ایمیزون سیج میکر کینوس کے ساتھ بغیر کوڈ مشین لرننگ کے لیے 40 سے زیادہ ڈیٹا ذرائع سے ڈیٹا درآمد کریں۔

ڈیٹا مشین لرننگ (ML) کے مرکز میں ہے۔ آپ کے کاروباری مسئلے کی جامع نمائندگی کرنے کے لیے متعلقہ ڈیٹا کو شامل کرنا اس بات کو یقینی بناتا ہے کہ آپ رجحانات اور تعلقات کو مؤثر طریقے سے گرفت میں لے سکتے ہیں تاکہ آپ کاروباری فیصلوں کو چلانے کے لیے درکار بصیرت حاصل کر سکیں۔ کے ساتھ ایمیزون سیج میکر کینوس، آپ اب سے ڈیٹا درآمد کر سکتے ہیں۔ 40 سے زیادہ ڈیٹا ذرائع بغیر کوڈ ML کے لیے استعمال کیا جائے۔ کینوس کاروباری تجزیہ کاروں کو ایک بصری انٹرفیس فراہم کر کے ML تک رسائی کو بڑھاتا ہے جو انہیں ML کے تجربے کی ضرورت کے بغیر یا کوڈ کی ایک لائن لکھنے کی ضرورت کے بغیر اپنے طور پر درست ML پیشین گوئیاں پیدا کرنے کی اجازت دیتا ہے۔ اب، آپ مقبول رشتہ دار ڈیٹا اسٹورز جیسے کہ ایپ میں ڈیٹا درآمد کر سکتے ہیں۔ ایمیزون ایتینا اس کے ساتھ ساتھ تھرڈ پارٹی سافٹ ویئر بطور سروس (ساس) پلیٹ فارمز کے ذریعے تعاون یافتہ ہے۔ ایمیزون ایپ فلو جیسے Salesforce، SAP OData، اور Google Analytics۔

ML کے لیے اعلیٰ معیار کا ڈیٹا اکٹھا کرنے کا عمل پیچیدہ اور وقت طلب ہو سکتا ہے، کیونکہ SaaS ایپلیکیشنز اور ڈیٹا اسٹوریج سروسز کے پھیلاؤ نے بہت سارے سسٹمز میں ڈیٹا کا پھیلاؤ پیدا کر دیا ہے۔ مثال کے طور پر، آپ کو Salesforce سے کسٹمر ڈیٹا، SAP سے مالیاتی ڈیٹا، اور Snowflake سے لاجسٹکس ڈیٹا کا استعمال کرتے ہوئے کسٹمر چرن تجزیہ کرنے کی ضرورت پڑ سکتی ہے۔ ان ذرائع میں ڈیٹا سیٹ بنانے کے لیے، آپ کو ہر ایپلیکیشن میں انفرادی طور پر لاگ ان کرنے، مطلوبہ ڈیٹا کو منتخب کرنے، اور اسے مقامی طور پر ایکسپورٹ کرنے کی ضرورت ہے، جہاں پھر اسے ایک مختلف ٹول کا استعمال کرتے ہوئے اکٹھا کیا جا سکتا ہے۔ اس ڈیٹاسیٹ کو پھر ML کے لیے ایک علیحدہ درخواست میں درآمد کرنے کی ضرورت ہے۔

اس لانچ کے ساتھ، کینوس آپ کو 40 سے زیادہ ڈیٹا ذرائع سے درون ایپ ڈیٹا امپورٹ اور ایگریگیشن کو سپورٹ کرتے ہوئے مختلف ذرائع میں ذخیرہ کردہ ڈیٹا سے فائدہ اٹھانے کا اختیار دیتا ہے۔ یہ خصوصیت ایتھینا اور ایمیزون ایپ فلو کے ذریعے نئے مقامی کنیکٹر کے ذریعے ممکن ہوئی ہے۔ AWS گلو ڈیٹا کیٹلاگ۔ Amazon AppFlow ایک منظم سروس ہے جو آپ کو تیسرے فریق SaaS ایپلی کیشنز سے ڈیٹا کو محفوظ طریقے سے منتقل کرنے کے قابل بناتی ہے۔ ایمیزون سادہ اسٹوریج سروس (ایمیزون S3) اور صرف چند کلکس کے ساتھ ڈیٹا کیٹلاگ کے ساتھ ڈیٹا کو کیٹلاگ کریں۔ آپ کے ڈیٹا کی منتقلی کے بعد، آپ کینوس کے اندر موجود ڈیٹا سورس تک آسانی سے رسائی حاصل کر سکتے ہیں، جہاں آپ ٹیبل اسکیما دیکھ سکتے ہیں، ڈیٹا کے ذرائع کے اندر یا اس کے پار ٹیبلز میں شامل ہو سکتے ہیں، ایتھینا کے سوالات لکھ سکتے ہیں، اور اپنے ڈیٹا کا پیش نظارہ اور درآمد کر سکتے ہیں۔ آپ کا ڈیٹا درآمد ہونے کے بعد، آپ کینوس کی موجودہ خصوصیات جیسے ایم ایل ماڈل بنانا، کالم کے اثرات کا ڈیٹا دیکھنا، یا پیشین گوئیاں تیار کرنا استعمال کر سکتے ہیں۔ آپ Amazon AppFlow میں ڈیٹا کی منتقلی کے عمل کو خودکار کر سکتے ہیں تاکہ یہ یقینی بنایا جا سکے کہ آپ کو کینوس میں تازہ ترین ڈیٹا تک ہمیشہ رسائی حاصل ہے۔

