ایمیزون سیج میکر پائپ لائنز کے ساتھ ایمیزون پیکیجنگ انوویشن پر ایم ایل پائپ لائنز کے استحکام اور لچک کو بہتر بنانا

گاہکوں کو خوش کرنے اور پیکیجنگ کے فضلے کو کم کرنے کے لیے، Amazon کو ہر سال بھیجے جانے والے اربوں پیکجوں کے لیے بہترین پیکیجنگ قسم کا انتخاب کرنا چاہیے۔ اگر کافی مگ جیسی نازک چیز کے لیے بہت کم تحفظ استعمال کیا جاتا ہے، تو آئٹم خراب ہو جائے گی اور Amazon کو اپنے گاہک کے اعتماد کو خطرہ لاحق ہو گا۔ بہت زیادہ تحفظ استعمال کرنے کے نتیجے میں لاگت میں اضافہ ہوگا اور ری سائیکلنگ کے زیادہ ڈبے۔ لاکھوں پروڈکٹس دستیاب ہونے کے ساتھ، پروڈکٹ ٹیسٹنگ اور کسٹمر فیڈ بیک سے مسلسل سیکھنے کے لیے ایک قابل توسیع فیصلہ سازی کی ضرورت ہے۔

ان مسائل کو حل کرنے کے لیے، Amazon پیکیجنگ انوویشن ٹیم نے مشین لرننگ (ML) ماڈلز تیار کیے جو اس بات کی درجہ بندی کرتے ہیں کہ آیا مصنوعات Amazon کی پیکیجنگ کی اقسام جیسے میلرز، بیگز، یا بکسوں کے لیے موزوں ہیں، یا بغیر کسی اضافی پیکیجنگ کے بھیجے جا سکتے ہیں۔ اس سے پہلے، ٹیم کی بنیاد پر ایک اپنی مرضی کے مطابق پائپ لائن تیار کیا AWS اسٹیپ فنکشنز ہفتہ وار تربیت اور روزانہ یا ماہانہ تخمینہ کی ملازمتیں انجام دینے کے لیے۔ تاہم، وقت گزرنے کے ساتھ پائپ لائن نے نئے فن تعمیر کے ساتھ ماڈلز کو لانچ کرنے کے لیے کافی لچک فراہم نہیں کی۔ نئی پائپ لائنوں کی ترقی نے ڈیٹا سائنسدانوں اور ڈویلپرز کے درمیان ایک اوور ہیڈ اور مطلوبہ ہم آہنگی پیش کی۔ ان مشکلات پر قابو پانے اور نئے ماڈلز اور فن تعمیرات کی تعیناتی کی رفتار کو بہتر بنانے کے لیے، ٹیم نے ماڈل ٹریننگ اور اندازہ لگانے کا انتخاب کیا۔ ایمیزون سیج میکر پائپ لائنز.

اس پوسٹ میں، ہم اسٹیپ فنکشنز پر مبنی سابقہ ​​آرکیسٹریشن آرکیٹیکچر پر تبادلہ خیال کرتے ہیں، پائپ لائنز کا استعمال کرتے ہوئے ٹریننگ اور انفرنس آرکیٹیکچرز کا خاکہ پیش کرتے ہیں، اور ایمیزون پیکیجنگ انوویشن ٹیم کی جانب سے حاصل کردہ لچک کو اجاگر کرتے ہیں۔

ایمیزون پیکیجنگ انوویشن میں سابق ایم ایل پائپ لائن کے چیلنجز

پیکجوں کی کارکردگی کے بارے میں مسلسل تاثرات کو شامل کرنے کے لیے، ہر ہفتے ایک نئے ماڈل کو لیبلز کی بڑھتی ہوئی تعداد کا استعمال کرتے ہوئے تربیت دی جاتی ہے۔ مصنوعات کی پوری انوینٹری کا تخمینہ ماہانہ انجام دیا جاتا ہے، اور نئی شامل کردہ انوینٹری کے لیے صحیح وقت میں پیشین گوئیاں فراہم کرنے کے لیے روزانہ تخمینہ لگایا جاتا ہے۔

متعدد ماڈلز کی تربیت کے عمل کو خودکار بنانے اور پیشین گوئیاں فراہم کرنے کے لیے، ٹیم نے درج ذیل مراحل کو ترتیب دینے کے لیے اسٹیپ فنکشنز پر مبنی ایک حسب ضرورت پائپ لائن تیار کی تھی۔

