مینوفیکچرنگ انڈسٹریز میں مشین کی ناکامی کی عام اقسام کی پیشن گوئی کرنا بہت ضروری ہے۔ کسی پروڈکٹ کی خصوصیات کے ایک سیٹ کو دیکھتے ہوئے جو کسی مخصوص قسم کی ناکامی سے منسلک ہے، آپ ایک ایسا ماڈل تیار کر سکتے ہیں جو ناکامی کی قسم کا اندازہ لگا سکے جب آپ ان صفات کو مشین لرننگ (ML) ماڈل میں کھلاتے ہیں۔ ML بصیرت کے ساتھ مدد کر سکتا ہے، لیکن ابھی تک آپ کو مشین کی خرابی کی قسموں کی پیشن گوئی کرنے کے لیے ماڈل بنانے کے لیے ML ماہرین کی ضرورت تھی، جس کی کمی کسی بھی اصلاحی کارروائی میں تاخیر کر سکتی ہے جس کی کاروباری صلاحیتوں یا بہتری کے لیے ضرورت ہوتی ہے۔
اس پوسٹ میں، ہم آپ کو دکھاتے ہیں کہ کس طرح کاروباری تجزیہ کار مشین کی ناکامی کی قسم کی پیشن گوئی ML ماڈل بنا سکتے ہیں۔ ایمیزون سیج میکر کینوس. کینوس آپ کو ایک بصری پوائنٹ اور کلک انٹرفیس فراہم کرتا ہے جو آپ کو ماڈلز بنانے اور اپنے طور پر درست ML پیشین گوئیاں پیدا کرنے کی اجازت دیتا ہے — بغیر کسی ML تجربے کی ضرورت ہے یا کوڈ کی ایک لائن لکھنے کی ضرورت ہے۔
حل جائزہ
آئیے فرض کریں کہ آپ ایک کاروباری تجزیہ کار ہیں جو ایک بڑی مینوفیکچرنگ تنظیم کی دیکھ بھال کرنے والی ٹیم کو تفویض کیا گیا ہے۔ آپ کی دیکھ بھال کرنے والی ٹیم نے آپ سے عام ناکامیوں کی پیش گوئی کرنے میں مدد کرنے کو کہا ہے۔ انہوں نے آپ کو ایک تاریخی ڈیٹاسیٹ فراہم کیا ہے جس میں کسی مخصوص قسم کی ناکامی سے منسلک خصوصیات شامل ہیں اور آپ چاہیں گے کہ آپ یہ پیش گوئی کریں کہ مستقبل میں کون سی ناکامی واقع ہوگی۔ ناکامی کی اقسام میں کوئی ناکامی، اوورسٹرین، اور پاور فیلیئرز شامل ہیں۔ ڈیٹا اسکیما درج ذیل جدول میں درج ہے۔
کالم کا نام | ڈیٹا کی قسم | Description |
UID | INT | 1–10,000 تک کا منفرد شناخت کنندہ |
پروڈکٹ آئی ڈی | STRING | کم، درمیانے یا زیادہ کے لیے ایک حرف—L، M، یا H پر مشتمل ہوتا ہے— بطور پروڈکٹ کوالٹی ویریئنٹس اور ایک متغیر مخصوص سیریل نمبر |
قسم | STRING | پروڈکٹ آئی ڈی سے وابستہ ابتدائی خط جس میں صرف L، M، یا H ہوتا ہے۔ |
ہوا کا درجہ حرارت [K] | ڈیکمیلل | ہوا کا درجہ حرارت کیلون میں بیان کیا گیا ہے۔ |
عمل کا درجہ حرارت [K] | ڈیکمیلل | کیلون میں مخصوص قسم کی مصنوعات کے معیار کو یقینی بنانے کے لیے درست طریقے سے کنٹرول شدہ درجہ حرارت |
گردش کی رفتار [rpm] | ڈیکمیلل | محور کے گرد گھومنے والی کسی چیز کی گردشی رفتار وقت کے حساب سے تقسیم کردہ شے کے موڑوں کی تعداد ہے، جسے انقلابات فی منٹ کے طور پر بیان کیا گیا ہے۔ |
ٹارک [Nm] | ڈیکمیلل | رداس کے ذریعے مشین موڑنے والی قوت، جس کا اظہار نیوٹن میٹر میں ہوتا ہے۔ |
ٹول پہننا [منٹ] | INT | ٹول پہننے کا اظہار منٹوں میں ہوتا ہے۔ |
ناکامی کی قسم (ہدف) | STRING | کوئی ناکامی، پاور فیلیئر، یا اوورسٹرین فیل |
ناکامی کی قسم کی شناخت کے بعد، کاروبار کوئی بھی اصلاحی اقدامات کر سکتے ہیں۔ ایسا کرنے کے لیے، آپ CSV فائل میں موجود ڈیٹا کا استعمال کرتے ہیں، جس میں کسی پروڈکٹ کی مخصوص خصوصیات ہوتی ہیں جیسا کہ جدول میں بیان کیا گیا ہے۔ آپ درج ذیل اقدامات کو انجام دینے کے لیے کینوس کا استعمال کرتے ہیں:
- بحالی ڈیٹاسیٹ درآمد کریں۔
- پیش گوئی کرنے والی مشین کی دیکھ بھال کے ماڈل کو تربیت دیں اور بنائیں۔
- ماڈل کے نتائج کا تجزیہ کریں۔
- ماڈل کے خلاف ٹیسٹ کی پیشن گوئیاں۔
شرائط
ایک کلاؤڈ ایڈمن کے ساتھ AWS اکاؤنٹ درج ذیل شرائط کو پورا کرنے کے لیے مناسب اجازت کے ساتھ ضروری ہے:
- تعینات کریں۔ ایمیزون سیج میکر ڈومین ہدایات کے لیے، دیکھیں ایمیزون سیج میکر ڈومین پر آن بورڈ.
