Amazon SageMaker کے ساتھ اپنے مشین لرننگ ماڈلز کی گورننس کو بہتر بنائیں

چونکہ کمپنیاں اپنی مین اسٹریم انٹرپرائز ایپلی کیشنز کے لیے تیزی سے مشین لرننگ (ML) کو اپنا رہی ہیں، ان کے زیادہ تر کاروباری فیصلے ML ماڈلز سے متاثر ہوتے ہیں۔ اس کے نتیجے میں، آپ کے تمام ML ماڈلز میں آسان رسائی کنٹرول اور بہتر شفافیت سے یہ تصدیق کرنا آسان ہو جاتا ہے کہ آپ کے ماڈلز اچھی کارکردگی کا مظاہرہ کر رہے ہیں اور جب وہ نہیں ہیں تو کارروائی کرتے ہیں۔

اس پوسٹ میں، ہم یہ دریافت کرتے ہیں کہ کمپنیاں کس طرح سنٹرلائزڈ ڈیش بورڈز کے ساتھ اپنے ماڈلز میں مرئیت کو بہتر بنا سکتی ہیں اور دو نئی خصوصیات کا استعمال کرتے ہوئے اپنے ماڈلز کی تفصیلی دستاویزات: سیج میکر ماڈل کارڈز اور سیج میکر ماڈل ڈیش بورڈ۔ یہ دونوں خصوصیات SageMaker صارفین کے لیے بغیر کسی اضافی چارج کے دستیاب ہیں۔

ماڈل گورننس کا جائزہ

ماڈل گورننس ایک ایسا فریم ورک ہے جو ماڈل کی ترقی، توثیق اور استعمال میں منظم مرئیت فراہم کرتا ہے۔ ماڈل گورننس اینڈ ٹو اینڈ ایم ایل ورک فلو پر لاگو ہوتی ہے، ML استعمال کیس کی شناخت سے لے کر الرٹس، رپورٹس اور ڈیش بورڈز کے ذریعے تعینات ماڈل کی جاری نگرانی تک۔ ایک اچھی طرح سے نافذ کردہ ماڈل گورننس فریم ورک کو لائف سائیکل کے کاموں کو دیکھنے، ٹریک کرنے اور ان کا نظم کرنے کے لیے درکار انٹرفیس کی تعداد کو کم کرنا چاہیے تاکہ پیمانے پر ML لائف سائیکل کی نگرانی کرنا آسان ہو۔

آج، تنظیمیں اپنی گورننس اور آڈٹ ایبلٹی ورک فلو کے بڑے حصوں کو خودکار بنانے کے لیے ٹولنگ بنانے میں اہم تکنیکی مہارت کی سرمایہ کاری کرتی ہیں۔ مثال کے طور پر، ماڈل بنانے والوں کو ماڈل کی تفصیلات کو فعال طور پر ریکارڈ کرنے کی ضرورت ہوتی ہے جیسے کہ ماڈل کے لیے مطلوبہ استعمال، خطرے کی درجہ بندی، اور کارکردگی کے معیار کے خلاف ماڈل کی پیمائش کی جانی چاہیے۔ مزید برآں، انہیں ماڈل کے رویے پر مشاہدات ریکارڈ کرنے کی بھی ضرورت ہے، اور اس وجہ کو دستاویز کرنے کی ضرورت ہے کہ انہوں نے کچھ اہم فیصلے کیے جیسے کہ مقصدی فنکشن جس کے خلاف انہوں نے ماڈل کو بہتر بنایا۔

کمپنیوں کے لیے یہ عام بات ہے کہ وہ پروڈکشن کے استعمال کی منظوریوں میں استعمال کے لیے ایسی ماڈل کی معلومات حاصل کرنے اور شیئر کرنے کے لیے Excel یا ای میل جیسے ٹولز کا استعمال کریں۔ لیکن جیسے جیسے ایم ایل ڈیولپمنٹ کا پیمانہ بڑھتا ہے، معلومات آسانی سے ضائع یا غلط جگہ پر جا سکتی ہیں، اور ان تفصیلات پر نظر رکھنا جلدی نا ممکن ہو جاتا ہے۔ مزید برآں، ان ماڈلز کے تعینات ہونے کے بعد، آپ اپنے تمام ماڈلز، اختتامی نقطوں، نگرانی کی سرگزشت، اور سلسلہ نسب میں اختتام سے آخر تک مرئیت حاصل کرنے کے لیے مختلف ذرائع سے ڈیٹا اکٹھا کر سکتے ہیں۔ اس طرح کے نظارے کے بغیر، آپ آسانی سے اپنے ماڈلز کا ٹریک کھو سکتے ہیں، اور ہو سکتا ہے کہ آپ کو معلوم نہ ہو کہ آپ کو ان پر کب کارروائی کرنے کی ضرورت ہے۔ یہ مسئلہ انتہائی ریگولیٹڈ صنعتوں میں شدت اختیار کرتا ہے کیونکہ آپ ان ضوابط کے تابع ہیں جن کے لیے آپ کو ایسے اقدامات کو برقرار رکھنے کی ضرورت ہوتی ہے۔

