تنظیموں کے لیے مصنوعی ذہانت (AI) اور مشین لرننگ (ML) کے تیزی سے ارتقا پذیر منظرنامے میں مشین لرننگ آپریشنز (MLOps) پلیٹ فارم تیار کرنا ماڈل کی کارکردگی کے ارد گرد تقاضوں کو پورا کرتے ہوئے ڈیٹا سائنس کے تجربات اور تعیناتی کے درمیان خلا کو پر کرنے کے لیے ضروری ہے، سیکورٹی، اور تعمیل.
ریگولیٹری اور تعمیل کی ضروریات کو پورا کرنے کے لیے، اس طرح کے پلیٹ فارم کو ڈیزائن کرتے وقت کلیدی تقاضے یہ ہیں:
- ایڈریس ڈیٹا ڈرفٹ
- ماڈل کی کارکردگی کی نگرانی کریں۔
- خودکار ماڈل کی دوبارہ تربیت کی سہولت فراہم کریں۔
- ماڈل کی منظوری کے لیے ایک عمل فراہم کریں۔
- ماڈلز کو محفوظ ماحول میں رکھیں
اس پوسٹ میں، ہم دکھاتے ہیں کہ AWS سروسز اور تھرڈ پارٹی ٹول سیٹس کے امتزاج کا استعمال کرتے ہوئے ان ضروریات کو پورا کرنے کے لیے MLOps فریم ورک کیسے بنایا جائے۔ اس حل میں خودکار ماڈل ری ٹریننگ، بیچ کا اندازہ، اور نگرانی کے ساتھ ملٹی انوائرمنٹ سیٹ اپ شامل ہے۔ ایمیزون سیج میکر ماڈل مانیٹر، ماڈل ورژن کے ساتھ سیج میکر ماڈل رجسٹری، اور ایک CI/CD پائپ لائن کا استعمال کرتے ہوئے پورے ماحول میں ML کوڈ اور پائپ لائنوں کے فروغ میں سہولت فراہم کرنے کے لیے ایمیزون سیج میکر, ایمیزون ایونٹ برج, ایمیزون سادہ نوٹیفکیشن سروس (ایمیزون S3)، HashiCorp Terraform, GitHub کے، اور جینکنز CI/CD ہم میموگرافک ماس زخم کی شدت (سومی یا مہلک) کی پیش گوئی کرنے کے لیے ایک ماڈل بناتے ہیں XGBoost الگورتھم عوامی طور پر دستیاب کا استعمال کرتے ہوئے UCI میموگرافی ماس ڈیٹا سیٹ کریں اور اسے MLOps فریم ورک کا استعمال کرتے ہوئے تعینات کریں۔ کوڈ کے ساتھ مکمل ہدایات میں دستیاب ہیں۔ GitHub ذخیرہ.
حل جائزہ
مندرجہ ذیل آرکیٹیکچر ڈایاگرام مندرجہ ذیل کلیدی اجزاء کے ساتھ MLOps فریم ورک کا ایک جائزہ دکھاتا ہے:
- ملٹی اکاؤنٹ کی حکمت عملی - دو مختلف ماحول (dev اور prod) دو مختلف AWS اکاؤنٹس میں AWS Well-Architected بہترین طریقوں کے بعد ترتیب دیئے گئے ہیں، اور ایک تیسرا اکاؤنٹ مرکزی ماڈل رجسٹری میں ترتیب دیا گیا ہے:
- دیو ماحول - جہاں ایک ایمیزون سیج میکر اسٹوڈیو ڈومین ماڈل کی ترقی، ماڈل ٹریننگ، اور ML پائپ لائنز (ٹرین اور تخمینہ) کی جانچ کی اجازت دینے کے لیے قائم کیا گیا ہے، اس سے پہلے کہ کوئی ماڈل اعلیٰ ماحول میں فروغ دینے کے لیے تیار ہو۔
- پیداواری ماحول - جہاں dev سے ML پائپ لائنز کو پہلے قدم کے طور پر فروغ دیا جاتا ہے، اور وقت کے ساتھ ساتھ شیڈول اور نگرانی کی جاتی ہے۔
- سینٹرل ماڈل رجسٹری - ایمیزون سیج میکر ماڈل رجسٹری ڈیو اور پروڈ ماحول میں تیار کردہ ماڈل ورژن کو ٹریک کرنے کے لیے ایک علیحدہ AWS اکاؤنٹ میں ترتیب دیا گیا ہے۔
- CI/CD اور سورس کنٹرول - تمام ماحول میں ML پائپ لائنوں کی تعیناتی جینکنز کے ساتھ سیٹ اپ CI/CD کے ذریعے کی جاتی ہے، ساتھ ہی GitHub کے ذریعے سنبھالے گئے ورژن کنٹرول کے ساتھ۔ متعلقہ ماحول میں ضم ہونے والی کوڈ کی تبدیلیاں git برانچ دیے گئے ہدف والے ماحول میں مناسب تبدیلیاں کرنے کے لیے CI/CD ورک فلو کو متحرک کرتی ہیں۔
- بیچ کی پیشن گوئیاں ماڈل کی نگرانی کے ساتھ - انفرنس پائپ لائن جس کے ساتھ بنی ہے۔ ایمیزون سیج میکر پائپ لائنز ڈیٹا کے بڑھنے کا پتہ لگانے کے لیے SageMaker Model Monitor کا استعمال کرتے ہوئے ماڈل مانیٹرنگ کے ساتھ ساتھ پیشین گوئیاں پیدا کرنے کے لیے ایک طے شدہ بنیاد پر چلتا ہے۔
- خودکار دوبارہ تربیت کا طریقہ کار - سیج میکر پائپ لائنز کے ساتھ بنائی گئی ٹریننگ پائپ لائن جب بھی انفرنس پائپ لائن میں ڈیٹا کے بڑھنے کا پتہ چلتی ہے تو متحرک ہو جاتی ہے۔ اس کے تربیت یافتہ ہونے کے بعد، ماڈل کو مرکزی ماڈل رجسٹری میں رجسٹر کیا جاتا ہے تاکہ ماڈل منظور کنندہ کے ذریعہ منظور کیا جائے۔ جب اس کی منظوری ہو جاتی ہے، اپ ڈیٹ کردہ ماڈل ورژن کا استعمال انفرنس پائپ لائن کے ذریعے پیشین گوئیاں پیدا کرنے کے لیے کیا جاتا ہے۔
- بنیادی ڈھانچہ بطور کوڈ - بنیادی ڈھانچہ بطور کوڈ (IaC)، استعمال کرکے بنایا گیا۔ HashiCorp Terraform، ایونٹ برج کے ساتھ انفرنس پائپ لائن کے شیڈولنگ کی حمایت کرتا ہے، ٹرین پائپ لائن کو متحرک کرنے کی بنیاد پر ایونٹ برج کا اصول اور استعمال کرتے ہوئے اطلاعات بھیجنا ایمیزون سادہ نوٹیفکیشن سروس (ایمیزون ایس این ایس) موضوعات.