• ٹریننگ اور انفرنس جابز کے لیے ڈیٹا کی تیاری اور ڈیٹا بیس میں پیشین گوئیاں لوڈ کرنا (ایمیزون ریڈ شفٹ) کے ساتھ AWS گلو.
• ماڈل ٹریننگ اور انفرنس کے ساتھ ایمیزون سیج میکر.
• کے ساتھ توثیق سیٹ پر ماڈل کی کارکردگی میٹرکس کا حساب AWS بیچ.
• کا استعمال کرتے ہوئے ایمیزون ڈائنومو ڈی بی ماڈل کنفیگریشنز کو ذخیرہ کرنے کے لیے (جیسے کہ تربیت اور توثیق کے لیے ڈیٹا تقسیم کا تناسب، ماڈل آرٹفیکٹ لوکیشن، ماڈل کی قسم، اور ٹریننگ اور انفرنس کے لیے مثالوں کی تعداد)، ماڈل پرفارمنس میٹرکس، اور جدید ترین کامیابی سے تربیت یافتہ ماڈل ورژن۔
• ماڈل کی کارکردگی کے اسکور میں فرق کا حساب کتاب، ٹریننگ لیبلز کی تقسیم میں تبدیلی، اور پچھلے اور نئے ماڈل ورژن کے درمیان ان پٹ ڈیٹا کے سائز کا موازنہ او ڈبلیو ایس لامبڈا۔ کام کرتا ہے.
• بڑی تعداد میں اقدامات کے پیش نظر، پائپ لائن کو ہر قدم پر ایک قابل اعتماد الارمنگ سسٹم کی ضرورت تھی تاکہ کسی بھی مسئلے سے متعلق فریقین کو آگاہ کیا جا سکے۔ یہ ایک مجموعہ کے ذریعے پورا کیا گیا تھا ایمیزون سادہ قطار سروس (ایمیزون ایس کیو ایس) اور ایمیزون سادہ نوٹیفکیشن سروس (ایمیزون ایس این ایس)۔ الارم کاروباری اسٹیک ہولڈرز، ڈیٹا سائنسدانوں، اور ڈویلپرز کو ماڈل اور ڈیٹا میٹرکس میں کسی بھی ناکام اقدامات اور بڑے انحراف کے بارے میں مطلع کرنے کے لیے بنائے گئے تھے۔

تقریباً 2 سال تک اس حل کو استعمال کرنے کے بعد، ٹیم نے محسوس کیا کہ یہ نفاذ صرف ایک عام ML ورک فلو کے لیے اچھا کام کرتا ہے جہاں ایک ماڈل کو تربیت دی جاتی تھی اور ایک توثیق ڈیٹاسیٹ پر اسکور کیا جاتا تھا۔ تاہم، حل پیچیدہ ماڈلز کے لیے کافی لچکدار نہیں تھا اور ناکامیوں کے لیے لچکدار نہیں تھا۔ مثال کے طور پر، فن تعمیر آسانی سے ترتیب وار ماڈل ٹریننگ کو ایڈجسٹ نہیں کرتا تھا۔ پوری پائپ لائن کو ڈپلیکیٹ کیے بغیر اور انفراسٹرکچر میں ترمیم کیے بغیر کسی قدم کو شامل کرنا یا ہٹانا مشکل تھا۔ یہاں تک کہ ڈیٹا پروسیسنگ کے مراحل میں سادہ تبدیلیاں جیسے کہ ڈیٹا سپلٹ ریشو کو ایڈجسٹ کرنا یا فیچرز کے مختلف سیٹ کو منتخب کرنا ڈیٹا سائنسدان اور ایک ڈویلپر دونوں سے ہم آہنگی کی ضرورت ہے۔ جب پائپ لائن کسی بھی مرحلے پر ناکام ہو جاتی تھی تو اسے شروع سے ہی دوبارہ شروع کرنا پڑتا تھا جس کے نتیجے میں بار بار رن اور لاگت میں اضافہ ہوتا تھا۔ بار بار رنز سے بچنے اور ناکام مرحلے سے دوبارہ شروع کرنے کے لئے، ٹیم ایک مختصر اسٹیٹ مشین کی ایک نئی کاپی بنائے گی. اس خرابی کا سراغ لگانا ریاستی مشینوں کے پھیلاؤ کا باعث بنا، ہر ایک عام طور پر ناکام ہونے والے مراحل سے شروع ہوتا ہے۔ آخر میں، اگر کسی تربیتی کام کو لیبلز، ماڈل سکور، یا لیبلز کی تعداد کی تقسیم میں انحراف کا سامنا کرنا پڑتا ہے، تو ڈیٹا سائنسدان کو ماڈل اور اس کے میٹرکس کا دستی طور پر جائزہ لینا پڑتا ہے۔ پھر ایک ڈیٹا سائنسدان ماڈل ورژن کے ساتھ ایک DynamoDB ٹیبل تک رسائی حاصل کرے گا اور اس بات کو یقینی بنانے کے لیے ٹیبل کو اپ ڈیٹ کرے گا کہ اگلی انفرنس کام کے لیے صحیح ماڈل کا استعمال کیا گیا تھا۔