جیسے جیسے ماڈلز کا حجم بڑھنا شروع ہوتا ہے، حسب ضرورت ٹولنگ کا انتظام کرنا ایک چیلنج بن سکتا ہے اور تنظیموں کو بنیادی کاروباری ضروریات پر توجہ دینے کے لیے کم وقت دیتا ہے۔ مندرجہ ذیل حصوں میں، ہم دریافت کرتے ہیں کہ کس طرح سیج میکر ماڈل کارڈز اور سیج میکر ماڈل ڈیش بورڈ آپ کی حکمرانی کی کوششوں کو بڑھانے میں آپ کی مدد کر سکتے ہیں۔

سیج میکر ماڈل کارڈز

ماڈل کارڈز آپ کو معیاری بنانے کے قابل بناتے ہیں کہ ماڈلز کی دستاویز کیسے کی جاتی ہے، اس طرح ڈیزائننگ، تعمیر، تربیت اور تشخیص سے لے کر ماڈل کے لائف سائیکل میں مرئیت حاصل ہوتی ہے۔ ماڈل کارڈز کا مقصد اس ماڈل کے بارے میں کاروبار اور تکنیکی میٹا ڈیٹا کے لیے سچائی کا واحد ذریعہ ہونا ہے جو قابل اعتماد طریقے سے آڈیٹنگ اور دستاویزات کے مقاصد کے لیے استعمال کیا جا سکتا ہے۔ وہ ماڈل کی فیکٹ شیٹ فراہم کرتے ہیں جو ماڈل گورننس کے لیے اہم ہے۔

ماڈل کارڈز صارفین کو فیصلوں کو لکھنے اور ذخیرہ کرنے کی اجازت دیتے ہیں جیسے کہ اصلاح کے لیے ایک مقصدی فنکشن کا انتخاب کیوں کیا گیا، اور تفصیلات جیسے کہ مطلوبہ استعمال اور خطرے کی درجہ بندی۔ آپ تشخیصی نتائج کو منسلک اور ان کا جائزہ بھی لے سکتے ہیں، اور مستقبل کے حوالے کے لیے مشاہدات کو لکھ سکتے ہیں۔

SageMaker پر تربیت یافتہ ماڈلز کے لیے، ماڈل کارڈز ٹریننگ جاب، ٹریننگ ڈیٹاسیٹس، ماڈل آرٹفیکٹس، اور انفرنس ماحول جیسی تفصیلات کو دریافت اور خود بخود آباد کر سکتے ہیں، اس طرح کارڈز بنانے کے عمل کو تیز کرتے ہیں۔ SageMaker Python SDK کے ساتھ، آپ بغیر کسی رکاوٹ کے ماڈل کارڈ کو تشخیصی میٹرکس کے ساتھ اپ ڈیٹ کر سکتے ہیں۔

ماڈل کارڈز ماڈل رسک مینیجرز، ڈیٹا سائنسدانوں، اور ایم ایل انجینئرز کو درج ذیل کام انجام دینے کی صلاحیت فراہم کرتے ہیں:

• دستاویز کے ماڈل کی ضروریات جیسے خطرے کی درجہ بندی، مطلوبہ استعمال، حدود، اور متوقع کارکردگی
• سیج میکر کے تربیت یافتہ ماڈلز کے لیے ماڈل کارڈز کو خود بخود آباد کریں۔
• نان سیج میکر ماڈلز کے لیے اپنی معلومات (BYOI) لائیں۔
• ماڈل اور ڈیٹا کی تشخیص کے نتائج اپ لوڈ اور شیئر کریں۔
• اپنی مرضی کے مطابق معلومات کی وضاحت اور گرفت کریں۔
• ماڈل کارڈ کی حیثیت کیپچر کریں (مسودہ، زیر التواء جائزہ، یا پیداوار کے لیے منظور شدہ)
• سے ماڈل کارڈ حب تک رسائی حاصل کریں۔ AWS مینجمنٹ کنسول
• ماڈل کارڈز بنائیں، ان میں ترمیم کریں، دیکھیں، برآمد کریں، کلون کریں اور حذف کریں۔
• کا استعمال کرتے ہوئے ورک فلو کو متحرک کریں۔ ایمیزون ایونٹ برج ماڈل کارڈ کی حیثیت میں تبدیلی کے واقعات کے لیے انضمام

کنسول کا استعمال کرتے ہوئے سیج میکر ماڈل کارڈز بنائیں

آپ SageMaker کنسول کا استعمال کرتے ہوئے آسانی سے ماڈل کارڈ بنا سکتے ہیں۔ یہاں آپ تمام موجودہ ماڈل کارڈز دیکھ سکتے ہیں اور ضرورت کے مطابق نئے بنا سکتے ہیں۔

ماڈل کارڈ بناتے وقت، آپ ماڈل کی اہم معلومات کو دستاویزی شکل دے سکتے ہیں جیسے کہ ماڈل کس نے بنایا، اسے کیوں تیار کیا گیا، یہ آزادانہ جائزوں کے لیے کیسی کارکردگی کا مظاہرہ کر رہا ہے، اور کوئی بھی مشاہدہ جس پر کاروباری ایپلیکیشن کے لیے ماڈل استعمال کرنے سے پہلے غور کرنے کی ضرورت ہے۔

کنسول پر ماڈل کارڈ بنانے کے لیے، درج ذیل مراحل کو مکمل کریں:

1. ماڈل کے جائزہ کی تفصیلات درج کریں۔
2. تربیت کی تفصیلات درج کریں (اگر ماڈل سیج میکر پر تربیت یافتہ تھا تو خود بخود آباد)۔
3. تشخیص کے نتائج اپ لوڈ کریں۔
4. اضافی تفصیلات شامل کریں جیسے سفارشات اور اخلاقی تحفظات۔

ماڈل کارڈ بنانے کے بعد، آپ اسے دیکھنے کے لیے ایک ورژن منتخب کر سکتے ہیں۔

مندرجہ ذیل اسکرین شاٹ ہمارے ماڈل کارڈ کی تفصیلات دکھاتا ہے۔

آپ پی ڈی ایف کے بطور اشتراک کرنے کے لیے ماڈل کارڈ بھی برآمد کر سکتے ہیں۔

SageMaker Python SDK کے ذریعے SageMaker ماڈل کارڈز بنائیں اور دریافت کریں۔

ماڈل کارڈز کے ساتھ تعامل صرف کنسول تک محدود نہیں ہے۔ آپ SageMaker Python SDK کو ماڈل کارڈز بنانے اور دریافت کرنے کے لیے بھی استعمال کر سکتے ہیں۔ SageMaker Python SDK ڈیٹا سائنسدانوں اور ML انجینئرز کو آسانی سے SageMaker اجزاء کے ساتھ تعامل کرنے کی اجازت دیتا ہے۔ درج ذیل کوڈ کے ٹکڑے نئے شامل کردہ SageMaker Python SDK فعالیت کا استعمال کرتے ہوئے ماڈل کارڈ بنانے کے عمل کو ظاہر کرتے ہیں۔

یقینی بنائیں کہ آپ کے پاس SageMaker Python SDK کا تازہ ترین ورژن انسٹال ہے:

$ pip install --upgrade "sagemaker>=2"

ایک بار جب آپ نے SageMaker کا استعمال کرتے ہوئے ایک ماڈل کو تربیت اور تعینات کر لیا ہے، تو آپ SageMaker ماڈل سے حاصل کردہ معلومات اور ٹریننگ جاب کو ماڈل کارڈ میں خود بخود معلومات جمع کرنے کے لیے استعمال کر سکتے ہیں۔