MLOps ورک فلو میں درج ذیل اقدامات شامل ہیں:
- ڈویلپمنٹ اکاؤنٹ میں سیج میکر اسٹوڈیو ڈومین تک رسائی حاصل کریں، GitHub ریپوزٹری کو کلون کریں، فراہم کردہ نمونہ ماڈل کا استعمال کرتے ہوئے ماڈل کی ترقی کے عمل سے گزریں، اور ٹرین اور انفرنس پائپ لائنز تیار کریں۔
- ٹرین پائپ لائن کو ڈویلپمنٹ اکاؤنٹ میں چلائیں، جو تربیت یافتہ ماڈل ورژن کے لیے ماڈل کے نمونے تیار کرتی ہے اور سینٹرل ماڈل رجسٹری اکاؤنٹ میں SageMaker ماڈل رجسٹری میں ماڈل کو رجسٹر کرتی ہے۔
- سنٹرل ماڈل رجسٹری اکاؤنٹ میں سیج میکر ماڈل رجسٹری میں ماڈل کو منظور کریں۔
- GitHub ریپوزٹری کی فیچر برانچ میں کوڈ (ٹرین اور انفرنس پائپ لائنز، اور EventBridge شیڈول، EventBridge اصول، اور SNS موضوع بنانے کے لیے Terraform IaC کوڈ) کو پش کریں۔ کوڈ کو گٹ ہب ریپوزٹری کی مین برانچ میں ضم کرنے کے لیے پل کی درخواست بنائیں۔
- جینکنز CI/CD پائپ لائن کو ٹرگر کریں، جو GitHub ریپوزٹری کے ساتھ ترتیب دی گئی ہے۔ CI/CD پائپ لائن ٹرین اور انفرنس پائپ لائنز بنانے کے لیے کوڈ کو پروڈ اکاؤنٹ میں تعینات کرتی ہے اور ساتھ ہی Terraform کوڈ کو EventBridge کے شیڈول، EventBridge کے اصول، اور SNS موضوع کی فراہمی کے لیے۔
- انفرنس پائپ لائن روزانہ کی بنیاد پر چلنے کے لیے طے شدہ ہے، جب کہ جب بھی انفرنس پائپ لائن سے ڈیٹا کے بہاؤ کا پتہ چلتا ہے تو ٹرین کی پائپ لائن کو چلانے کے لیے ترتیب دیا جاتا ہے۔
- جب بھی ٹرین یا انفرنس پائپ لائن میں کوئی خرابی ہوتی ہے تو SNS موضوع کے ذریعے اطلاعات بھیجی جاتی ہیں۔
شرائط
اس حل کے لیے، آپ کے پاس درج ذیل شرائط ہونی چاہئیں۔
- تین AWS اکاؤنٹس (dev، prod، اور مرکزی ماڈل رجسٹری اکاؤنٹس)
- تین AWS اکاؤنٹس میں سے ہر ایک میں سیٹ اپ ایک SageMaker اسٹوڈیو ڈومین (دیکھیں۔ ایمیزون سیج میکر اسٹوڈیو پر آن بورڈ یا ویڈیو دیکھیں ایمیزون سیج میکر اسٹوڈیو پر جلدی سے آن بورڈ سیٹ اپ ہدایات کے لیے)
- جینکنز (ہم جینکنز 2.401.1 استعمال کرتے ہیں) AWS پر نصب انتظامی مراعات کے ساتھ
- ٹیرافارم ورژن 1.5.5 یا اس کے بعد کا جینکنز سرور پر انسٹال ہے۔
اس پوسٹ کے لیے، ہم میں کام کرتے ہیں۔ us-east-1
حل کو تعینات کرنے کے لیے علاقہ۔
dev اور prod اکاؤنٹس میں KMS کلیدوں کی فراہمی
ہمارا پہلا قدم تخلیق کرنا ہے۔ AWS کلیدی انتظام کی خدمت (AWS KMS) dev اور prod اکاؤنٹس میں کلیدیں۔
دیو اکاؤنٹ میں ایک KMS کلید بنائیں اور پروڈ اکاؤنٹ تک رسائی دیں۔
دیو اکاؤنٹ میں KMS کلید بنانے کے لیے درج ذیل مراحل کو مکمل کریں:
- AWS KMS کنسول پر، منتخب کریں۔ گاہک کے زیر انتظام کلیدیں۔ نیوی گیشن پین میں.
- میں سے انتخاب کریں کلید بنائیں.
- کے لئے کلیدی قسممنتخب توازن.
- کے لئے کلیدی استعمالمنتخب انکرپٹ اور ڈکرپٹ.
- میں سے انتخاب کریں اگلے.
- پروڈکشن اکاؤنٹ کو ڈیو اکاؤنٹ میں فراہم کردہ KMS کلید تک رسائی دینے کے لیے پروڈکشن اکاؤنٹ نمبر درج کریں۔ یہ ایک ضروری مرحلہ ہے کیونکہ پہلی بار جب ماڈل کو دیو اکاؤنٹ میں تربیت دی جاتی ہے، تو ماڈل کے نمونے KMS کلید کے ساتھ مرموز کیے جاتے ہیں اس سے پہلے کہ سینٹرل ماڈل رجسٹری اکاؤنٹ میں S3 بالٹی میں لکھے جائیں۔ پروڈکشن اکاؤنٹ کو KMS کلید تک رسائی کی ضرورت ہوتی ہے تاکہ ماڈل آرٹفیکٹس کو ڈکرپٹ کیا جا سکے اور انفرنس پائپ لائن کو چلایا جا سکے۔
- میں سے انتخاب کریں اگلے اور اپنی کلید بنانا مکمل کریں۔
کلید کی فراہمی کے بعد، اسے AWS KMS کنسول پر نظر آنا چاہیے۔
پروڈ اکاؤنٹ میں KMS کلید بنائیں
پروڈ اکاؤنٹ میں گاہک کے زیر انتظام KMS کلید بنانے کے لیے پچھلے حصے میں انہی مراحل سے گزریں۔ آپ KMS کلید کو دوسرے اکاؤنٹ میں شیئر کرنے کے لیے مرحلہ چھوڑ سکتے ہیں۔
سنٹرل ماڈل رجسٹری اکاؤنٹ میں ایک ماڈل آرٹفیکٹس S3 بالٹی سیٹ کریں۔
تار کے ساتھ اپنی پسند کی S3 بالٹی بنائیں sagemaker
مرکزی ماڈل رجسٹری اکاؤنٹ میں بالٹی کے نام کے حصے کے طور پر نام سازی کنونشن میں، اور S3 بالٹی پر بالٹی کی پالیسی کو اپ ڈیٹ کریں تاکہ dev اور prod اکاؤنٹس دونوں سے S3 بالٹی میں ماڈل کے نمونے پڑھنے اور لکھنے کی اجازت دی جا سکے۔
درج ذیل کوڈ بالٹی پالیسی ہے جسے S3 بالٹی پر اپ ڈیٹ کیا جانا ہے۔
اپنے AWS اکاؤنٹس میں IAM رولز مرتب کریں۔
اگلا مرحلہ ترتیب دینا ہے۔ AWS شناخت اور رسائی کا انتظام (IAM) کی اجازت کے ساتھ آپ کے AWS اکاؤنٹس میں کردار او ڈبلیو ایس لامبڈا۔، سیج میکر، اور جینکنز۔
لیمبڈا پر عمل درآمد کا کردار
قائم لیمبڈا پر عمل درآمد کے کردار دیو اور پروڈ اکاؤنٹس میں، جو لیمبڈا فنکشن کے ذریعے استعمال کیا جائے گا جو کہ کے حصے کے طور پر چلایا جاتا ہے۔ سیج میکر پائپ لائنز لیمبڈا قدم. یہ مرحلہ انفرنس پائپ لائن سے جدید ترین منظور شدہ ماڈل لانے کے لیے چلے گا، جس کا استعمال کرتے ہوئے انفرنسز تیار کیے جاتے ہیں۔ نام دینے کے کنونشن کے ساتھ dev اور prod اکاؤنٹس میں IAM کردار بنائیں arn:aws:iam::<account-id>:role/lambda-sagemaker-role
اور درج ذیل IAM پالیسیاں منسلک کریں:
- پالیسی 1 - نام کی ایک ان لائن پالیسی بنائیں
cross-account-model-registry-access
، جو مرکزی اکاؤنٹ میں ماڈل رجسٹری میں سیٹ اپ ماڈل پیکیج تک رسائی فراہم کرتا ہے: - پالیسی 2 - منسلک کریں۔ AmazonSageMakerFullAccess، جو ایک ہے AWS کے زیر انتظام پالیسی جو SageMaker تک مکمل رسائی فراہم کرتا ہے۔ یہ متعلقہ خدمات تک منتخب رسائی بھی فراہم کرتا ہے، جیسے AWS ایپلیکیشن آٹو اسکیلنگ, Amazon S3 ایمیزون لچکدار کنٹینر رجسٹری (ایمیزون ای سی آر)، اور ایمیزون کلاؤڈ واچ لاگز.