اس فن تعمیر کی دیکھ بھال کے لیے کم از کم ایک وقف شدہ وسائل اور ترقی کے لیے ایک اضافی کل وقتی وسیلہ درکار ہے۔ نئے استعمال کے معاملات کو ایڈجسٹ کرنے کے لیے پائپ لائن کو پھیلانے کی مشکلات کو دیکھتے ہوئے، ڈیٹا سائنسدانوں نے اپنے ورک فلو کو تیار کرنا شروع کر دیا تھا، جس کے نتیجے میں ایک بڑھتا ہوا کوڈ بیس، اسی طرح کی ڈیٹا اسکیموں کے ساتھ متعدد ڈیٹا ٹیبلز، اور ڈی سینٹرلائزڈ ماڈل مانیٹرنگ کا باعث بنا۔ ان مسائل کے جمع ہونے کے نتیجے میں ٹیم کی پیداواری صلاحیت کم ہوئی اور اوور ہیڈ میں اضافہ ہوا۔

ان چیلنجوں سے نمٹنے کے لیے، Amazon پیکیجنگ انوویشن ٹیم نے MLOps کے لیے دیگر موجودہ حلوں کا جائزہ لیا، بشمول SageMaker Pipelines (دسمبر 2020 ریلیز کا اعلان)۔ پائپ لائنز SageMaker کی ایک صلاحیت ہے جس کی تعمیر، انتظام، خودکار، اور آخر سے آخر تک ML ورک فلو کو سکیل کرنا ہے۔ پائپ لائنز آپ کو پورے ML ورک فلو میں قدموں کی تعداد کو کم کرنے کی اجازت دیتی ہیں اور ڈیٹا سائنسدانوں کو حسب ضرورت ML ورک فلو کی وضاحت کرنے کی اجازت دینے کے لیے کافی لچکدار ہیں۔ یہ اقدامات کی نگرانی اور لاگ ان کرنے کا خیال رکھتا ہے۔ یہ ایک ماڈل رجسٹری کے ساتھ بھی آتا ہے جو خود بخود نئے ماڈلز کو ورژن بناتا ہے۔ ماڈل رجسٹری میں پروڈکشن میں اندازہ لگانے کے لیے ماڈلز کو منتخب کرنے کے لیے بلٹ ان منظوری کے ورک فلوز ہیں۔ پائپ لائنز انہی دلائل کے ساتھ بلائے جانے والے کیشنگ اقدامات کی بھی اجازت دیتی ہیں۔ اگر پچھلا رن مل جاتا ہے تو، ایک کیش بنایا جاتا ہے، جو کامیابی سے مکمل شدہ مراحل کی دوبارہ گنتی کے بجائے آسانی سے دوبارہ شروع کرنے کی اجازت دیتا ہے۔

تشخیصی عمل میں، پائپ لائنز موجودہ اور مستقبل کے ورک فلو کی حمایت اور توسیع کے لیے اپنی لچک اور خصوصیات کی دستیابی کے لیے دوسرے حلوں سے الگ تھیں۔ پائپ لائنز پر سوئچ کرنے سے ڈویلپرز کا وقت پلیٹ فارم کی دیکھ بھال اور ٹربل شوٹنگ سے خالی ہو گیا اور نئی خصوصیات کے اضافے کی طرف توجہ مبذول کرائی گئی۔ اس پوسٹ میں، ہم پائپ لائنز کا استعمال کرتے ہوئے Amazon پیکیجنگ انوویشن ٹیم میں تربیت اور انفرنس ورک فلو کے لیے ڈیزائن پیش کرتے ہیں۔ ہم فوائد اور لاگت میں کمی کے بارے میں بھی بات کرتے ہیں جو ٹیم کو پائپ لائنز پر سوئچ کرنے سے محسوس ہوا۔

