویب پر مبنی ہے
- مہینے
- چاہے
- جبکہ
- وسیع
- وسیع رینج
- گے
- جیت
- کے اندر
- بغیر
- کام
- کام کیا
- کام کے بہاؤ
- دنیا بھر
- گا
- سال
- اور
- زیفیرنیٹ