- پالیسی 3 - منسلک کریں۔ AWSLambda_FullAccessجو کہ AWS کے زیر انتظام پالیسی ہے جو Lambda، Lambda کنسول کی خصوصیات، اور دیگر متعلقہ AWS سروسز تک مکمل رسائی فراہم کرتی ہے۔
- پالیسی 4 - IAM کردار کے لیے درج ذیل IAM ٹرسٹ پالیسی کا استعمال کریں:
سیج میکر پر عمل درآمد کا کردار
سیج میکر اسٹوڈیو ڈومینز جو ڈیو اور پروڈ اکاؤنٹس میں ترتیب دیئے گئے ہیں، ان میں سے ہر ایک کا ایک عملدرآمد کردار ہونا چاہیے، جو ڈومین کی ترتیبات ڈومین کی تفصیلات کے صفحہ پر ٹیب، جیسا کہ درج ذیل اسکرین شاٹ میں دکھایا گیا ہے۔ یہ کردار سیج میکر اسٹوڈیو ڈومین کے اندر تربیتی جابز، پروسیسنگ جابز، اور بہت کچھ چلانے کے لیے استعمال کیا جاتا ہے۔
دونوں اکاؤنٹس میں SageMaker کے ایگزیکیوشن رول میں درج ذیل پالیسیاں شامل کریں:
- پالیسی 1 - نام کی ایک ان لائن پالیسی بنائیں
cross-account-model-artifacts-s3-bucket-access
، جو مرکزی ماڈل رجسٹری اکاؤنٹ میں S3 بالٹی تک رسائی فراہم کرتا ہے، جو ماڈل نمونے کو ذخیرہ کرتا ہے: - پالیسی 2 - نام کی ایک ان لائن پالیسی بنائیں
cross-account-model-registry-access
، جو سنٹرل ماڈل رجسٹری اکاؤنٹ میں ماڈل رجسٹری میں ماڈل پیکیج تک رسائی فراہم کرتا ہے: - پالیسی 3 - نام کی ایک ان لائن پالیسی بنائیں
kms-key-access-policy
، جو پچھلے مرحلے میں تخلیق کردہ KMS کلید تک رسائی فراہم کرتا ہے۔ وہ اکاؤنٹ ID فراہم کریں جس میں پالیسی بنائی جا رہی ہے اور اس اکاؤنٹ میں بنائی گئی KMS کلیدی ID فراہم کریں۔ - پالیسی 4 - منسلک کریں۔ AmazonSageMakerFullAccess، جو ایک ہے AWS کے زیر انتظام پالیسی جو SageMaker تک مکمل رسائی فراہم کرتا ہے اور متعلقہ خدمات تک رسائی کا انتخاب کرتا ہے۔
- پالیسی 5 - منسلک کریں۔ AWSLambda_FullAccessجو کہ AWS کے زیر انتظام پالیسی ہے جو Lambda، Lambda کنسول کی خصوصیات، اور دیگر متعلقہ AWS سروسز تک مکمل رسائی فراہم کرتی ہے۔
- پالیسی 6 - منسلک کریں۔ CloudWatchEventsFullAccessجو کہ AWS کے زیر انتظام پالیسی ہے جو CloudWatch ایونٹس تک مکمل رسائی فراہم کرتی ہے۔
- پالیسی 7 - SageMaker کے ایگزیکیوشن IAM رول کے لیے درج ذیل IAM ٹرسٹ پالیسی شامل کریں:
- پالیسی 8 (پروڈ اکاؤنٹ میں سیج میکر کے ایگزیکیوشن رول کے لیے مخصوص) - نام کی ایک ان لائن پالیسی بنائیں
cross-account-kms-key-access-policy
، جو dev اکاؤنٹ میں تخلیق کردہ KMS کلید تک رسائی فراہم کرتا ہے۔ سنٹرل ماڈل رجسٹری اکاؤنٹ میں اسٹور کردہ ماڈل آرٹفیکٹس کو پڑھنے کے لیے انفرنس پائپ لائن کے لیے اس کی ضرورت ہوتی ہے جہاں ڈیو اکاؤنٹ سے ماڈل کا پہلا ورژن بننے پر ڈیو اکاؤنٹ سے KMS کلید کا استعمال کرتے ہوئے ماڈل آرٹفیکٹس کو انکرپٹ کیا جاتا ہے۔
کراس اکاؤنٹ جینکنز کا کردار
نام کا ایک IAM کردار ترتیب دیں۔ cross-account-jenkins-role
پروڈ اکاؤنٹ میں، جسے جینکنز ML پائپ لائنز اور متعلقہ انفراسٹرکچر کو پروڈ اکاؤنٹ میں تعینات کرنے کا فرض کریں گے۔
مندرجہ ذیل منظم IAM پالیسیوں کو کردار میں شامل کریں:
CloudWatchFullAccess
AmazonS3FullAccess
AmazonSNSFullAccess
AmazonSageMakerFullAccess
AmazonEventBridgeFullAccess
AWSLambda_FullAccess
جینکنز سرور کی میزبانی کرنے والے AWS اکاؤنٹ کو اجازت دینے کے لیے کردار پر اعتماد کے رشتے کو اپ ڈیٹ کریں:
جینکنز سرور سے وابستہ IAM رول پر اجازتوں کو اپ ڈیٹ کریں۔
یہ فرض کرتے ہوئے کہ جینکنز کو AWS پر ترتیب دیا گیا ہے، درج ذیل پالیسیوں کو شامل کرنے کے لیے جینکنز کے ساتھ وابستہ IAM کردار کو اپ ڈیٹ کریں، جس سے جینکنز کو وسائل کو پروڈ اکاؤنٹ میں تعینات کرنے تک رسائی ملے گی۔
- پالیسی 1 - درج ذیل نام کی ان لائن پالیسی بنائیں
assume-production-role-policy
: - پالیسی 2 - منسلک کریں۔
CloudWatchFullAccess
منظم IAM پالیسی۔
سنٹرل ماڈل رجسٹری اکاؤنٹ میں ماڈل پیکیج گروپ سیٹ اپ کریں۔
سنٹرل ماڈل رجسٹری اکاؤنٹ میں سیج میکر اسٹوڈیو ڈومین سے، ایک ماڈل پیکیج گروپ بنائیں جسے کہا جاتا ہے۔ mammo-severity-model-package
درج ذیل کوڈ کا ٹکڑا استعمال کرتے ہوئے (جسے آپ Jupyter نوٹ بک کے ذریعے چلا سکتے ہیں):
dev اور prod اکاؤنٹس میں IAM کرداروں کے لیے ماڈل پیکیج تک رسائی سیٹ اپ کریں۔
dev اور prod اکاؤنٹس میں بنائے گئے SageMaker کے عمل درآمد کے کردار تک رسائی کی فراہمی تاکہ آپ ماڈل پیکیج کے اندر ماڈل ورژن رجسٹر کر سکیں mammo-severity-model-package
دونوں کھاتوں سے مرکزی ماڈل رجسٹری میں۔ سینٹرل ماڈل رجسٹری اکاؤنٹ میں سیج میکر اسٹوڈیو ڈومین سے، Jupyter نوٹ بک میں درج ذیل کوڈ کو چلائیں:
جینکنز کو ترتیب دیں۔