حل جائزہ

اس پوسٹ میں بیان کردہ اقدامات دو مثالیں فراہم کرتے ہیں کہ بغیر کوڈ ML کے لیے کینوس میں ڈیٹا کیسے درآمد کیا جائے۔ پہلی مثال میں، ہم یہ ظاہر کرتے ہیں کہ ایتھینا کے ذریعے ڈیٹا کیسے درآمد کیا جائے۔ دوسری مثال میں، ہم یہ دکھاتے ہیں کہ کس طرح ایک فریق ثالث SaaS ایپلیکیشن سے Amazon AppFlow کے ذریعے ڈیٹا درآمد کرنا ہے۔

ایتھینا سے ڈیٹا درآمد کریں۔

اس حصے میں، ہم گاہک کی تقسیم کا تجزیہ کرنے کے لیے ایتھینا سے کینوس میں ڈیٹا درآمد کرنے کی ایک مثال دکھاتے ہیں۔ ہم اپنے گاہک کی بنیاد کو چار مختلف کلاسوں میں درجہ بندی کرنے کے لیے ایک ML درجہ بندی ماڈل بناتے ہیں، جس کا آخری مقصد یہ ہے کہ ماڈل کا استعمال یہ پیش گوئی کرنے کے لیے کیا جائے کہ نیا گاہک کس کلاس میں آئے گا۔ ہم تین بڑے مراحل کی پیروی کرتے ہیں: ڈیٹا درآمد کریں، ماڈل کو تربیت دیں، اور پیشین گوئیاں تیار کریں۔ آو شروع کریں.

ڈیٹا درآمد کریں۔

ایتھینا سے ڈیٹا درآمد کرنے کے لیے، درج ذیل مراحل کو مکمل کریں:

1. کینوس کنسول پر، منتخب کریں۔ ڈیٹا سیٹ نیویگیشن پین میں، پھر منتخب کریں۔ درآمد کریں.
   
2. پھیلائیں ڈیٹا کا ذریعہ مینو اور منتخب کریں یتینا.
   
3. صحیح ڈیٹا بیس اور ٹیبل کا انتخاب کریں جس سے آپ درآمد کرنا چاہتے ہیں۔ آپ اختیاری طور پر پیش نظارہ آئیکن کو منتخب کر کے جدول کا جائزہ لے سکتے ہیں۔
   

مندرجہ ذیل اسکرین شاٹ پیش نظارہ ٹیبل کی ایک مثال دکھاتا ہے۔

ہماری مثال میں، ہم مارکیٹنگ چینل کی بنیاد پر صارفین کو تقسیم کرتے ہیں جس کے ذریعے انہوں نے ہماری خدمات کو شامل کیا ہے۔ یہ کالم کے ذریعہ بیان کیا گیا ہے۔ segmentationجہاں A پرنٹ میڈیا ہے، B موبائل ہے، C ان اسٹور پروموشنز ہے، اور D ٹیلی ویژن ہے۔

4. جب آپ مطمئن ہو جائیں کہ آپ کے پاس صحیح میز ہے، تو مطلوبہ میز کو میں گھسیٹیں۔ شامل ہونے کے لیے ڈیٹا سیٹس کو گھسیٹیں اور چھوڑیں۔ سیکشن پر ایک اقتصادی کینڈر سکین کر لیں۔
   