SageMaker Python SDK کا استعمال کرتے ہوئے اور SageMaker ماڈل کا نام پاس کرتے ہوئے، ہم خود بخود بنیادی ماڈل کی معلومات اکٹھا کر سکتے ہیں۔ معلومات جیسے سیج میکر ماڈل اے آر این، تربیتی ماحول، اور ماڈل آؤٹ پٹ ایمیزون سادہ اسٹوریج سروس (ایمیزون S3) مقام خود بخود آباد ہو جاتا ہے۔ ہم ماڈل کے دیگر حقائق شامل کر سکتے ہیں، جیسے کہ تفصیل، مسئلہ کی قسم، الگورتھم کی قسم، ماڈل تخلیق کار، اور مالک۔ درج ذیل کوڈ دیکھیں:

model_overview = ModelOverview.from_name(
    model_name=model_name,
    sagemaker_session=sagemaker_session,
    model_description="This is a simple binary classification model used for Model Card demo",
    problem_type="Binary Classification",
    algorithm_type="Logistic Regression",
    model_creator="DEMO-ModelCard",
    model_owner="DEMO-ModelCard",
)
print(model_overview.model_id) # Provides us with the SageMaker Model ARN
print(model_overview.inference_environment.container_image) # Provides us with the SageMaker inference container URI
print(model_overview.model_artifact) # Provides us with the S3 location of the model artifacts

ہم خود بخود بنیادی تربیتی معلومات بھی جمع کر سکتے ہیں جیسے کہ تربیتی جاب ARN، تربیتی ماحول اور تربیتی میٹرکس۔ اضافی تربیت کی تفصیلات شامل کی جا سکتی ہیں، جیسے تربیتی مقصدی فنکشن اور مشاہدات۔ درج ذیل کوڈ دیکھیں:

objective_function = ObjectiveFunction(
    function=Function(
        function=ObjectiveFunctionEnum.MINIMIZE,
        facet=FacetEnum.LOSS,
    ),
    notes="This is a example objective function.",
)
training_details = TrainingDetails.from_model_overview(
    model_overview=model_overview,
    sagemaker_session=sagemaker_session,
    objective_function=objective_function,
    training_observations="Additional training observations could be put here."
)

print(training_details.training_job_details.training_arn) # Provides us with the SageMaker Model ARN
print(training_details.training_job_details.training_environment.container_image) # Provides us with the SageMaker training container URI
print([{"name": i.name, "value": i.value} for i in training_details.training_job_details.training_metrics]) # Provides us with the SageMaker Training Job metrics

اگر ہمارے پاس تشخیصی میٹرکس دستیاب ہیں، تو ہم انہیں ماڈل کارڈ میں بھی شامل کر سکتے ہیں:

my_metric_group = MetricGroup(
    name="binary classification metrics",
    metric_data=[Metric(name="accuracy", type=MetricTypeEnum.NUMBER, value=0.5)]
)
evaluation_details = [
    EvaluationJob(
        name="Example evaluation job",
        evaluation_observation="Evaluation observations.",
        datasets=["s3://path/to/evaluation/data"],
        metric_groups=[my_metric_group],
    )
]

ہم اس ماڈل کے بارے میں اضافی معلومات بھی شامل کر سکتے ہیں جو ماڈل گورننس میں مدد کر سکتی ہے:

intended_uses = IntendedUses(
    purpose_of_model="Test Model Card.",
    intended_uses="Not used except this test.",
    factors_affecting_model_efficiency="No.",
    risk_rating=RiskRatingEnum.LOW,
    explanations_for_risk_rating="Just an example.",
)
additional_information = AdditionalInformation(
    ethical_considerations="You model ethical consideration.",
    caveats_and_recommendations="Your model's caveats and recommendations.",
    custom_details={"custom details1": "details value"},
)

ہمیں مطلوبہ تمام تفصیلات فراہم کرنے کے بعد، ہم سابقہ ​​کنفیگریشن کا استعمال کرتے ہوئے ماڈل کارڈ بنا سکتے ہیں:

model_card_name = "sample-notebook-model-card"
my_card = ModelCard(
    name=model_card_name,
    status=ModelCardStatusEnum.DRAFT,
    model_overview=model_overview,
    training_details=training_details,
    intended_uses=intended_uses,
    evaluation_details=evaluation_details,
    additional_information=additional_information,
    sagemaker_session=sagemaker_session,
)
my_card.create()

SageMaker SDK ماڈل کارڈ کو اپ ڈیٹ کرنے، لوڈ کرنے، فہرست بنانے، برآمد کرنے اور حذف کرنے کی صلاحیت بھی فراہم کرتا ہے۔