اس سیکشن میں، ہم جینکنز کو جینکنز CI/CD پائپ لائن کے ذریعے پروڈ اکاؤنٹ میں ML پائپ لائنز اور متعلقہ Terraform انفراسٹرکچر بنانے کے لیے ترتیب دیتے ہیں۔
- CloudWatch کنسول پر، نام کا ایک لاگ گروپ بنائیں
jenkins-log
پروڈ اکاؤنٹ کے اندر جس میں جینکنز CI/CD پائپ لائن سے لاگز کو آگے بڑھائیں گے۔ لاگ گروپ کو اسی علاقے میں بنایا جانا چاہیے جہاں جینکنز سرور قائم کیا گیا ہے۔ - درج ذیل پلگ ان انسٹال کریں۔ آپ کے جینکنز سرور پر:
- کراس اکاؤنٹ IAM رول کا استعمال کرتے ہوئے جینکنز میں AWS اسناد مرتب کریں (
cross-account-jenkins-role
) پروڈ اکاؤنٹ میں فراہم کی گئی ہے۔ - کے لئے سسٹم کی ترتیبمنتخب کریں AWS.
- اسناد اور CloudWatch لاگ گروپ فراہم کریں جو آپ نے پہلے بنایا تھا۔
- جینکنز کے اندر GitHub اسناد مرتب کریں۔
- جینکنز میں ایک نیا پروجیکٹ بنائیں۔
- پروجیکٹ کا نام درج کریں اور منتخب کریں۔ پائپ لائن.
- پر جنرل ٹیب، منتخب کریں گٹ ہب پروجیکٹ اور کانٹے دار داخل کریں۔ GitHub ذخیرہ یو آر ایل.
- منتخب کریں یہ منصوبہ پیرامیٹرائزڈ ہے۔.
- پر پیرامیٹر شامل کریں۔ مینو، منتخب کریں سٹرنگ پیرامیٹر.
- کے لئے نام، داخل کریں
prodAccount
. - کے لئے پہلے سے طے شدہ قیمتپروڈ اکاؤنٹ ID درج کریں۔
- کے تحت اعلی درجے کے پروجیکٹ کے اختیارات، کے لئے ڈیفینیشنمنتخب SCM سے پائپ لائن اسکرپٹ.
- کے لئے SCMمنتخب کریں جاؤ.
- کے لئے ذخیرہ URL، کانٹے دار داخل کریں۔ GitHub ذخیرہ یو آر ایل.
- کے لئے اسناد، جینکنز میں محفوظ کردہ GitHub اسناد درج کریں۔
- درج
main
میں تعمیر کرنے کے لئے شاخیں سیکشن، جس کی بنیاد پر CI/CD پائپ لائن کو متحرک کیا جائے گا۔ - کے لئے اسکرپٹ کا راستہ، داخل کریں
Jenkinsfile
. - میں سے انتخاب کریں محفوظ کریں.
جینکنز پائپ لائن بنائی جانی چاہیے اور آپ کے ڈیش بورڈ پر نظر آنی چاہیے۔
S3 بالٹیاں فراہم کریں، ڈیٹا اکٹھا کریں اور تیار کریں۔
اپنی S3 بالٹیاں اور ڈیٹا سیٹ اپ کرنے کے لیے درج ذیل مراحل کو مکمل کریں:
- تار کے ساتھ اپنی پسند کی S3 بالٹی بنائیں
sagemaker
ڈیٹاسیٹس اور ماڈل آرٹفیکٹس کو ذخیرہ کرنے کے لیے dev اور prod اکاؤنٹس دونوں میں بالٹی کے نام کے حصے کے طور پر نام دینے کے کنونشن میں۔ - پروڈ اکاؤنٹ میں Terraform حالت کو برقرار رکھنے کے لیے S3 بالٹی سیٹ کریں۔
- عوامی طور پر دستیاب کو ڈاؤن لوڈ اور محفوظ کریں۔ UCI میموگرافی ماس S3 بالٹی کا ڈیٹاسیٹ جو آپ نے پہلے dev اکاؤنٹ میں بنایا تھا۔
- کانٹا اور کلون GitHub ذخیرہ دیو اکاؤنٹ میں سیج میکر اسٹوڈیو ڈومین کے اندر۔ ریپو میں درج ذیل فولڈر کا ڈھانچہ ہے:
- / environments - پروڈ ماحول کے لیے کنفیگریشن اسکرپٹ
- /mlops-infra - Terraform کوڈ کا استعمال کرتے ہوئے AWS خدمات کی تعیناتی کا کوڈ
- /پائپ لائنز - سیج میکر پائپ لائن کے اجزاء کے لیے کوڈ
- جینکنز فائل - جینکنز CI/CD پائپ لائن کے ذریعے تعینات کرنے کے لیے اسکرپٹ
- setup.py - مطلوبہ ازگر کے ماڈیولز کو انسٹال کرنے اور رن پائپ لائن کمانڈ بنانے کی ضرورت ہے۔
- mammography-severity-modeling.ipynb - آپ کو ایم ایل ورک فلو بنانے اور چلانے کی اجازت دیتا ہے۔
- کلون شدہ GitHub ریپوزٹری فولڈر میں ڈیٹا نامی فولڈر بنائیں اور عوامی طور پر دستیاب کی ایک کاپی محفوظ کریں۔ UCI میموگرافی ماس ڈیٹاسیٹ
- Jupyter نوٹ بک پر عمل کریں۔
mammography-severity-modeling.ipynb
. - ڈیٹا سیٹ کو پری پروسیس کرنے کے لیے نوٹ بک میں درج ذیل کوڈ کو چلائیں اور اسے دیو اکاؤنٹ میں S3 بالٹی پر اپ لوڈ کریں:
کوڈ درج ذیل ڈیٹاسیٹس تیار کرے گا:
-
- data/mammo-train-dataset-part1.csv - ماڈل کے پہلے ورژن کی تربیت کے لیے استعمال کیا جائے گا۔
- data/mammo-train-dataset-part2.csv - mammo-train-dataset-part1.csv ڈیٹاسیٹ کے ساتھ ماڈل کے دوسرے ورژن کو تربیت دینے کے لیے استعمال کیا جائے گا۔
- data/mammo-batch-dataset.csv - تخمینہ پیدا کرنے کے لیے استعمال کیا جائے گا۔
- data/mammo-batch-dataset-outliers.csv - انفرنس پائپ لائن کو ناکام کرنے کے لیے ڈیٹاسیٹ میں آؤٹ لیرز کو متعارف کرائے گا۔ یہ ہمیں ماڈل کی خودکار دوبارہ تربیت کو متحرک کرنے کے لیے پیٹرن کی جانچ کرنے کے قابل بنائے گا۔
- ڈیٹا سیٹ اپ لوڈ کریں۔
mammo-train-dataset-part1.csv
سابقہ کے تحتmammography-severity-model/train-dataset
، اور ڈیٹا سیٹ اپ لوڈ کریں۔mammo-batch-dataset.csv
اورmammo-batch-dataset-outliers.csv
سابقہ تکmammography-severity-model/batch-dataset
دیو اکاؤنٹ میں تخلیق کردہ S3 بالٹی کا: - ڈیٹا سیٹ اپ لوڈ کریں۔
mammo-train-dataset-part1.csv
اورmammo-train-dataset-part2.csv