ٹریننگ پائپ لائن

ایمیزون پیکجنگ انوویشن ٹیم لیبلز کی بڑھتی ہوئی تعداد کا استعمال کرتے ہوئے ہر قسم کے پیکیج کے لیے ماڈلز کی تربیت کرتی ہے۔ مندرجہ ذیل خاکہ پورے عمل کا خاکہ پیش کرتا ہے۔

ورک فلو کا آغاز ایمیزون ریڈ شفٹ ڈیٹا بیس سے لیبلز اور فیچرز نکال کر اور ڈیٹا کو ان لوڈ کرنے سے ہوتا ہے۔ ایمیزون سادہ اسٹوریج سروس (ایمیزون S3) ایک طے شدہ ایکسٹریکٹ، ٹرانسفارم، اور لوڈ (ETL) جاب کے ذریعے۔ ان پٹ ڈیٹا کے ساتھ، ماڈل کی قسم اور پیرامیٹرز کے ساتھ ایک فائل آبجیکٹ S3 بالٹی میں رکھا جاتا ہے۔ یہ فائل لیمبڈا فنکشن کے ذریعے پائپ لائن ٹرگر کے طور پر کام کرتی ہے۔

اگلے اقدامات مکمل طور پر حسب ضرورت ہیں اور پائپ لائنز کے لیے SageMaker Python SDK کا استعمال کرتے ہوئے ڈیٹا سائنسدان کی طرف سے مکمل طور پر وضاحت کی گئی ہے۔ اس منظر نامے میں جو ہم اس پوسٹ میں پیش کرتے ہیں، ان پٹ ڈیٹا کو تربیت اور توثیق کے سیٹ میں تقسیم کیا جاتا ہے اور S3 بالٹی میں SageMaker پروسیسنگ جاب شروع کرکے واپس محفوظ کیا جاتا ہے۔

ایمیزون S3 میں ڈیٹا تیار ہونے پر، سیج میکر کی تربیت کا کام شروع ہوتا ہے۔ ماڈل کی کامیابی سے تربیت اور تخلیق ہونے کے بعد، ماڈل کی تشخیص کا مرحلہ سیج میکر بیچ ٹرانسفارم جاب کے ذریعے توثیق کے ڈیٹا پر انجام دیا جاتا ہے۔ اس کے بعد ماڈل میٹرکس کا موازنہ SageMaker پروسیسنگ جاب کا استعمال کرتے ہوئے پچھلے ہفتے کے ماڈل میٹرکس سے کیا جاتا ہے۔ ٹیم نے ماڈل کی کارکردگی میں انحراف کا جائزہ لینے کے لیے متعدد حسب ضرورت معیارات کی وضاحت کی ہے۔ ماڈل کو ان معیارات کی بنیاد پر یا تو مسترد یا منظور کیا جاتا ہے۔ اگر ماڈل کو مسترد کر دیا جاتا ہے، تو پچھلا منظور شدہ ماڈل اگلی انفرنس ملازمتوں کے لیے استعمال کیا جاتا ہے۔ اگر ماڈل منظور ہو جاتا ہے، تو اس کا ورژن رجسٹرڈ ہو جاتا ہے اور اس ماڈل کو انفرنس ملازمتوں کے لیے استعمال کیا جاتا ہے۔ اسٹیک ہولڈرز کو نتائج کے بارے میں اطلاع بذریعہ موصول ہوتی ہے۔ ایمیزون کلاؤڈ واچ الارم

سے درج ذیل اسکرین شاٹ ایمیزون سیج میکر اسٹوڈیو ٹریننگ پائپ لائن کے مراحل دکھاتا ہے۔

پائپ لائنز ہر پائپ لائن کو ٹریک کرتی ہیں، جس کی آپ اسٹوڈیو میں نگرانی کر سکتے ہیں۔ متبادل طور پر، آپ اس کا استعمال کرتے ہوئے رن کی پیشرفت کے بارے میں استفسار کر سکتے ہیں۔ بوٹو 3 یا AWS کمانڈ لائن انٹرفیس (AWS CLI)۔ آپ اسٹوڈیو میں ماڈل میٹرکس کو دیکھ سکتے ہیں اور مختلف ماڈل ورژنز کا موازنہ کر سکتے ہیں۔