ماڈل کارڈز کے بارے میں مزید جاننے کے لیے، ملاحظہ کریں۔ ڈویلپر گائیڈ اور کی پیروی اس شروع کرنے کے لیے مثال نوٹ بک۔

سیج میکر ماڈل ڈیش بورڈ

ماڈل ڈیش بورڈ تمام ماڈلز کا مرکزی ذخیرہ ہے جو اکاؤنٹ میں بنائے گئے ہیں۔ ماڈلز عام طور پر SageMaker پر تربیت کے ذریعے بنائے جاتے ہیں، یا آپ SageMaker پر میزبانی کے لیے اپنے تربیت یافتہ ماڈلز کو کہیں اور لا سکتے ہیں۔

ماڈل ڈیش بورڈ IT منتظمین، ماڈل رسک مینیجرز، یا کاروباری رہنماؤں کے لیے تمام تعینات کردہ ماڈلز اور ان کی کارکردگی کو دیکھنے کے لیے ایک واحد انٹرفیس فراہم کرتا ہے۔ آپ ماڈل کی کارکردگی کے بارے میں بصیرت حاصل کرنے کے لیے اپنے اختتامی نکات، بیچ کی تبدیلی کی جابز، اور مانیٹرنگ جابز دیکھ سکتے ہیں۔ تنظیمیں اس بات کی نشاندہی کرنے کے لیے گہرائی میں ڈوب سکتی ہیں کہ کن ماڈلز میں غائب یا غیر فعال مانیٹر ہیں اور SageMaker APIs کا استعمال کرتے ہوئے انہیں شامل کر سکتے ہیں تاکہ یہ یقینی بنایا جا سکے کہ تمام ماڈلز کو ڈیٹا ڈرفٹ، ماڈل ڈرفٹ، بائیس ڈرفٹ، اور فیچر انتساب بڑھنے کے لیے چیک کیا جا رہا ہے۔

مندرجہ ذیل اسکرین شاٹ ماڈل ڈیش بورڈ کی ایک مثال دکھاتا ہے۔

ماڈل ڈیش بورڈ آپ کے تمام ماڈلز کا جائزہ فراہم کرتا ہے، ان کے خطرے کی درجہ بندی کیا ہے، اور وہ ماڈلز پروڈکشن میں کیسی کارکردگی کا مظاہرہ کر رہے ہیں۔ یہ سیج میکر سے معلومات کھینچ کر ایسا کرتا ہے۔ کارکردگی کی نگرانی سے متعلق معلومات حاصل کی جاتی ہیں۔ ایمیزون سیج میکر ماڈل مانیٹر، اور آپ SageMaker بیچ ٹرانسفارم جابز کے ذریعے بیچ کی پیشین گوئیوں کے لیے طلب کیے گئے ماڈلز کے بارے میں معلومات بھی دیکھ سکتے ہیں۔ نسب کی معلومات جیسے کہ ماڈل کی تربیت کیسے کی گئی، ڈیٹا استعمال کیا گیا، اور بہت کچھ حاصل کیا جاتا ہے، اور ماڈل کارڈز سے معلومات بھی کھینچ لی جاتی ہیں۔

ماڈل مانیٹر بیچ انفرنس یا ریئل ٹائم اینڈ پوائنٹس کے لیے پروڈکشن میں استعمال ہونے والے SageMaker ماڈلز کے معیار کی نگرانی کرتا ہے۔ آپ SageMaker APIs کے ذریعے مسلسل نگرانی یا شیڈول مانیٹر ترتیب دے سکتے ہیں، اور ماڈل ڈیش بورڈ کے ذریعے الرٹ کی ترتیبات میں ترمیم کر سکتے ہیں۔ آپ انتباہات ترتیب دے سکتے ہیں جو ماڈل کے معیار میں انحراف ہونے پر آپ کو مطلع کریں۔ ان انحرافات کا ابتدائی اور فعال پتہ لگانے سے آپ کو اصلاحی اقدامات کرنے کے قابل بناتا ہے، جیسے ماڈلز کو دوبارہ تربیت دینا، اپ اسٹریم سسٹمز کا آڈٹ کرنا، یا ماڈلز کو دستی طور پر مانیٹر کیے بغیر یا اضافی ٹولنگ بنائے بغیر معیار کے مسائل کو ٹھیک کرنا۔ ماڈل ڈیش بورڈ آپ کو فوری بصیرت فراہم کرتا ہے کہ کن ماڈلز کی نگرانی کی جا رہی ہے اور وہ کیسے کارکردگی کا مظاہرہ کر رہے ہیں۔ ماڈل مانیٹر کے بارے میں مزید معلومات کے لیے، ملاحظہ کریں۔ ڈیٹا اور ماڈل کے معیار، تعصب اور وضاحت کے لیے ماڈلز کی نگرانی کریں۔.