سابقہ کے تحتmammography-severity-model/train-dataset
Amazon S3 کنسول کے ذریعے پروڈ اکاؤنٹ میں تخلیق کردہ S3 بالٹی میں۔ - ڈیٹا سیٹ اپ لوڈ کریں۔
mammo-batch-dataset.csv
اورmammo-batch-dataset-outliers.csv
سابقہ تکmammography-severity-model/batch-dataset
پروڈ اکاؤنٹ میں S3 بالٹی کا۔
ٹرین کی پائپ لائن چلائیں۔
کے تحت <project-name>/pipelines/train
، آپ مندرجہ ذیل Python اسکرپٹ دیکھ سکتے ہیں:
- scripts/raw_preprocess.py - فیچر انجینئرنگ کے لیے سیج میکر پروسیسنگ کے ساتھ ضم ہوتا ہے۔
- scripts/evaluate_model.py - اس معاملے میں، ماڈل میٹرکس کے حساب کتاب کی اجازت دیتا ہے۔
auc_score
- train_pipeline.py - ماڈل ٹریننگ پائپ لائن کے کوڈ پر مشتمل ہے۔
درج ذیل مراحل کو مکمل کریں:
- ایمیزون S3 میں اسکرپٹس اپ لوڈ کریں:
- ٹرین پائپ لائن کی مثال حاصل کریں:
- ٹرین پائپ لائن جمع کروائیں اور اسے چلائیں:
مندرجہ ذیل اعداد و شمار تربیتی پائپ لائن کے کامیاب رن کو ظاہر کرتا ہے۔ پائپ لائن میں آخری مرحلہ ماڈل کو مرکزی ماڈل رجسٹری اکاؤنٹ میں رجسٹر کرتا ہے۔
سنٹرل ماڈل رجسٹری میں ماڈل کو منظور کریں۔
سینٹرل ماڈل رجسٹری اکاؤنٹ میں لاگ ان کریں اور SageMaker اسٹوڈیو ڈومین کے اندر SageMaker ماڈل رجسٹری تک رسائی حاصل کریں۔ ماڈل ورژن کی حیثیت کو منظور شدہ میں تبدیل کریں۔
ایک بار منظور ہونے کے بعد، ماڈل ورژن پر سٹیٹس کو تبدیل کیا جانا چاہیے۔
انفرنس پائپ لائن چلائیں (اختیاری)
اس قدم کی ضرورت نہیں ہے لیکن آپ پھر بھی دیو اکاؤنٹ میں پیشین گوئیاں پیدا کرنے کے لیے انفرنس پائپ لائن چلا سکتے ہیں۔
کے تحت <project-name>/pipelines/inference
، آپ مندرجہ ذیل Python اسکرپٹ دیکھ سکتے ہیں:
- scripts/lambda_helper.py - SageMaker Pipelines Lambda قدم کا استعمال کرتے ہوئے سنٹرل ماڈل رجسٹری اکاؤنٹ سے جدید ترین منظور شدہ ماڈل ورژن کھینچتا ہے۔
- inference_pipeline.py - ماڈل انفرنس پائپ لائن کے لیے کوڈ پر مشتمل ہے۔
درج ذیل مراحل کو مکمل کریں:
- اسکرپٹ کو S3 بالٹی پر اپ لوڈ کریں:
- عام بیچ ڈیٹاسیٹ کا استعمال کرتے ہوئے انفرنس پائپ لائن مثال حاصل کریں:
- انفرنس پائپ لائن جمع کروائیں اور اسے چلائیں:
مندرجہ ذیل اعداد و شمار انفرنس پائپ لائن کے کامیاب رن کو ظاہر کرتا ہے۔ پائپ لائن میں آخری مرحلہ پیشین گوئیاں تیار کرتا ہے اور انہیں S3 بالٹی میں محفوظ کرتا ہے۔ ہم استعمال کرتے ہیں مانیٹر بیچ ٹرانسفارم سٹیپ بیچ ٹرانسفارم جاب میں آدانوں کی نگرانی کے لیے۔ اگر کوئی آؤٹ لیرز ہیں تو، انفرنس پائپ لائن ناکام حالت میں چلی جاتی ہے۔
جینکنز پائپ لائن چلائیں۔
۔ environment/
GitHub ریپوزٹری کے اندر موجود فولڈر میں پروڈ اکاؤنٹ کے لیے کنفیگریشن اسکرپٹ ہوتا ہے۔ جینکنز پائپ لائن کو متحرک کرنے کے لیے درج ذیل اقدامات کو مکمل کریں:
- تشکیل اسکرپٹ کو اپ ڈیٹ کریں۔
prod.tfvars.json
پچھلے مراحل میں بنائے گئے وسائل کی بنیاد پر: - ایک بار اپ ڈیٹ ہونے کے بعد، کوڈ کو فورکڈ GitHub ریپوزٹری میں دھکیلیں اور کوڈ کو مین برانچ میں ضم کر دیں۔
- جینکنز UI پر جائیں، منتخب کریں۔ پیرامیٹرز کے ساتھ بنائیں، اور پچھلے مراحل میں بنائی گئی CI/CD پائپ لائن کو متحرک کریں۔
جب تعمیر مکمل اور کامیاب ہو جاتی ہے، تو آپ پروڈ اکاؤنٹ میں لاگ ان کر سکتے ہیں اور سیج میکر اسٹوڈیو ڈومین کے اندر ٹرین اور انفرنس پائپ لائنز دیکھ سکتے ہیں۔
مزید برآں، آپ کو پروڈ اکاؤنٹ میں EventBridge کنسول پر EventBridge کے تین اصول نظر آئیں گے:
- انفرنس پائپ لائن کو شیڈول کریں۔
- ٹرین پائپ لائن پر ناکامی کی اطلاع بھیجیں۔
- جب انفرنس پائپ لائن ٹرین پائپ لائن کو متحرک کرنے میں ناکام ہو جائے تو ایک اطلاع بھیجیں۔
آخر میں، آپ Amazon SNS کنسول پر ایک SNS نوٹیفکیشن کا موضوع دیکھیں گے جو ای میل کے ذریعے اطلاعات بھیجتا ہے۔ آپ کو ایک ای میل موصول ہوگی جس میں آپ سے ان اطلاعی ای میلز کی منظوری کی تصدیق کرنے کو کہا جائے گا۔
آؤٹ لیرز کے بغیر بیچ ڈیٹاسیٹ کا استعمال کرتے ہوئے انفرنس پائپ لائن کی جانچ کریں۔
یہ جانچنے کے لیے کہ آیا انفرنس پائپ لائن پروڈ اکاؤنٹ میں توقع کے مطابق کام کر رہی ہے، ہم پروڈ اکاؤنٹ میں لاگ ان کر سکتے ہیں اور آؤٹ لیرز کے بغیر بیچ ڈیٹاسیٹ کا استعمال کرتے ہوئے انفرنس پائپ لائن کو متحرک کر سکتے ہیں۔
پروڈ اکاؤنٹ کے سیج میکر اسٹوڈیو ڈومین میں سیج میکر پائپ لائنز کنسول کے ذریعے پائپ لائن چلائیں، جہاں transform_input
ڈیٹاسیٹ کا S3 URI ہوگا بغیر آؤٹ لیرز کے (s3://<s3-bucket-in-prod-account>/mammography-severity-model/data/mammo-batch-dataset.csv
).