انفرنس پائپ لائن

ایمیزون پیکیجنگ انوویشن ٹیم ماہانہ مصنوعات کی پوری انوینٹری کے لیے پیشین گوئیوں کو تازہ کرتی ہے۔ تازہ ترین تربیت یافتہ ماڈل کا استعمال کرتے ہوئے نئی شامل کردہ انوینٹری کے لیے صرف وقت میں پیکیجنگ کی سفارشات فراہم کرنے کے لیے روزانہ کی پیشین گوئیاں تیار کی جاتی ہیں۔ اس کے لیے ڈیٹا کی مختلف مقداروں کے ساتھ روزانہ چلنے کے لیے انفرنس پائپ لائن کی ضرورت ہوتی ہے۔ مندرجہ ذیل خاکہ اس ورک فلو کو واضح کرتا ہے۔

ٹریننگ پائپ لائن کی طرح، اندازہ ایمیزون ریڈ شفٹ سے ڈیٹا کو S3 بالٹی میں اتارنے کے ساتھ شروع ہوتا ہے۔ ایمیزون ایس 3 میں رکھی گئی ایک فائل آبجیکٹ لیمبڈا فنکشن کو متحرک کرتی ہے جو انفرنس پائپ لائن کو شروع کرتی ہے۔ خصوصیات تخمینہ کے لیے تیار کی جاتی ہیں اور ڈیٹا کو سیج میکر پروسیسنگ جاب کا استعمال کرتے ہوئے مناسب سائز کی فائلوں میں تقسیم کیا جاتا ہے۔ اگلا، پائپ لائن پیشین گوئیوں کو چلانے اور انہیں S3 بالٹی میں لوڈ کرنے کے لیے تازہ ترین منظور شدہ ماڈل کی شناخت کرتی ہے۔ آخر میں، SageMaker پروسیسنگ جاب کے اندر boto3-data API کا استعمال کرتے ہوئے پیشین گوئیاں Amazon Redshift پر واپس لوڈ کی جاتی ہیں۔

اسٹوڈیو کا درج ذیل اسکرین شاٹ انفرنس پائپ لائن کی تفصیلات دکھاتا ہے۔

سیج میکر پائپ لائنز کے ساتھ ML ورک فلو کو آرکیٹیکٹ منتخب کرنے کے فوائد

اس سیکشن میں، ہم ایمیزون پیکیجنگ انوویشن ٹیم کو ماڈل ٹریننگ اور انفرنس کے لیے پائپ لائنز پر جانے سے حاصل ہونے والے فوائد پر تبادلہ خیال کرتے ہیں۔

آؤٹ آف دی باکس پروڈکشن لیول MLOps کی خصوصیات

اگلے ML پائپ لائن کے حل کے لیے مختلف اندرونی اور بیرونی حلوں کا موازنہ کرتے ہوئے، ایک واحد ڈیٹا سائنسدان 3 ہفتوں سے بھی کم وقت میں سٹوڈیو Jupyter ماحول میں پائپ لائنز کے ساتھ ML ورک فلو کا مکمل ورژن پروٹو ٹائپ کرنے اور تیار کرنے میں کامیاب رہا۔ پروٹو ٹائپنگ کے مرحلے پر بھی، یہ واضح ہو گیا کہ پائپ لائنز نے پروڈکشن لیول کے ورک فلو کے لیے درکار تمام ضروری بنیادی ڈھانچے کے اجزاء فراہم کیے ہیں: ماڈل ورژننگ، کیشنگ، اور الارم۔ ان خصوصیات کی فوری دستیابی کا مطلب یہ تھا کہ ان کو تیار کرنے اور اپنی مرضی کے مطابق بنانے میں کوئی اضافی وقت خرچ نہیں کیا جائے گا۔ یہ قدر کا واضح مظاہرہ تھا، جس نے ایمیزون پیکیجنگ انوویشن ٹیم کو قائل کیا کہ پائپ لائنز صحیح حل ہیں۔