جب آپ ماڈل ڈیش بورڈ میں کسی ماڈل کا انتخاب کرتے ہیں، تو آپ ماڈل کے بارے میں گہری بصیرت حاصل کر سکتے ہیں، جیسے کہ ماڈل کارڈ (اگر کوئی موجود ہے)، ماڈل کا نسب، ماڈل کو کس اختتامی نقطہ پر تعینات کیا گیا ہے، اور اس کے لیے نگرانی کا شیڈول۔ ماڈل

یہ منظر آپ کو ضرورت پڑنے پر ماڈل کارڈ بنانے کی اجازت دیتا ہے۔ نگرانی کے شیڈول کو ماڈل ڈیش بورڈ کے ذریعے فعال، غیر فعال، یا ترمیم کیا جا سکتا ہے۔

ان ماڈلز کے لیے جن کے پاس مانیٹرنگ کا شیڈول نہیں ہے، آپ اسے ماڈل مانیٹر کو اس اینڈ پوائنٹ کے لیے فعال کر کے سیٹ کر سکتے ہیں جس پر ماڈل کو تعینات کیا گیا ہے۔ الرٹ کی تفصیلات اور اسٹیٹس کے ذریعے، آپ کو ان ماڈلز کے بارے میں مطلع کیا جائے گا جو ڈیٹا ڈرفٹ، ماڈل ڈرفٹ، بائیس ڈرفٹ، یا فیچر ڈرفٹ دکھا رہے ہیں، اس پر منحصر ہے کہ آپ کون سے مانیٹر سیٹ اپ کرتے ہیں۔

آئیے ایک مثال کے ورک فلو کو دیکھتے ہیں کہ ماڈل کی نگرانی کیسے ترتیب دی جائے۔ اس عمل کے اہم مراحل یہ ہیں:

1. اینڈ پوائنٹ (یا بیچ ٹرانسفارم جاب) پر بھیجے گئے ڈیٹا کیپچر کریں۔
2. ایک بیس لائن قائم کریں (مانیٹرنگ کی ہر قسم کے لیے)۔
3. خلاف ورزیوں کی اطلاع دینے اور الرٹس کو متحرک کرنے کے لیے بیس لائن کے خلاف لائیو پیشین گوئیوں کا موازنہ کرنے کے لیے ایک ماڈل مانیٹر کا شیڈول بنائیں۔

انتباہات کی بنیاد پر، آپ اینڈ پوائنٹ کو پچھلے ورژن پر واپس لانے یا نئے ڈیٹا کے ساتھ ماڈل کو دوبارہ تربیت دینے جیسے اقدامات کر سکتے ہیں۔ ایسا کرتے وقت، یہ معلوم کرنا ضروری ہو سکتا ہے کہ ماڈل کو کس طرح تربیت دی گئی تھی، جو ماڈل کے نسب کو دیکھ کر کیا جا سکتا ہے۔

ماڈل ڈیش بورڈ کسی اکاؤنٹ میں مجموعی ماڈل ماحولیاتی نظام کے بارے میں معلومات کا ایک بھرپور سیٹ پیش کرتا ہے، اس کے علاوہ کسی ماڈل کی مخصوص تفصیلات میں ڈرل کرنے کی صلاحیت بھی۔ ماڈل ڈیش بورڈ کے بارے میں مزید جاننے کے لیے، رجوع کریں۔ ڈویلپر گائیڈ.