5. اب آپ اختیاری طور پر کالموں کو منتخب یا غیر منتخب کر سکتے ہیں، کسی اور ٹیبل کو گھسیٹ کر ٹیبلز میں شامل ہو سکتے ہیں۔ شامل ہونے کے لیے ڈیٹا سیٹس کو گھسیٹیں اور چھوڑیں۔ سیکشن، یا اپنے ڈیٹا کا ٹکڑا بتانے کے لیے SQL سوالات لکھیں۔ اس پوسٹ کے لیے، ہم ٹیبل میں موجود تمام ڈیٹا کا استعمال کرتے ہیں۔
6. ڈیٹا درآمد کرنے کے لیے، منتخب کریں۔ ڈیٹا درآمد کریں۔
   
   

آپ کا ڈیٹا کینوس میں ایتھینا کے مخصوص ٹیبل سے ڈیٹاسیٹ کے طور پر درآمد کیا جاتا ہے۔

ایک ماڈل کو تربیت دیں۔

آپ کا ڈیٹا درآمد ہونے کے بعد، یہ پر ظاہر ہوتا ہے۔ ڈیٹا سیٹ صفحہ اس مرحلے پر، آپ ایک ماڈل بنا سکتے ہیں. ایسا کرنے کے لیے، درج ذیل مراحل کو مکمل کریں:

1. اپنا ڈیٹا سیٹ منتخب کریں اور منتخب کریں۔ ایک ماڈل بنائیں.
   
2. کے لئے ماڈل کا ناماپنے ماڈل کا نام درج کریں (اس پوسٹ کے لیے، my_first_model).
3. کینوس آپ کو پیشین گوئی کے تجزیہ، تصویری تجزیہ، اور متن کے تجزیہ کے لیے ماڈل بنانے کے قابل بناتا ہے۔ کیونکہ ہم صارفین کی درجہ بندی کرنا چاہتے ہیں، منتخب کریں۔ پیشگوئی کا تجزیہ لیے مسئلہ کی قسم.
4. آگے بڑھنے کے لیے، منتخب کریں۔ تخلیق کریں.
   

پر تعمیر صفحہ، آپ اپنے ڈیٹاسیٹ کے بارے میں اعدادوشمار دیکھ سکتے ہیں، جیسے کہ گم شدہ اقدار کا فیصد اور ڈیٹا کا اوسط۔

4. کے لئے ٹارگٹ کالمایک کالم منتخب کریں (اس پوسٹ کے لیے، segmentation).
   

کینوس دو قسم کے ماڈل پیش کرتا ہے جو پیشین گوئیاں کر سکتے ہیں۔ فوری تعمیر درستگی پر رفتار کو ترجیح دیتی ہے، 2-15 منٹ میں ایک ماڈل فراہم کرتی ہے۔ معیاری تعمیر رفتار سے زیادہ درستگی کو ترجیح دیتی ہے، 2–4 گھنٹے میں ایک ماڈل فراہم کرتی ہے۔

5. اس پوسٹ کے لیے، منتخب کریں۔ فوری تعمیر.
   
6. ماڈل کی تربیت کے بعد، آپ ماڈل کی درستگی کا تجزیہ کر سکتے ہیں۔

مندرجہ ذیل ماڈل صارفین کو 94.67% وقت کی صحیح درجہ بندی کرتا ہے۔

7. آپ اختیاری طور پر یہ بھی دیکھ سکتے ہیں کہ ہر کالم کس طرح درجہ بندی کو متاثر کرتا ہے۔ اس مثال میں، گاہک کی عمر کے طور پر، کالم کا درجہ بندی پر کم اثر پڑتا ہے۔ اپنے نئے ماڈل کے ساتھ پیشین گوئیاں پیدا کرنے کے لیے، منتخب کریں۔ پیش گوئ کرنا۔.
   

پیشین گوئیاں بنائیں

پر پیش گوئ کرنا۔ ٹیب، آپ بیچ کی پیشین گوئیاں اور واحد پیشین گوئیاں دونوں بنا سکتے ہیں۔ درج ذیل مراحل کو مکمل کریں:

1. اس پوسٹ کے لیے، منتخب کریں۔ واحد پیشن گوئی یہ سمجھنے کے لیے کہ نئے گاہک کے لیے گاہک کی تقسیم کا کیا نتیجہ نکلے گا۔
   

ہماری پیشین گوئی کے لیے، ہم یہ سمجھنا چاہتے ہیں کہ اگر گاہک کی عمر 32 سال ہے اور پیشے کے لحاظ سے وکیل ہے تو وہ کیا تقسیم ہوگا۔

2. ان ان پٹ کے ساتھ متعلقہ اقدار کو تبدیل کریں.
3. میں سے انتخاب کریں اپ ڈیٹ کریں.
   