ایم ایل ماڈل تیار کرنے میں لچک

ٹیم کے ڈیٹا سائنسدانوں کے لیے سب سے بڑا فائدہ مختلف ماڈلز کے ذریعے آسانی سے تجربہ کرنے اور اعادہ کرنے کی صلاحیت تھی۔ اس سے قطع نظر کہ انہوں نے اپنے ML کے کام کے لیے کس فریم ورک کو ترجیح دی اور اس میں شامل اقدامات اور خصوصیات کی تعداد، پائپ لائنز نے ان کی ضروریات کو پورا کیا۔ ڈیٹا سائنسدانوں کو ایک اضافی خصوصیت یا قدم شامل کرنے کے لیے سافٹ ویئر ڈویلپمنٹ سپرنٹ پر جانے کا انتظار کیے بغیر تجربہ کرنے کا اختیار دیا گیا تھا۔

کم لاگت

سیج میکر کی پائپ لائنز کی صلاحیت ہے۔ مفت: آپ صرف کمپیوٹ وسائل اور تربیت اور تخمینہ سے وابستہ اسٹوریج کے لیے ادائیگی کرتے ہیں۔ تاہم، لاگت کے بارے میں سوچتے وقت، آپ کو نہ صرف استعمال شدہ خدمات کی لاگت کا حساب دینا ہوگا بلکہ ورک فلو کو برقرار رکھنے، ڈیبگ کرنے اور اسے پیچ کرنے کے لیے درکار ڈویلپر کے اوقات کا بھی حساب رکھنا ہوگا۔ پائپ لائنز کے ساتھ آرکیسٹریٹنگ آسان ہے کیونکہ یہ کم ٹکڑوں اور مانوس انفراسٹرکچر پر مشتمل ہے۔ اس سے پہلے، ایک نئی خصوصیت شامل کرنے کے لیے اسے نافذ کرنے کے لیے ایمیزون پیکجنگ انوویشن ٹیم میں کم از کم دو افراد (ڈیٹا سائنسدان اور سافٹ ویئر انجینئر) کی ضرورت تھی۔ دوبارہ ڈیزائن کی گئی پائپ لائن کے ساتھ، انجینئرنگ کی کوششوں کو اب پائپ لائن کے ارد گرد اضافی کسٹم انفراسٹرکچر کی طرف لے جایا گیا ہے، جیسے کہ مشین لرننگ کوڈ کو ٹریک کرنے کے لیے واحد ذخیرہ کی تخلیق، AWS اکاؤنٹس میں ماڈل کی تعیناتی کو آسان بنانا، مربوط ETL ملازمتوں کی ترقی اور عام دوبارہ قابل استعمال افعال

اسی طرح کے ان پٹ کے ساتھ اقدامات کو کیش کرنے کی صلاحیت نے بھی لاگت میں کمی میں حصہ ڈالا، کیونکہ ٹیموں کے پوری پائپ لائن کو دوبارہ چلانے کا امکان کم تھا۔ اس کے بجائے، وہ آسانی سے اسے ناکامی کے مقام سے شروع کر سکتے تھے۔

نتیجہ

ایمیزون پیکیجنگ انوویشن ٹیم ماہانہ بنیادوں پر ایم ایل ماڈلز کی تربیت کرتی ہے اور تجویز کردہ مصنوعات کی پیکیجنگ کی اقسام کے لیے پیشین گوئیوں کو باقاعدگی سے اپ ڈیٹ کرتی ہے۔ ان سفارشات نے فضلے کو کم کرکے اور ہر آرڈر کے ساتھ صارفین کو خوش کرکے متعدد ٹیم اور کمپنی کے وسیع اہداف حاصل کرنے میں ان کی مدد کی۔ ٹریننگ اور انفرنس پائپ لائنز کو مستقل بنیادوں پر قابل اعتماد طریقے سے چلنا چاہیے لیکن اس کے باوجود ماڈلز کو مستقل طور پر بہتر بنانے کی اجازت دیتے ہیں۔

پائپ لائنز میں منتقلی نے ٹیم کو چار نئے ملٹی ماڈل ماڈل آرکیٹیکچرز کو 2 ماہ کے اندر پروڈکشن میں تعینات کرنے کی اجازت دی۔ پچھلے فن تعمیر کا استعمال کرتے ہوئے ایک نئے ماڈل کی تعیناتی میں 5 دن (اسی ماڈل کے فن تعمیر کے ساتھ) سے 1 ماہ (نئے ماڈل کے فن تعمیر کے ساتھ) درکار ہوں گے۔ پائپ لائنز کا استعمال کرتے ہوئے ایک ہی ماڈل کی تعیناتی نے ٹیم کو اسی ماڈل کے فن تعمیر کے ساتھ ترقی کے وقت کو 4 گھنٹے اور نئے ماڈل کے فن تعمیر کے ساتھ 5 دن تک کم کرنے کے قابل بنایا۔ اس سے کام کے اوقات کے تقریباً 80% کی بچت ہوتی ہے۔