نتیجہ

ماڈل گورننس پیچیدہ ہے اور اس میں اکثر کسی تنظیم یا صنعت سے متعلق بہت سی حسب ضرورت ضروریات شامل ہوتی ہیں۔ یہ ریگولیٹری تقاضوں پر مبنی ہو سکتا ہے جن کی آپ کی تنظیم کو تعمیل کرنے کی ضرورت ہے، تنظیم میں موجود شخصیات کی اقسام، اور استعمال کیے جانے والے ماڈلز کی اقسام۔ گورننس کے لیے کوئی ایک سائز کے مطابق نہیں ہے، اور یہ ضروری ہے کہ صحیح ٹولز دستیاب ہوں تاکہ ایک مضبوط گورننس کا عمل عمل میں لایا جا سکے۔

SageMaker میں مقصد سے بنائے گئے ML گورننس ٹولز کے ساتھ، تنظیمیں اپنے مخصوص استعمال کے معاملات کے لیے ML پروجیکٹس پر کنٹرول اور مرئیت کو بہتر بنانے کے لیے صحیح طریقہ کار کو نافذ کر سکتی ہیں۔ ماڈل کارڈز اور ماڈل ڈیش بورڈ کو آزمائیں، اور سوالات اور تاثرات کے ساتھ اپنی رائے دیں۔ ماڈل کارڈز اور ماڈل ڈیش بورڈ کے بارے میں مزید جاننے کے لیے، رجوع کریں۔ ڈویلپر گائیڈ.

مصنفین کے بارے میں

کریٹ تھڈاکا سیج میکر سروس SA ٹیم میں کام کرنے والا ایک ML سلوشنز آرکیٹیکٹ ہے۔ AWS میں شامل ہونے سے پہلے، کریٹ نے ابتدائی مرحلے کے AI سٹارٹ اپس میں کام کیا جس کے بعد AI ریسرچ، MLOps اور تکنیکی قیادت میں مختلف کرداروں میں کچھ وقت مشاورت کی۔

مارک کارپ سیج میکر سروس ٹیم کے ساتھ ایم ایل آرکیٹیکٹ ہے۔ وہ گاہک کو ML کام کے بوجھ کو پیمانے پر ڈیزائن، تعینات اور ان کا انتظام کرنے میں مدد کرنے پر توجہ مرکوز کرتا ہے۔ اپنے فارغ وقت میں، وہ سفر کرنے اور نئی جگہوں کی تلاش کا لطف اٹھاتا ہے۔

راگھو رمیشا۔ ایمیزون سیج میکر سروس ٹیم کے ساتھ ایم ایل سلوشنز آرکیٹیکٹ ہے۔ وہ صارفین کی ایم ایل پروڈکشن ورک بوجھ کو SageMaker پر پیمانے پر بنانے، تعینات کرنے اور منتقل کرنے میں مدد کرنے پر توجہ مرکوز کرتا ہے۔ وہ مشین لرننگ، AI، اور کمپیوٹر ویژن ڈومینز میں مہارت رکھتا ہے، اور UT Dallas سے کمپیوٹر سائنس میں ماسٹر ڈگری رکھتا ہے۔ اپنے فارغ وقت میں وہ سفر اور فوٹو گرافی سے لطف اندوز ہوتے ہیں۔

رام وٹل اے ڈبلیو ایس میں ایم ایل اسپیشلسٹ سولیوشن آرکیٹیکٹ ہے۔ اس کے پاس آرکیٹیکٹنگ اور بلڈنگ ڈسٹری بیوٹڈ، ہائبرڈ اور کلاؤڈ ایپلی کیشنز کا 20 سال سے زیادہ کا تجربہ ہے۔ وہ محفوظ اور قابل توسیع AI/ML اور بڑے ڈیٹا سلوشنز بنانے کے بارے میں پرجوش ہے تاکہ انٹرپرائز صارفین کو ان کے کلاؤڈ اپنانے اور ان کے کاروباری نتائج کو بہتر بنانے کے لیے اصلاح کے سفر میں مدد فراہم کی جا سکے۔ اپنے فارغ وقت میں وہ ٹینس، فوٹو گرافی اور ایکشن فلموں سے لطف اندوز ہوتے ہیں۔

ساحل سینی۔ ایمیزون ویب سروسز میں ISV سلوشن آرکیٹیکٹ ہے۔ وہ AI/ML، کنٹینرز، HPC اور IoT کے لیے AWS سروسز کا استعمال کرتے ہوئے ٹیکنالوجی کے حل میں مدد کرنے کے لیے AWS اسٹریٹجک صارفین کی مصنوعات اور انجینئرنگ ٹیموں کے ساتھ کام کرتا ہے۔ اس نے انٹرپرائز صارفین کے لیے AI/ML پلیٹ فارم قائم کرنے میں مدد کی ہے۔