انفرنس پائپ لائن کامیاب ہو جاتی ہے اور پیشین گوئیوں کو واپس S3 بالٹی میں لکھ دیتی ہے۔
آؤٹ لیرز کے ساتھ بیچ ڈیٹاسیٹ کا استعمال کرتے ہوئے انفرنس پائپ لائن کی جانچ کریں۔
آپ آؤٹلیئرز کے ساتھ بیچ ڈیٹاسیٹ کا استعمال کرتے ہوئے انفرنس پائپ لائن چلا سکتے ہیں تاکہ یہ چیک کیا جا سکے کہ آیا خودکار دوبارہ تربیت کا طریقہ کار توقع کے مطابق کام کرتا ہے۔
پروڈ اکاؤنٹ کے سیج میکر اسٹوڈیو ڈومین میں سیج میکر پائپ لائنز کنسول کے ذریعے پائپ لائن چلائیں، جہاں transform_input
آؤٹ لیرز کے ساتھ ڈیٹاسیٹ کا S3 URI ہوگا (s3://<s3-bucket-in-prod-account>/mammography-severity-model/data/mammo-batch-dataset-outliers.csv
).
تخمینہ پائپ لائن توقع کے مطابق ناکام ہو جاتی ہے، جو ایونٹ برج کے اصول کو متحرک کرتی ہے، جس کے نتیجے میں ٹرین کی پائپ لائن متحرک ہو جاتی ہے۔
چند لمحوں کے بعد، آپ کو سیج میکر پائپ لائنز کنسول پر ٹرین کی پائپ لائن کا ایک نیا رن نظر آنا چاہیے، جو ٹرین کے دو مختلف ڈیٹا سیٹس (mammo-train-dataset-part1.csv
اور mammo-train-dataset-part2.csv
ماڈل کو دوبارہ تربیت دینے کے لیے S3 بالٹی پر اپ لوڈ کیا گیا۔
آپ کو ایس این ایس موضوع پر سبسکرائب کردہ ای میل پر بھیجی گئی ایک اطلاع بھی نظر آئے گی۔
اپ ڈیٹ شدہ ماڈل ورژن استعمال کرنے کے لیے، سنٹرل ماڈل رجسٹری اکاؤنٹ میں لاگ ان کریں اور ماڈل ورژن کو منظور کریں، جو شیڈول کردہ EventBridge اصول کے ذریعے شروع ہونے والی انفرنس پائپ لائن کے اگلے رن کے دوران اٹھایا جائے گا۔
اگرچہ ٹرین اور انفرنس پائپ لائنز ایک جامد ڈیٹاسیٹ URL کا استعمال کرتی ہیں، لیکن آپ ڈیٹاسیٹ URL کو ٹرین اور انفرنس پائپ لائنز کو متحرک متغیر کے طور پر پاس کر سکتے ہیں تاکہ ماڈل کو دوبارہ تربیت دینے اور حقیقی دنیا کے منظر نامے میں پیشین گوئیاں پیدا کرنے کے لیے اپ ڈیٹ کردہ ڈیٹا سیٹس کا استعمال کیا جا سکے۔
صاف کرو
مستقبل کے چارجز سے بچنے کے لیے، درج ذیل اقدامات مکمل کریں:
- تمام AWS اکاؤنٹس سے سیج میکر اسٹوڈیو ڈومین کو ہٹا دیں۔
- SageMaker کے باہر بنائے گئے تمام وسائل کو حذف کریں، بشمول S3 بالٹیاں، IAM رولز، EventBridge قواعد، اور SNS موضوع پروڈ اکاؤنٹ میں Terraform کے ذریعے ترتیب دیا گیا ہے۔
- کا استعمال کرتے ہوئے اکاؤنٹس میں بنائی گئی سیج میکر پائپ لائنوں کو حذف کریں۔ AWS کمانڈ لائن انٹرفیس (AWS CLI)۔
نتیجہ
تنظیموں کو اکثر مختلف فنکشنل شعبوں اور ٹیموں میں تعاون کو فعال کرنے کے لیے انٹرپرائز کے وسیع ٹول سیٹس کے ساتھ سیدھ میں لانے کی ضرورت ہوتی ہے۔ یہ تعاون اس بات کو یقینی بناتا ہے کہ آپ کا MLOps پلیٹ فارم بدلتی ہوئی کاروباری ضروریات کے مطابق ڈھال سکتا ہے اور تمام ٹیموں میں ML کو اپنانے میں تیزی لاتا ہے۔ اس پوسٹ میں بتایا گیا ہے کہ ایک کثیر ماحول کے سیٹ اپ میں ایم ایل او پیز کا فریم ورک کیسے بنایا جائے تاکہ ایمیزون سیج میکر ماڈل مانیٹر کے ساتھ خودکار ماڈل ری ٹریننگ، بیچ انفرنس، اور مانیٹرنگ، سیج میکر ماڈل رجسٹری کے ساتھ ماڈل ورژننگ، اور ایم ایل کوڈ اور پائپ لائنز کی تشہیر CI/CD پائپ لائن۔ ہم نے اس حل کو AWS سروسز اور تھرڈ پارٹی ٹول سیٹس کے امتزاج کا استعمال کرتے ہوئے دکھایا۔ اس حل کو نافذ کرنے کی ہدایات کے لیے، دیکھیں GitHub ذخیرہ. آپ اپنے ڈیٹا کے ذرائع اور ماڈلنگ کے فریم ورک کو لا کر بھی اس حل کو بڑھا سکتے ہیں۔
مصنفین کے بارے میں
گایتری گھاناکوٹا AWS پروفیشنل سروسز کے ساتھ ایک سینئر مشین لرننگ انجینئر ہے۔ وہ مختلف ڈومینز میں AI/ML حل تیار کرنے، تعینات کرنے اور اس کی وضاحت کرنے کا شوق رکھتی ہے۔ اس کردار سے پہلے، اس نے ایک ڈیٹا سائنسدان اور ایم ایل انجینئر کے طور پر مالیاتی اور خوردہ جگہ میں اعلی عالمی فرموں کے ساتھ متعدد اقدامات کی قیادت کی۔ اس نے یونیورسٹی آف کولوراڈو، بولڈر سے ڈیٹا سائنس میں کمپیوٹر سائنس میں ماسٹر کی ڈگری حاصل کی ہے۔