- کینوس لانچ کریں۔ ہدایات کے لیے، دیکھیں ایمیزون سیج میکر کینوس کو ترتیب دینا اور اس کا انتظام کرنا (آئی ٹی منتظمین کے لیے).
- کینوس کے لیے کراس اوریجن ریسورس شیئرنگ (CORS) پالیسیاں ترتیب دیں۔ ہدایات کے لیے، دیکھیں اپنے صارفین کو مقامی فائلیں اپ لوڈ کرنے کی صلاحیت دیں۔.
ڈیٹاسیٹ درآمد کریں۔
پہلے ، ڈاؤن لوڈ کریں بحالی ڈیٹاسیٹ اور اس بات کو یقینی بنانے کے لیے فائل کا جائزہ لیں کہ تمام ڈیٹا موجود ہے۔
کینوس آپ کی درخواست میں کئی نمونہ ڈیٹا سیٹس فراہم کرتا ہے تاکہ آپ کو شروع کرنے میں مدد ملے۔ SageMaker کے فراہم کردہ نمونہ ڈیٹاسیٹس کے بارے میں مزید جاننے کے لیے جن کے ساتھ آپ تجربہ کر سکتے ہیں، دیکھیں نمونہ ڈیٹاسیٹ استعمال کریں۔. اگر آپ نمونہ ڈیٹاسیٹ استعمال کرتے ہیں (canvas-sample-maintenance.csv
) کینوس میں دستیاب ہے، آپ کو مینٹیننس ڈیٹاسیٹ درآمد کرنے کی ضرورت نہیں ہے۔
آپ مختلف ڈیٹا ذرائع سے کینوس میں ڈیٹا درآمد کر سکتے ہیں۔ اگر آپ اپنا ڈیٹا سیٹ استعمال کرنے کا ارادہ رکھتے ہیں تو درج ذیل مراحل پر عمل کریں۔ ایمیزون سیج میکر کینوس میں ڈیٹا درآمد کرنا.
اس پوسٹ کے لیے، ہم مکمل مینٹیننس ڈیٹاسیٹ استعمال کرتے ہیں جسے ہم نے ڈاؤن لوڈ کیا ہے۔
- میں سائن ان کریں AWS مینجمنٹ کنسولکینوس تک رسائی کے لیے مناسب اجازتوں کے ساتھ ایک اکاؤنٹ استعمال کرنا۔
- کینوس کنسول میں لاگ ان کریں۔
- میں سے انتخاب کریں درآمد کریں.
- میں سے انتخاب کریں اپ لوڈ کریں اور منتخب کریں
maintenance_dataset.csv
فائل. - میں سے انتخاب کریں ڈیٹا درآمد کریں۔ اسے کینوس پر اپ لوڈ کرنے کے لیے۔
درآمد کے عمل میں تقریباً 10 سیکنڈ لگتے ہیں (یہ ڈیٹا سیٹ کے سائز کے لحاظ سے مختلف ہو سکتا ہے)۔ جب یہ مکمل ہو جائے گا، آپ دیکھ سکتے ہیں کہ ڈیٹا سیٹ موجود ہے۔ Ready
حیثیت.
اس بات کی تصدیق کرنے کے بعد کہ درآمد شدہ ڈیٹاسیٹ ہے۔ ready
، آپ اپنا ماڈل بنا سکتے ہیں۔
ماڈل بنائیں اور تربیت دیں۔
اپنا ماڈل بنانے اور تربیت دینے کے لیے، درج ذیل مراحل کو مکمل کریں:
- میں سے انتخاب کریں نئے ماڈل، اور اپنے ماڈل کے لیے ایک نام فراہم کریں۔
- میں سے انتخاب کریں تخلیق کریں.