اضافی وسائل

مزید معلومات کے لیے، درج ذیل وسائل دیکھیں:

---

مصنفین کے بارے میں

انکور شکلا پالو آلٹو میں مقیم AWS-ProServe میں پرنسپل ڈیٹا سائنٹسٹ ہیں۔ انکور کے پاس کسٹمر کے ساتھ براہ راست کام کرنے کا 15 سال سے زیادہ کا مشاورتی تجربہ ہے اور ٹیکنالوجی کے ساتھ کاروباری مسئلہ حل کرنے میں ان کی مدد کرتا ہے۔ وہ AWS کے اندر متعدد عالمی لاگو سائنس اور ML-Ops اقدامات کی رہنمائی کرتا ہے۔ اپنے فارغ وقت میں، وہ پڑھنا اور خاندان کے ساتھ وقت گزارنا پسند کرتا ہے۔

آکاش سنگلا ایمیزون پیکیجنگ انوویشن ٹیم کے ساتھ ایک سینئر سسٹم ڈیو انجینئر ہے۔ اس کے پاس 17 سال سے زیادہ کا تجربہ ہے کہ وہ کئی کاروباری عمودی کے لیے ٹیکنالوجی کے ذریعے اہم کاروباری مسائل کو حل کرتا ہے۔ وہ فی الحال NAWS انفراسٹرکچر کو اپ گریڈ کرنے پر توجہ مرکوز کرتا ہے تاکہ مختلف قسم کی پیکیجنگ سنٹرک ایپلی کیشنز کو بہتر بنایا جا سکے۔

وٹالینا کوماشکو AWS پروفیشنل سروسز کے ساتھ ڈیٹا سائنٹسٹ ہے۔ اس نے فارماکولوجی اور ٹاکسیکولوجی میں پی ایچ ڈی کی ڈگری حاصل کی لیکن تجرباتی کام سے ڈیٹا سائنس میں منتقل ہو گئی کیونکہ وہ "ڈیٹا جنریشن اور نتائج کی تشریح کا مالک بننا چاہتی تھی"۔ اپنے کیریئر کے آغاز میں اس نے بائیوٹیک اور فارما کمپنیوں کے ساتھ کام کیا۔ AWS میں وہ مختلف قسم کی صنعتوں کے صارفین کے مسائل حل کرنے اور ان کے منفرد چیلنجوں کے بارے میں سیکھنے میں لطف اندوز ہوتی ہیں۔

پرسنتھ میپن ایمیزون پیکیجنگ انوویشن کے ساتھ 4+ سال کے لیے ایک سینئر اپلائیڈ سائنٹسٹ ہے۔ اس کے پاس مشین لرننگ میں صنعت کا 6+ سال کا تجربہ ہے اور اس نے تلاش کے کسٹمر کے تجربے کو بہتر بنانے اور کسٹمر پیکیجنگ کے تجربے کو بہتر بنانے کے لیے مصنوعات بھیجی ہیں۔ پرسانتھ پائیداری کے بارے میں پرجوش ہیں اور موسمیاتی تبدیلی کے شماریاتی ماڈلنگ میں پی ایچ ڈی کر چکے ہیں۔

میتھیو بیلز ایک سینئر ریسرچ سائنٹسٹ ہے جو کسٹمر فیڈ بیک اور مشین لرننگ کا استعمال کرتے ہوئے پیکیج کی قسم کے انتخاب کو بہتر بنانے کے لیے کام کر رہا ہے۔ ایمیزون سے پہلے، میٹ نے ایک پوسٹ ڈاکٹر کے طور پر کام کیا تھا جو جرمنی میں پارٹیکل فزکس کے سمیولیشنز انجام دیتا تھا اور پچھلی زندگی میں، ایک اسٹارٹ اپ میں ریڈیو ایکٹیو میڈیکل امپلانٹ ڈیوائسز کا پروڈکشن مینیجر تھا۔ انہوں نے پی ایچ ڈی کی ڈگری حاصل کی۔ مشی گن یونیورسٹی سے فزکس میں۔