سنیتا کوپر اے ڈبلیو ایس پروفیشنل سروسز کے ساتھ ایک سینئر ڈیٹا لیک آرکیٹیکٹ ہے۔ وہ بڑے ڈیٹا پر کارروائی کرتے ہوئے کسٹمر کے درد کے نکات کو حل کرنے اور طویل مدتی توسیع پذیر حل فراہم کرنے کے بارے میں پرجوش ہے۔ اس کردار سے پہلے، اس نے انٹرنیٹ، ٹیلی کام، اور آٹوموٹیو ڈومینز میں مصنوعات تیار کیں، اور وہ AWS کسٹمر رہی ہیں۔ اس نے یونیورسٹی آف کیلیفورنیا، ریورسائیڈ سے ڈیٹا سائنس میں ماسٹر کی ڈگری حاصل کی ہے۔
ساسوتا ڈیش AWS پروفیشنل سروسز کے ساتھ ایک DevOps کنسلٹنٹ ہے۔ اس نے ہیلتھ کیئر اور لائف سائنسز، ایوی ایشن اور مینوفیکچرنگ میں صارفین کے ساتھ کام کیا ہے۔ وہ تمام چیزوں کے آٹومیشن کے بارے میں پرجوش ہے اور اسے AWS میں انٹرپرائز پیمانے پر کسٹمر سلوشنز ڈیزائن کرنے اور بنانے کا جامع تجربہ ہے۔ کام سے باہر، وہ فوٹو گرافی اور طلوع آفتاب کو پکڑنے کے اپنے شوق کا پیچھا کرتی ہے۔
- SEO سے چلنے والا مواد اور PR کی تقسیم۔ آج ہی بڑھا دیں۔
- پلیٹو ڈیٹا ڈاٹ نیٹ ورک ورٹیکل جنریٹو اے آئی۔ اپنے آپ کو بااختیار بنائیں۔ یہاں تک رسائی حاصل کریں۔
- پلیٹوآئ اسٹریم۔ ویب 3 انٹیلی جنس۔ علم میں اضافہ۔ یہاں تک رسائی حاصل کریں۔
- پلیٹو ای ایس جی۔ کاربن، کلین ٹیک، توانائی ، ماحولیات، شمسی، ویسٹ مینجمنٹ یہاں تک رسائی حاصل کریں۔
- پلیٹو ہیلتھ۔ بائیوٹیک اینڈ کلینیکل ٹرائلز انٹیلی جنس۔ یہاں تک رسائی حاصل کریں۔
- ماخذ: https://aws.amazon.com/blogs/machine-learning/promote-pipelines-in-a-multi-environment-setup-using-amazon-sagemaker-model-registry-hashicorp-terraform-github-and-jenkins-ci-cd/
- : ہے
- : ہے
- : نہیں
- :کہاں
- $UP
- 1
- 10
- 100
- 12
- 13
- 14
- 16
- 17
- 19
- 23
- 27
- 31
- 320
- 7
- 8
- 9
- a
- ہمارے بارے میں
- تیز رفتار
- قبولیت
- تک رسائی حاصل
- اکاؤنٹ
- اکاؤنٹس
- کے پار
- عمل
- اپنانے
- شامل کریں
- پتہ
- انتظامی
- منہ بولابیٹا بنانے
- کے بعد
- عمر
- AI
- سیدھ کریں
- تمام
- کی اجازت
- کی اجازت دیتا ہے
- ساتھ
- بھی
- ایمیزون
- ایمیزون سیج میکر
- ایمیزون ویب سروسز
- an
- اور
- ایک اور
- کوئی بھی
- درخواست
- مناسب
- منظور
- کی منظوری دے دی
- فن تعمیر
- کیا
- علاقوں
- ارد گرد
- مصنوعی
- مصنوعی ذہانت
- مصنوعی انٹیلی جنس (AI)
- AS
- سے پوچھ
- منسلک
- فرض کرو
- منسلک کریں
- آٹو
- آٹومیٹڈ
- خودکار
- میشن
- آٹوموٹو
- دستیاب
- ہوا بازی
- سے اجتناب
- AWS
- AWS کسٹمر
- AWS پروفیشنل سروسز
- واپس
- کی بنیاد پر
- بنیاد
- BE
- کیونکہ
- رہا
- اس سے پہلے
- کیا جا رہا ہے
- BEST
- بہترین طریقوں
- کے درمیان
- بگ
- بگ ڈیٹا
- دونوں
- برانچ
- پلنگ
- آ رہا ہے
- تعمیر
- عمارت
- تعمیر
- کاروبار
- لیکن
- by
- حساب سے
- کیلی فورنیا
- کہا جاتا ہے
- کر سکتے ہیں
- کیس
- مرکزی
- تبدیل
- تبدیل کر دیا گیا
- تبدیلیاں
- بوجھ
- چیک کریں
- انتخاب
- میں سے انتخاب کریں
- کوڈ
- تعاون
- جمع
- کولوراڈو
- کالم
- کالم
- COM
- مجموعہ
- مکمل
- تعمیل
- اجزاء
- وسیع
- کمپیوٹر
- کمپیوٹر سائنس
- شرط
- ترتیب
- کی توثیق
- کنسول
- کنسلٹنٹ
- کنٹینر
- پر مشتمل ہے
- کنٹرول
- کنونشن
- تبدیل
- اسی کے مطابق
- تخلیق
- بنائی
- تخلیق
- اسناد
- پار
- گاہک
- صارفین کے حل
- گاہکوں
- روزانہ
- ڈیش بورڈ
- اعداد و شمار
- ڈیٹا لیک
- ڈیٹا سائنس
- ڈیٹا سائنسدان
- ڈیٹاسیٹس
- خرابی
- پہلے سے طے شدہ
- ڈگری
- تعیناتی
- تعینات
- تعیناتی
- تعینات کرتا ہے
- ڈیزائننگ
- تفصیلات
- کا پتہ لگانے کے
- پتہ چلا
- دیو
- ترقی یافتہ
- ترقی
- ترقی
- DICT
- مختلف
- ڈومین
- ڈومینز
- کے دوران
- متحرک
- ہر ایک
- اس سے قبل
- اثر
- یا تو
- ای میل
- ای میل
- کو چالو کرنے کے
- خفیہ کردہ
- انجینئر
- یقینی بناتا ہے
- درج
- ماحولیات
- ماحول
- ضروری
- واقعات
- تیار ہوتا ہے
- پھانسی
- توقع
- تجربہ
- وضاحت کی
- کی وضاحت
- توسیع
- سہولت
- FAIL
- ناکام
- ناکام رہتا ہے
- ناکامی
- نمایاں کریں
- خصوصیات
- چند
- اعداد و شمار
- فائل
- فائنل
- مالی
- ختم
- فرم
- پہلا
- پہلی بار
- کے بعد
- کے لئے
- ملا
- فریم ورک
- فریم ورک
- سے