- منتخب کریں
maintenance_dataset.csv
ڈیٹا سیٹ اور منتخب کریں۔ ڈیٹاسیٹ منتخب کریں.
ماڈل ویو میں، آپ چار ٹیبز دیکھ سکتے ہیں، جو ماڈل بنانے کے چار مراحل سے مطابقت رکھتے ہیں اور اسے پیشین گوئیاں بنانے کے لیے استعمال کرتے ہیں: منتخب کریں, تعمیر, تجزیہ، اور پیش گوئ کرنا۔. - پر منتخب کریں ٹیب، منتخب
maintenance_dataset.csv
ڈیٹا سیٹ جو آپ نے پہلے اپ لوڈ کیا تھا اور منتخب کیا تھا۔ ڈیٹاسیٹ منتخب کریں.
اس ڈیٹاسیٹ میں 9 کالم اور 10,000 قطاریں شامل ہیں۔ کینوس خود بخود تعمیر کے مرحلے میں چلا جاتا ہے۔ - اس ٹیب پر، ہمارے معاملے میں، ہدف کا کالم منتخب کریں۔ ناکامی کی قسم.دیکھ بھال کرنے والی ٹیم نے آپ کو مطلع کیا ہے کہ یہ کالم ان کی موجودہ مشینوں کے تاریخی ڈیٹا کی بنیاد پر عام طور پر نظر آنے والی ناکامیوں کی قسم کی نشاندہی کرتا ہے۔ یہ وہی ہے جو آپ اپنے ماڈل کو پیشن گوئی کرنے کی تربیت دینا چاہتے ہیں۔ کینوس خود بخود پتہ لگاتا ہے کہ یہ ایک ہے۔ 3 زمرہ مسئلہ (کے نام سے بھی جانا جاتا ہے۔ کثیر طبقاتی درجہ بندی)۔ اگر غلط ماڈل کی قسم کا پتہ چلا ہے، تو آپ اسے دستی طور پر تبدیل کر سکتے ہیں۔ قسم تبدیل کریں۔ آپشن.
واضح رہے کہ یہ ڈیٹاسیٹ No Failure کلاس کے حوالے سے انتہائی غیر متوازن ہے، جس کا نام کالم کو دیکھ کر دیکھا جا سکتا ہے۔ ناکامی کی قسم. اگرچہ کینوس اور آٹو ایم ایل کی بنیادی صلاحیتیں جزوی طور پر ڈیٹاسیٹ کے عدم توازن کو سنبھال سکتی ہیں، اس کے نتیجے میں کچھ ترچھی کارکردگی ہو سکتی ہے۔ ایک اضافی اگلے قدم کے طور پر، رجوع کریں۔ ایمیزون سیج میکر ڈیٹا رینگلر کے ساتھ مشین لرننگ کے لیے اپنے ڈیٹا کو بیلنس کریں۔. مشترکہ لنک میں درج مراحل پر عمل کرتے ہوئے، آپ ایک لانچ کر سکتے ہیں۔ ایمیزون سیج میکر اسٹوڈیو سیج میکر کنسول سے ایپ اور اس ڈیٹاسیٹ کو اندر سے درآمد کریں۔ ایمیزون سیج میکر ڈیٹا رینگلر اور بیلنس ڈیٹا ٹرانسفارمیشن کا استعمال کریں، پھر متوازن ڈیٹا سیٹ کو واپس کینوس پر لے جائیں اور درج ذیل اقدامات جاری رکھیں۔ ہم اس پوسٹ میں غیر متوازن ڈیٹاسیٹ کے ساتھ آگے بڑھ رہے ہیں تاکہ یہ ظاہر کیا جا سکے کہ کینوس غیر متوازن ڈیٹاسیٹ کو بھی سنبھال سکتا ہے۔
صفحہ کے نچلے نصف حصے میں، آپ ڈیٹا سیٹ کے کچھ اعدادوشمار کو دیکھ سکتے ہیں، بشمول گمشدہ اور مماثل اقدار، منفرد ویلز، اور اوسط اور درمیانی اقدار۔ آپ کچھ کالموں کو بھی چھوڑ سکتے ہیں اگر آپ انہیں صرف غیر منتخب کرکے پیشین گوئی کے لیے استعمال نہیں کرنا چاہتے ہیں۔
اس سیکشن کو دریافت کرنے کے بعد، یہ ماڈل کو تربیت دینے کا وقت ہے! ایک مکمل ماڈل بنانے سے پہلے، فوری ماڈل کی تربیت دے کر ماڈل کی کارکردگی کے بارے میں عمومی خیال رکھنا ایک اچھا عمل ہے۔ ایک فوری ماڈل درستگی پر رفتار کو ترجیح دینے کے لیے ماڈلز اور ہائپر پیرامیٹر کے کم امتزاج کو تربیت دیتا ہے، خاص طور پر ایسے معاملات میں جہاں آپ اپنے استعمال کے کیس کے لیے ML ماڈل کی تربیت کی قدر کو ثابت کرنا چاہتے ہیں۔ نوٹ کریں کہ فوری تعمیر کا اختیار 50,000 قطاروں سے بڑے ماڈلز کے لیے دستیاب نہیں ہے۔ - میں سے انتخاب کریں فوری تعمیر.