تازہ ترین پیشین گوئی پیشین گوئی ونڈو میں ظاہر ہوتی ہے۔ اس مثال میں، ایک 32 سالہ وکیل کو سیگمنٹ D میں درجہ بندی کیا گیا ہے۔

تھرڈ پارٹی SaaS ایپلیکیشن سے ڈیٹا کو AWS میں درآمد کریں۔

بغیر کوڈ ایم ایل کے لیے تھرڈ پارٹی SaaS ایپلیکیشنز سے ڈیٹا کینوس میں درآمد کرنے کے لیے، آپ کو پہلے Amazon AppFlow کے ذریعے ایپلیکیشن سے ڈیٹا Amazon S3 میں منتقل کرنا ہوگا۔ اس مثال میں، ہم SAP OData سے مینوفیکچرنگ ڈیٹا منتقل کرتے ہیں۔

اپنا ڈیٹا منتقل کرنے کے لیے، درج ذیل مراحل کو مکمل کریں:

1. Amazon AppFlow کنسول پر، منتخب کریں۔ بہاؤ بنائیں.
   
2. کے لئے بہاؤ کا نام، ایک نام درج کریں۔
3. میں سے انتخاب کریں اگلے.
   
4. کے لئے ماخذ کا نام، اپنی مطلوبہ تیسری پارٹی SaaS ایپلیکیشن کا انتخاب کریں (اس پوسٹ کے لیے، SAP OData)۔
5. میں سے انتخاب کریں نیا کنکشن بنائیں.
   
6. میں SAP OData سے جڑیں۔ پاپ اپ ونڈو، تصدیق کی تفصیلات پُر کریں اور منتخب کریں۔ رابطہ قائم کریں.
   
7. کے لئے SAP OData آبجیکٹSAP OData کے اندر اپنے ڈیٹا پر مشتمل آبجیکٹ کا انتخاب کریں۔
8. کے لئے منزل کا ناممنتخب کریں ایمیزون S3.
9. کے لئے بالٹی کی تفصیلات، اپنی S3 بالٹی کی تفصیلات بتائیں۔
10. منتخب کریں AWS Glue Data Catalog میں اپنے ڈیٹا کی فہرست بنائیں.
11. کے لئے صارف کا کردار، منتخب کیجئیے AWS شناخت اور رسائی کا انتظام (IAM) کا کردار جسے کینوس صارف ڈیٹا تک رسائی کے لیے استعمال کرے گا۔
12. کے لئے فلو ٹرگرمنتخب مانگ پر چلائیں۔.

متبادل طور پر، آپ منتخب کر کے بہاؤ کی منتقلی کو خودکار کر سکتے ہیں۔ شیڈول کے مطابق بہاؤ چلائیں۔.

13. میں سے انتخاب کریں اگلے.
    
14. کھیتوں کا نقشہ بنانے اور فیلڈ میپنگ کو مکمل کرنے کا طریقہ منتخب کریں۔ اس پوسٹ کے لیے، کیونکہ نقشہ بنانے کے لیے کوئی متعلقہ منزل کا ڈیٹا بیس نہیں ہے، اس لیے نقشہ سازی کی وضاحت کرنے کی ضرورت نہیں ہے۔
15. میں سے انتخاب کریں اگلا.
    
    
16. اختیاری طور پر، منتقل کردہ ڈیٹا کو محدود کرنے کے لیے اگر ضروری ہو تو فلٹرز شامل کریں۔
17. میں سے انتخاب کریں اگلے.
    
18. اپنی تفصیلات کا جائزہ لیں اور منتخب کریں۔ بہاؤ بنائیں.
    

جب بہاؤ بن جاتا ہے، تو صفحہ کے اوپری حصے میں ایک سبز ربن آباد ہو جائے گا جو یہ بتاتا ہے کہ یہ کامیابی کے ساتھ اپ ڈیٹ ہو گیا ہے۔

18. میں سے انتخاب کریں بہاؤ چلائیں۔.
    

اس مرحلے پر، آپ نے کامیابی سے اپنا ڈیٹا SAP OData سے Amazon S3 میں منتقل کر دیا ہے۔

اب آپ کینوس ایپ کے اندر سے ڈیٹا امپورٹ کر سکتے ہیں۔ کینوس سے اپنا ڈیٹا درآمد کرنے کے لیے، ان اقدامات کے اسی سیٹ پر عمل کریں جیسا کہ میں بیان کیا گیا ہے۔ ڈیٹا درآمد اس پوسٹ میں پہلے سیکشن. اس مثال کے طور پر، پر ڈیٹا کا ذریعہ پر ڈراپ ڈاؤن مینو ڈیٹا درآمد صفحہ، آپ دیکھ سکتے ہیں۔ ایس اے پی اوڈیٹا درج.