- پورا کریں
- مکمل
- تقریب
- فنکشنل
- مستقبل
- فرق
- پیدا
- پیدا
- پیدا ہوتا ہے
- حاصل
- جاؤ
- GitHub کے
- دے دو
- دی
- فراہم کرتا ہے
- گلوبل
- Go
- جاتا ہے
- گرانٹ
- گروپ
- ہے
- صحت کی دیکھ بھال
- اس کی
- اعلی
- کی ڈگری حاصل کی
- ہوسٹنگ
- کس طرح
- کیسے
- HTML
- HTTP
- HTTPS
- ID
- شناختی
- if
- پر عمل درآمد
- درآمد
- in
- شامل ہیں
- سمیت
- انڈکس
- انفراسٹرکچر
- ابتدائی طور پر
- اقدامات
- آدانوں
- انسٹال
- نصب
- مثال کے طور پر
- ہدایات
- انٹیگریٹٹس
- انٹیلی جنس
- انٹرنیٹ
- میں
- متعارف کرانے
- IT
- ایوب
- نوکریاں
- فوٹو
- JSON
- کلیدی
- چابیاں
- لیبل
- جھیل
- زمین کی تزئین کی
- بعد
- تازہ ترین
- سیکھنے
- قیادت
- لیورڈڈ
- زندگی
- زندگی سائنس
- لائن
- لاگ ان کریں
- طویل مدتی
- مشین
- مشین لرننگ
- مین
- برقرار رکھنے کے
- بنا
- میں کامیاب
- انتظام
- مینوفیکچرنگ
- مارجن
- ماس
- ماسٹر کی
- میکانزم
- اجلاس
- مینو
- ضم کریں
- پیمائش کا معیار
- لاپتہ
- ML
- ایم ایل اوپس
- ماڈل
- ماڈلنگ
- ماڈل
- نظر ثانی کرنے
- ماڈیولز
- لمحات
- کی نگرانی
- نگرانی کی
- نگرانی
- زیادہ
- ایک سے زیادہ
- نام
- نامزد
- نام
- سمت شناسی
- ضرورت ہے
- ضرورت
- ضروریات
- نئی
- اگلے
- عام
- نوٹ بک
- نوٹیفیکیشن
- اطلاعات
- تعداد
- عجیب
- of
- اکثر
- on
- ایک
- آپریشنز
- or
- حکم
- تنظیمیں
- دیگر
- باہر
- باہر
- پر
- مجموعی جائزہ
- خود
- پیکج
- صفحہ
- درد
- pandas
- پین
- حصہ
- حصے
- منظور
- جذبہ
- جذباتی
- پاٹرن
- کارکردگی
- اجازتیں
- فوٹو گرافی
- اٹھایا
- پسند کرتا ہے
- پائپ لائن
- پلیٹ فارم
- پلاٹا
- افلاطون ڈیٹا انٹیلی جنس
- پلیٹو ڈیٹا
- پوائنٹس
- پالیسیاں
- پالیسی
- پوسٹ
- طریقوں
- پیشن گوئی
- پیشن گوئی
- تیار
- ضروریات
- پچھلا
- پرنسپل
- پہلے
- استحقاق
- عمل
- پروسیسنگ
- پیداوار
- حاصل
- پیشہ ورانہ
- منصوبے
- کو فروغ دینا
- فروغ یافتہ
- فروغ کے
- فراہم
- فراہم
- فراہم کرتا ہے
- فراہم کرنے
- پراجیکٹ
- عوامی طور پر
- ھیںچتی
- تعاقب کرتا ہے۔
- پش
- ازگر
- جلدی سے
- میں تیزی سے
- خام
- پڑھیں
- تیار
- حقیقی دنیا
- خطے
- رجسٹر
- رجسٹرڈ
- رجسٹر
- رجسٹری
- ریگولیٹری
- متعلقہ
- تعلقات
- ہٹا
- ذخیرہ
- درخواست
- ضرورت
- ضروریات
- وسائل
- وسائل
- جواب
- خوردہ
- واپسی
- دریا کے کنارے
- کردار
- کردار
- جڑ
- حکمرانی
- قوانین
- رن
- چلتا ہے
- sagemaker
- سیج میکر پائپ لائنز
- اسی
- محفوظ کریں
- محفوظ
- توسیع پذیر
- منظر نامے
- شیڈول
- شیڈول کے مطابق
- شیڈولنگ
- سائنس
- سائنس
- سائنسدان
- اسکرپٹ
- سکرپٹ
- بغیر کسی رکاوٹ کے
- دوسری
- سیکشن
- محفوظ بنانے
- سیکورٹی
- دیکھنا
- بھیجنے
- بھیجنا
- بھیجتا ہے
- بھیجا
- علیحدہ
- سرور
- سروس
- سروسز
- مقرر
- ترتیبات
- سیٹ اپ
- شکل
- سیکنڈ اور
- وہ
- ہونا چاہئے
- دکھائیں
- ظاہر ہوا
- دکھایا گیا
- شوز
- سادہ
- ٹکڑا
- So
- حل
- حل
- حل کرنا۔
- ماخذ
- ذرائع
- خلا
- خصوصی
- مخصوص
- تقسیم
- حالت
- بیان
- مستحکم
- درجہ
- مرحلہ
- مراحل
- ابھی تک
- ذخیرہ
- ذخیرہ
- پردہ
- سلک
- ساخت
- سٹوڈیو
- کامیاب
- اس طرح
- کی حمایت کرتا ہے
- ہدف
- ٹیموں
- ٹیلی کام
- ٹرافیفار
- ٹیسٹ
- ٹیسٹنگ
- کہ
- ۔
- ان
- تو
- وہاں.
- یہ
- چیزیں
- تھرڈ
- تیسری پارٹی
- اس
- تین
- کے ذریعے
- وقت
- کرنے کے لئے
- ٹول سیٹس
- سب سے اوپر
- موضوع
- ٹریک
- ٹرین
- تربیت یافتہ
- ٹریننگ
- تبدیل
- ٹرگر
- متحرک
- ٹرگر
- سچ
- بھروسہ رکھو
- ٹرن
- دو
- ui
- کے تحت
- یونیورسٹی
- یونیورسٹی آف کیلی فورنیا
- اپ ڈیٹ کریں
- اپ ڈیٹ
- اپ لوڈ کردہ
- URL
- us
- استعمال کی شرائط
- استعمال کیا جاتا ہے
- کا استعمال کرتے ہوئے
- کی افادیت
- اقدار
- مختلف
- ورژن
- ورژن
- کی طرف سے
- ویڈیو
- نظر
- دیکھیئے
- we
- ویب
- ویب خدمات
- جب
- جب بھی
- جبکہ
- جس
- جبکہ
- گے
- ساتھ
- کے اندر
- بغیر
- کام
- کام کیا
- کام کا بہاؤ
- کام کر
- کام کرتا ہے
- لکھنا
- لکھا
- تم
- اور
- یو ٹیوب پر
- زیفیرنیٹ