اب آپ 2 سے 15 منٹ تک کہیں بھی انتظار کریں۔ ایک بار مکمل ہوجانے کے بعد، کینوس خود بخود میں منتقل ہوجاتا ہے۔ تجزیہ آپ کو فوری تربیت کے نتائج دکھانے کے لیے ٹیب۔ فوری تعمیر کے تخمینے کا استعمال کرتے ہوئے کیا گیا تجزیہ یہ بتاتا ہے کہ آپ کا ماڈل ناکامی کی صحیح قسم (نتیجہ) 99.2٪ وقت کا اندازہ لگانے کے قابل ہے۔ آپ قدرے مختلف اقدار کا تجربہ کر سکتے ہیں۔ یہ متوقع ہے۔
آئیے پہلے ٹیب پر توجہ مرکوز کریں، مجموعی جائزہ. یہ وہ ٹیب ہے جو آپ کو دکھاتا ہے۔ کالم کا اثر، یا ہدف کالم کی پیشین گوئی کرنے میں ہر کالم کی تخمینی اہمیت۔ اس مثال میں، ٹارک [Nm] اور گردشی رفتار [rpm] کالموں کا یہ اندازہ لگانے میں سب سے اہم اثر پڑتا ہے کہ کس قسم کی ناکامی واقع ہوگی۔
ماڈل کی کارکردگی کا اندازہ کریں۔
جب آپ کو منتقل کریں اسکور آپ کے تجزیے کے حصے میں، آپ ایک پلاٹ دیکھ سکتے ہیں جو حقیقی اقدار کے حوالے سے ہماری پیش گوئی شدہ اقدار کی تقسیم کی نمائندگی کرتا ہے۔ نوٹ کریں کہ زیادہ تر ناکامیاں No Failure کے زمرے میں ہوں گی۔ اس بارے میں مزید جاننے کے لیے کہ کینوس کس طرح SHAP کی بنیادی خطوط کو ML میں وضاحت کی اہلیت لانے کے لیے استعمال کرتا ہے، ملاحظہ کریں۔ ایمیزون سیج میکر کینوس میں آپ کے ماڈل کی کارکردگی کا جائزہ لینا، اسی طرح وضاحت کے لیے SHAP بنیادی خطوط.
ٹریننگ سے پہلے کینوس اصل ڈیٹاسیٹ کو ٹرین اور توثیق سیٹ میں تقسیم کرتا ہے۔ اسکورنگ کینوس کے ماڈل کے خلاف توثیق سیٹ چلانے کا نتیجہ ہے۔ یہ ایک انٹرایکٹو انٹرفیس ہے جہاں آپ ناکامی کی قسم منتخب کر سکتے ہیں۔ اگر آپ انتخاب کرتے ہیں۔ اوورسٹرین کی ناکامی گرافک میں، آپ دیکھ سکتے ہیں کہ ماڈل ان 84% وقت کی شناخت کرتا ہے۔ اس پر کارروائی کرنے کے لیے یہ کافی اچھا ہے—شاید کسی آپریٹر یا انجینئر کو مزید چیک کریں۔ اپ انتخاب کرسکتے ہو بجلی کی ناکامی مزید تشریح اور اعمال کے لیے متعلقہ اسکورنگ دیکھنے کے لیے گرافک میں۔
آپ کو ناکامی کی اقسام میں دلچسپی ہو سکتی ہے اور ماڈل ان پٹس کی ایک سیریز کی بنیاد پر ناکامی کی اقسام کی کتنی اچھی طرح پیش گوئی کرتا ہے۔ نتائج کو قریب سے دیکھنے کے لیے، منتخب کریں۔ اعلی درجے کی میٹرکس. یہ ایک میٹرکس دکھاتا ہے جو آپ کو نتائج کو زیادہ قریب سے جانچنے کی اجازت دیتا ہے۔ ML میں، اسے کہا جاتا ہے a کنفیوژن میٹرکس.