اب آپ تمام موجودہ کینوس فنکشنلٹیز کو استعمال کرنے کے قابل ہیں، جیسے کہ اپنے ڈیٹا کو صاف کرنا، ایم ایل ماڈل بنانا، کالم کے اثرات کا ڈیٹا دیکھنا، اور پیشین گوئیاں بنانا۔

صاف کرو

فراہم کردہ وسائل کو صاف کرنے کے لیے، انتخاب کرکے کینوس ایپلیکیشن سے لاگ آؤٹ کریں۔ باہر لاگ ان کریں نیوی گیشن پین میں.

نتیجہ

کینوس کے ساتھ، اب آپ AWS Glue Data Catalog کے ذریعے Athena اور Amazon AppFlow کے ساتھ مقامی کنیکٹرز کے ذریعے 47 ڈیٹا ذرائع سے No-code ML کے لیے ڈیٹا درآمد کر سکتے ہیں۔ Amazon AppFlow کے ذریعے ڈیٹا کی منتقلی کے بعد یہ عمل آپ کو کینوس کے اندر ڈیٹا کے تمام ذرائع سے براہ راست رسائی اور ڈیٹا کو جمع کرنے کے قابل بناتا ہے۔ آپ شیڈول پر ایکٹیویٹ کرنے کے لیے ڈیٹا ٹرانسفر کو خودکار کر سکتے ہیں، جس کا مطلب ہے کہ آپ کو اپنے ڈیٹا کو ریفریش کرنے کے لیے دوبارہ عمل سے گزرنے کی ضرورت نہیں ہے۔ اس عمل کے ساتھ، آپ Canvas ایپ کو چھوڑے بغیر اپنے تازہ ترین ڈیٹا کے ساتھ نئے ڈیٹا سیٹس بنا سکتے ہیں۔ یہ خصوصیت اب تمام AWS علاقوں میں دستیاب ہے جہاں کینوس دستیاب ہے۔ اپنا ڈیٹا درآمد کرنا شروع کرنے کے لیے، کینوس کنسول پر جائیں اور اس پوسٹ میں بتائے گئے اقدامات پر عمل کریں۔ مزید جاننے کے لیے رجوع کریں۔ ڈیٹا کے ذرائع سے جڑیں۔.

---

مصنفین کے بارے میں

برینڈن نائر ایمیزون سیج میکر کینوس کے سینئر پروڈکٹ مینیجر ہیں۔ اس کی پیشہ ورانہ دلچسپی قابل توسیع مشین لرننگ سروسز اور ایپلی کیشنز بنانے میں ہے۔ کام سے باہر وہ قومی پارکوں کی تلاش، گولف سوئنگ کو مکمل کرتے ہوئے یا ایڈونچر ٹرپ کی منصوبہ بندی کرتے ہوئے پایا جا سکتا ہے۔

سنجنا کمبالاپلی AWS Sagemaker Canvas کے لیے سافٹ ویئر ڈویلپمنٹ مینیجر ہے، جس کا مقصد بغیر کوڈ ML ایپلیکیشنز بنا کر مشین لرننگ کو جمہوری بنانا ہے۔

Xin Xu کینوس ٹیم میں ایک سافٹ ویئر ڈویلپمنٹ انجینئر ہے، جہاں وہ بغیر کوڈ مشین لرننگ پروڈکٹس میں دیگر پہلوؤں کے علاوہ ڈیٹا کی تیاری پر کام کرتا ہے۔ اپنے فارغ وقت میں، وہ جاگنگ، پڑھنے اور فلمیں دیکھنے سے لطف اندوز ہوتے ہیں۔

وولکان انسل کینوس ٹیم میں ایک سینئر فرنٹ اینڈ انجینئر ہے، جہاں وہ مصنوعی ذہانت کو انسانوں کے لیے قابل رسائی بنانے کے لیے بغیر کوڈ کے مصنوعات تیار کرتا ہے۔ اپنے فارغ وقت میں، وہ دوڑنا، پڑھنے، ای اسپورٹس دیکھنے اور مارشل آرٹس سے لطف اندوز ہوتا 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/import-data-from-over-40-data-sources-for-no-code-machine-learning-with-amazon-sagemaker-canvas/