یہ میٹرکس ڈومینیٹ کلاس کے لیے ڈیفالٹ ہے، کوئی ناکامی۔ پر کلاس مینو میں، آپ اوورسٹرین فیلور اور پاور فیلور کی دیگر دو ناکامی اقسام کے ایڈوانس میٹرکس دیکھنے کا انتخاب کر سکتے ہیں۔
ML میں، ماڈل کی درستگی کی تعریف درست پیشین گوئیوں کی تعداد کے طور پر کی جاتی ہے جو پیشین گوئیوں کی کل تعداد پر تقسیم ہوتی ہے۔ نیلے رنگ کے خانے درست پیشین گوئیوں کی نمائندگی کرتے ہیں جو ماڈل نے ٹیسٹ ڈیٹا کے ذیلی سیٹ کے خلاف کی تھی جہاں ایک معلوم نتیجہ تھا۔ یہاں ہم اس بات میں دلچسپی رکھتے ہیں کہ ماڈل نے کسی خاص مشین کی ناکامی کی قسم کی کتنی فیصد پیش گوئی کی (آئیے کہتے ہیں۔ کوئی ناکامی۔) جب یہ دراصل ناکامی کی قسم ہے (کوئی ناکامی۔)۔ ML میں، اس کی پیمائش کے لیے استعمال ہونے والا تناسب TP/ (TP + FN) ہے۔ اس کو کہا جاتا ہے۔ یاد. پہلے سے طے شدہ صورت میں، کوئی ناکامی نہیں، مجموعی طور پر 1,923 ریکارڈز میں سے 1,926 درست پیشین گوئیاں تھیں، جس کے نتیجے میں 99% یاد. متبادل طور پر، اوورسٹرین فیلور کی کلاس میں، 32 میں سے 38 تھے، جس کے نتیجے میں 84% یاد. آخر میں، پاور فیلور کی کلاس میں، 16 میں سے 19 تھے، جس کا نتیجہ 84% ہے۔ یاد.
اب، آپ کے پاس دو اختیارات ہیں:
- آپ اس ماڈل کو منتخب کر کے کچھ پیشین گوئیاں چلانے کے لیے استعمال کر سکتے ہیں۔ پیش گوئ کرنا۔.
- آپ اس ماڈل کا ایک نیا ورژن بنا سکتے ہیں تاکہ اس کے ساتھ تربیت حاصل کریں۔ معیاری تعمیر اختیار اس میں بہت زیادہ وقت لگے گا—تقریباً 1–2 گھنٹے—لیکن یہ زیادہ مضبوط ماڈل فراہم کرتا ہے کیونکہ یہ ڈیٹا، الگورتھم، اور ٹیوننگ تکرار کے مکمل آٹو ایم ایل جائزہ سے گزرتا ہے۔
چونکہ آپ ناکامیوں کی پیشین گوئی کرنے کی کوشش کر رہے ہیں، اور ماڈل 84% وقت میں ناکامیوں کی صحیح پیشین گوئی کرتا ہے، اس لیے آپ ممکنہ ناکامیوں کی شناخت کے لیے اعتماد کے ساتھ ماڈل کا استعمال کر سکتے ہیں۔ لہذا، آپ آپشن 1 پر آگے بڑھ سکتے ہیں۔ اگر آپ کو یقین نہیں تھا، تو آپ ڈیٹا سائنسدان سے کینوس کی ماڈلنگ کا جائزہ لے سکتے ہیں اور آپشن 2 کے ذریعے ممکنہ بہتری کی پیشکش کر سکتے ہیں۔
پیشین گوئیاں بنائیں
اب جب کہ ماڈل تربیت یافتہ ہے، آپ پیشین گوئیاں بنانا شروع کر سکتے ہیں۔
- میں سے انتخاب کریں پیش گوئ کرنا۔ کے نچلے حصے میں تجزیہ صفحہ، یا منتخب کریں پیش گوئ کرنا۔ ٹیب.
- میں سے انتخاب کریں ڈیٹاسیٹ منتخب کریں، اور منتخب کریں
maintenance_dataset.csv
فائل. - میں سے انتخاب کریں پیشین گوئیاں بنائیں.
کینوس اس ڈیٹاسیٹ کو ہماری پیشین گوئیاں بنانے کے لیے استعمال کرتا ہے۔ اگرچہ تربیت اور جانچ دونوں کے لیے ایک ہی ڈیٹاسیٹ کا استعمال نہ کرنا عام طور پر اچھا خیال ہے، لیکن آپ اس معاملے میں سادگی کی خاطر ایک ہی ڈیٹاسیٹ کا استعمال کر سکتے ہیں۔ متبادل طور پر، آپ اپنے اصل ڈیٹاسیٹ سے کچھ ریکارڈز ہٹا سکتے ہیں جو آپ تربیت کے لیے استعمال کرتے ہیں اور ان ریکارڈز کو CSV فائل میں استعمال کر سکتے ہیں اور اسے بیچ کی پیشین گوئی کے لیے یہاں فیڈ کر سکتے ہیں تاکہ آپ پوسٹ ٹریننگ کی جانچ کے لیے وہی ڈیٹا سیٹ استعمال نہ کریں۔
چند سیکنڈ کے بعد پیشین گوئی مکمل ہو جاتی ہے۔ کینوس ڈیٹا کی ہر قطار اور پیشین گوئی کے درست ہونے کا امکان واپس کرتا ہے۔ اپ انتخاب کرسکتے ہو پیش نظارہ پیشین گوئیاں دیکھنے کے لیے، یا منتخب کریں۔ لوڈ مکمل آؤٹ پٹ پر مشتمل CSV فائل ڈاؤن لوڈ کرنے کے لیے۔
آپ انتخاب کر کے ایک ایک اقدار کی پیشن گوئی کرنے کا بھی انتخاب کر سکتے ہیں۔ واحد پیشن گوئی بجائے بیچ کی پیشن گوئی. کینوس آپ کو ایک منظر دکھاتا ہے جہاں آپ دستی طور پر ہر خصوصیت کے لیے اقدار فراہم کر سکتے ہیں اور پیشین گوئی پیدا کر سکتے ہیں۔ یہ ایسے حالات کے لیے مثالی ہے جیسے کیا-اگر منظرنامے، مثال کے طور پر: ٹول پہننے سے ناکامی کی قسم پر کیا اثر پڑتا ہے؟ کیا ہوگا اگر عمل کا درجہ حرارت بڑھ جائے یا کم ہو جائے؟ اگر گردشی رفتار بدل جائے تو کیا ہوگا؟
معیاری تعمیر
۔ معیاری تعمیر آپشن رفتار سے زیادہ درستگی کا انتخاب کرتا ہے۔ اگر آپ ماڈل کے نمونے اپنے ڈیٹا سائنسدان اور ML انجینئرز کے ساتھ شیئر کرنا چاہتے ہیں، تو آپ اگلا ایک معیاری تعمیر بنا سکتے ہیں۔
- میں سے انتخاب کریں ورژن شامل کریں۔
- ایک نیا ورژن منتخب کریں اور منتخب کریں۔ معیاری تعمیر.
- معیاری تعمیر بنانے کے بعد، آپ ماڈل کو ڈیٹا سائنسدانوں اور ایم ایل انجینئرز کے ساتھ مزید جانچ اور تکرار کے لیے شیئر کر سکتے ہیں۔
صاف کرو
تاکہ مستقبل میں نقصان سے بچا جا سکے۔ سیشن چارجزکینوس سے لاگ آؤٹ کریں۔
نتیجہ
اس پوسٹ میں، ہم نے دکھایا کہ کس طرح ایک کاروباری تجزیہ کار مینٹیننس ڈیٹا کا استعمال کرتے ہوئے کینوس کے ساتھ مشین کی ناکامی کی قسم کا پیشن گوئی ماڈل بنا سکتا ہے۔ کینوس کاروباری تجزیہ کاروں جیسے کہ قابل اعتماد انجینئرز کو درست ML ماڈل بنانے اور بغیر کوڈ، بصری، پوائنٹ اور کلک انٹرفیس کا استعمال کرتے ہوئے پیشین گوئیاں پیدا کرنے کی اجازت دیتا ہے۔ تجزیہ کار ڈیٹا سائنسدان کے ساتھیوں کے ساتھ اپنے ماڈلز کا اشتراک کرکے اسے اگلی سطح پر لے جا سکتے ہیں۔ ڈیٹا سائنسدان سٹوڈیو میں کینوس ماڈل دیکھ سکتے ہیں، جہاں وہ کینوس کے بنائے گئے انتخاب کو تلاش کر سکتے ہیں، ماڈل کے نتائج کی توثیق کر سکتے ہیں، اور یہاں تک کہ چند کلکس کے ساتھ ماڈل کو پروڈکشن میں لے جا سکتے ہیں۔ یہ ML پر مبنی قدر کی تخلیق کو تیز کر سکتا ہے اور بہتر نتائج کو تیزی سے پیمانے میں مدد کر سکتا ہے۔
کینوس کے استعمال کے بارے میں مزید جاننے کے لیے، دیکھیں بنائیں، شیئر کریں، تعینات کریں: کس طرح کاروباری تجزیہ کار اور ڈیٹا سائنسدان بغیر کوڈ ML اور Amazon SageMaker Canvas کا استعمال کرتے ہوئے وقت سے مارکیٹ میں تیزی سے حاصل کرتے ہیں۔. بغیر کوڈ کے حل کے ساتھ ایم ایل ماڈل بنانے کے بارے میں مزید معلومات کے لیے، دیکھیں ایمیزون سیج میکر کینوس کا اعلان کرنا - کاروباری تجزیہ کاروں کے لیے ایک بصری، بغیر کوڈ مشین لرننگ کی صلاحیت.
مصنفین کے بارے میں
راجکمار سمپت کمار AWS میں ایک پرنسپل ٹیکنیکل اکاؤنٹ مینیجر ہے، جو صارفین کو کاروباری ٹیکنالوجی کی صف بندی کے بارے میں رہنمائی فراہم کرتا ہے اور ان کے کلاؤڈ آپریشن ماڈلز اور پراسیسز کو دوبارہ ایجاد کرنے میں معاونت کرتا ہے۔ وہ کلاؤڈ اور مشین لرننگ کے بارے میں پرجوش ہے۔ راج مشین لرننگ کا ماہر بھی ہے اور AWS صارفین کے ساتھ کام کرتا ہے تاکہ وہ اپنے AWS کام کے بوجھ اور فن تعمیر کو ڈیزائن، تعینات اور ان کا نظم کرے۔
ٹوان اٹکنز ایمیزون ویب سروسز کے لیے ایک سینئر حل آرکیٹیکٹ ہے۔ وہ زراعت، خوردہ، اور مینوفیکچرنگ صارفین کے ساتھ کاروباری مسائل کی نشاندہی کرنے اور قابل عمل اور قابل توسیع تکنیکی حل کی شناخت کے لیے پیچھے کی طرف کام کرنے کا ذمہ دار ہے۔ Twann 10 سال سے زیادہ عرصے سے صارفین کی منصوبہ بندی کرنے اور اہم کام کے بوجھ کو منتقل کرنے میں مدد کر رہا ہے جس کی حالیہ توجہ کل کے صارفین اور معماروں کے لیے تجزیات، مصنوعی ذہانت اور مشین لرننگ کو جمہوری بنانے پر ہے۔
اومکار مکدم ایمیزون ویب سروسز میں ایج سپیشلسٹ سولیوشن آرکیٹیکچر ہے۔ وہ فی الحال ایسے حل پر توجہ مرکوز کرتا ہے جو تجارتی صارفین کو AWS Edge سروس پیشکشوں کے ساتھ مؤثر طریقے سے ڈیزائن، تعمیر اور پیمانے کے قابل بناتا ہے جس میں AWS Snow Family شامل ہے لیکن ان تک محدود نہیں۔
- سکے سمارٹ۔ یورپ کا بہترین بٹ کوائن اور کرپٹو ایکسچینج۔
- پلیٹو بلاک چین۔ Web3 Metaverse انٹیلی جنس۔ علم میں اضافہ۔ مفت رسائی۔
- کرپٹو ہاک۔ Altcoin ریڈار. مفت جانچ.
- ماخذ: https://aws.amazon.com/blogs/machine-learning/predict-types-of-machine-failures-with-no-code-machine-learning-using-amazon-sagemaker-canvas/
- "
- 000
- 10
- 100
- 9
- a
- کی صلاحیت
- ہمارے بارے میں
- رفتار کو تیز تر
- تک رسائی حاصل
- اکاؤنٹ
- درست
- حاصل
- عمل
- اعمال
- ایڈیشنل
- منتظم
- منتظمین
- اعلی درجے کی
- کے خلاف
- زراعت
- یلگوردمز
- تمام
- کی اجازت دیتا ہے
- اگرچہ
- ایمیزون
- ایمیزون ویب سروسز
- تجزیہ
- تجزیہ
- تجزیہ کار
- تجزیاتی
- کہیں
- اپلی کیشن
- درخواست
- مناسب
- تقریبا
- فن تعمیر
- ارد گرد
- مصنوعی
- مصنوعی ذہانت
- مصنوعی انٹیلی جنس اور مشین سیکھنا
- تفویض
- منسلک
- اوصاف
- خود کار طریقے سے
- دستیاب
- AWS
- محور
- کیونکہ
- اس سے پہلے
- کیا جا رہا ہے
- بڑا
- سرحد
- لانے
- تعمیر
- عمارت
- کاروبار
- کاروبار
- کینوس
- صلاحیتوں
- کیس
- مقدمات
- قسم
- کچھ
- تبدیل
- انتخاب
- میں سے انتخاب کریں
- طبقے
- قریب
- بادل
- کوڈ
- ساتھیوں
- کالم
- کے مجموعے
- تجارتی
- کامن
- مکمل
- اعتماد
- کنسول
- پر مشتمل ہے
- جاری
- سکتا ہے
- تخلیق
- تخلیق
- مخلوق
- اہم
- اس وقت
- گاہکوں
- اعداد و شمار
- ڈیٹا سائنسدان
- تاخیر
- منحصر ہے
- تعیناتی
- ڈیزائن
- پتہ چلا
- ترقی
- DID
- مختلف
- دکھاتا ہے
- تقسیم
- ڈومین
- ڈاؤن لوڈ، اتارنا
- چھوڑ
- ہر ایک
- ایج
- مؤثر طریقے
- کے قابل بناتا ہے
- انجینئر
- انجینئرز
- خاص طور پر
- اندازے کے مطابق
- اندازوں کے مطابق
- اندازہ
- تشخیص
- مثال کے طور پر
- موجودہ
- توقع
- تجربہ
- تجربہ
- ماہرین
- تلاش
- اظہار
- ناکامی
- خاندان
- تیز تر
- نمایاں کریں
- پہلا
- توجہ مرکوز
- توجہ مرکوز
- پر عمل کریں
- کے بعد
- سے
- مکمل
- مزید
- مستقبل
- جنرل
- عام طور پر
- پیدا
- پیدا کرنے والے
- اچھا
- ہینڈل
- ہونے
- مدد
- مدد
- یہاں
- انتہائی
- تاریخی
- کس طرح
- HTTPS
- خیال
- مثالی
- شناخت
- اثر
- اہمیت
- بہتر
- بہتری
- شامل
- شامل ہیں
- سمیت
- صنعتوں
- معلومات
- مطلع
- بصیرت
- انٹیلی جنس
- انٹرایکٹو
- دلچسپی
- انٹرفیس
- تشریح
- IT
- جانا جاتا ہے
- بڑے
- شروع
- جانیں
- سیکھنے
- سطح
- لمیٹڈ
- لائن
- LINK
- فہرست
- مقامی
- دیکھو
- مشین
- مشین لرننگ
- مشینیں
- بنا
- دیکھ بھال
- بنا
- انتظام
- انتظام
- مینیجر
- مینیجنگ
- دستی طور پر
- مینوفیکچرنگ
- میٹرکس
- پیمائش
- درمیانہ
- پیمائش کا معیار
- ML
- ماڈل
- ماڈل
- زیادہ
- سب سے زیادہ
- منتقل
- اگلے
- کا کہنا
- تعداد
- پیش کرتے ہیں
- پیشکشیں
- آپریشن
- آپریٹر
- اختیار
- آپشنز کے بھی
- حکم
- تنظیم
- اصل
- دیگر
- مجموعی طور پر
- خود
- خاص طور پر
- جذباتی
- فیصد
- کارکردگی
- پرفارمنس
- مرحلہ
- پالیسیاں
- ممکن
- ممکنہ
- طاقت
- پریکٹس
- پیشن گوئی
- کی پیشن گوئی
- پیشن گوئی
- پرنسپل
- مسئلہ
- مسائل
- عمل
- عمل
- مصنوعات
- مصنوعات کا معیار
- پیداوار
- فراہم
- فراہم
- فراہم کرتا ہے
- فراہم کرنے
- معیار
- فوری
- لے کر
- حال ہی میں
- ریکارڈ
- کی نمائندگی
- نمائندگی
- ضرورت
- وسائل
- ذمہ دار
- نتائج کی نمائش
- خوردہ
- واپسی
- کا جائزہ لینے کے
- رن
- چل رہا ہے
- اسی
- توسیع پذیر
- پیمانے
- سائنسدان
- سائنسدانوں
- اسکورنگ
- سیکنڈ
- سیریل
- سیریز
- سروس
- سروسز
- مقرر
- کئی
- سیکنڈ اور
- مشترکہ
- اشتراک
- دکھائیں
- اہم
- ایک
- سائز
- برف
- So
- ٹھوس
- حل
- حل
- کچھ
- ماہر
- تیزی
- الگ ہوجاتا ہے
- معیار
- شروع کریں
- شروع
- کے اعداد و شمار
- درجہ
- سٹوڈیو
- امدادی
- ہدف
- ٹیم
- ٹیکنیکل
- ٹیسٹ
- ٹیسٹنگ
- ۔
- کے ذریعے
- بندھے ہوئے
- وقت
- کل
- کے آلے
- کی طرف
- ٹریننگ
- ٹرینوں
- تبدیلی
- اقسام
- عام طور پر
- منفرد
- استعمال کی شرائط
- صارفین
- توثیق
- قیمت
- ورژن
- لنک
- انتظار
- ویب
- ویب خدمات
- کیا
- کے اندر
- کام کر
- کام کرتا ہے
- گا
- سال
- اور