ایمیزون سیج میکر میں ریسورس ٹیگنگ کا استعمال کرتے ہوئے ایم ایل ماحول اور کام کے بوجھ کے لیے انٹرپرائز سطح کی لاگت مختص کریں

چونکہ کاروبار اور IT رہنما مشین لرننگ (ML) کو اپنانے میں تیزی لاتے ہیں، آپ کے ML ماحول کے لیے انٹرپرائز کی ضروریات کو پورا کرنے کے لیے اخراجات اور لاگت کی تخصیص کو سمجھنے کی بڑھتی ہوئی ضرورت ہے۔ لاگت کے مناسب انتظام اور نظم و نسق کے بغیر، آپ کا ML خرچ آپ کے ماہانہ AWS بل میں حیرت کا باعث بن سکتا ہے۔ ایمیزون سیج میکر یہ کلاؤڈ میں ایک مکمل طور پر منظم ML پلیٹ فارم ہے جو ہمارے انٹرپرائز صارفین کو لاگت مختص کرنے کے اقدامات قائم کرنے اور آپ کی ٹیموں، کاروباری اکائیوں، مصنوعات وغیرہ کے ذریعے تفصیلی لاگت اور استعمال میں مرئیت کو بہتر بنانے کے لیے آلات اور وسائل سے آراستہ کرتا ہے۔

اس پوسٹ میں، ہم آپ کے SageMaker ماحول اور کام کے بوجھ کے لیے لاگت مختص کرنے کے حوالے سے تجاویز اور بہترین طریقوں کا اشتراک کرتے ہیں۔ تقریباً تمام AWS سروسز میں، SageMaker شامل ہے، وسائل پر ٹیگ لگانا اخراجات کو ٹریک کرنے کا ایک معیاری طریقہ ہے۔ یہ ٹیگز آپ کو آؤٹ دی باکس حل کے ذریعے اپنے ML خرچ کو ٹریک کرنے، رپورٹ کرنے اور مانیٹر کرنے میں مدد کر سکتے ہیں۔ AWS لاگت ایکسپلورر اور AWS بجٹکے ساتھ ساتھ ڈیٹا پر بنائے گئے حسب ضرورت حل AWS لاگت اور استعمال کی رپورٹس (CURs)۔

لاگت مختص کی ٹیگنگ

AWS پر لاگت مختص ایک تین قدمی عمل ہے:

1. منسلک کریں لاگت مختص کرنے کے ٹیگ آپ کے وسائل پر.
2. میں اپنے ٹیگز کو چالو کریں۔ لاگت مختص کرنے والے ٹیگز AWS بلنگ کنسول کا سیکشن۔
3. لاگت مختص کرنے کی رپورٹنگ کے لیے ٹریک اور فلٹر کرنے کے لیے ٹیگز کا استعمال کریں۔

وسائل کے ساتھ ٹیگز بنانے اور منسلک کرنے کے بعد، وہ AWS بلنگ کنسول میں ظاہر ہوتے ہیں۔ لاگت مختص کرنے والے ٹیگز سیکشن صارف کی طرف سے متعین لاگت مختص کرنے والے ٹیگز. ٹیگز بننے کے بعد ان کے ظاہر ہونے میں 24 گھنٹے لگ سکتے ہیں۔ اس کے بعد آپ کو ان ٹیگز کو AWS کے لیے چالو کرنے کی ضرورت ہے تاکہ وہ اپنے وسائل کے لیے ٹریکنگ شروع کر سکیں۔ عام طور پر، ٹیگ کے ایکٹیویٹ ہونے کے بعد، Cost Explorer میں ٹیگز کو ظاہر ہونے میں تقریباً 24-48 گھنٹے لگتے ہیں۔ یہ چیک کرنے کا سب سے آسان طریقہ ہے کہ آیا آپ کے ٹیگز کام کر رہے ہیں یہ ہے کہ Cost Explorer میں ٹیگز فلٹر میں اپنے نئے ٹیگ کو تلاش کریں۔ اگر یہ موجود ہے، تو آپ اپنی لاگت مختص کرنے کی رپورٹنگ کے لیے ٹیگز استعمال کرنے کے لیے تیار ہیں۔ اس کے بعد آپ اپنے نتائج کو ٹیگ کیز کے ذریعے گروپ کرنے کا انتخاب کرسکتے ہیں یا ٹیگ ویلیوز کے لحاظ سے فلٹر کرسکتے ہیں، جیسا کہ درج ذیل اسکرین شاٹ میں دکھایا گیا ہے۔

ایک چیز نوٹ کریں: اگر آپ استعمال کرتے ہیں۔ AWS تنظیمیں اور AWS اکاؤنٹس سے منسلک ہیں، ٹیگز کو صرف بنیادی ادائیگی کنندہ اکاؤنٹ میں چالو کیا جا سکتا ہے۔ اختیاری طور پر، آپ AWS اکاؤنٹس کے لیے CURs کو بھی ایکٹیویٹ کر سکتے ہیں جو لاگت مختص کرنے کی رپورٹس کو CSV فائل کے طور پر آپ کے استعمال اور لاگت کو آپ کے فعال ٹیگز کے حساب سے گروپ کرتے ہیں۔ یہ آپ کو آپ کے اخراجات کی مزید تفصیلی ٹریکنگ فراہم کرتا ہے اور آپ کی اپنی مرضی کے مطابق رپورٹنگ کے حل کو ترتیب دینا آسان بناتا ہے۔

سیج میکر میں ٹیگ کرنا

اعلی سطح پر، سیج میکر کے وسائل کو ٹیگ کرنے کو دو بالٹیوں میں گروپ کیا جا سکتا ہے:

• یا تو سیج میکر نوٹ بک ماحول کو ٹیگ کرنا ایمیزون سیج میکر اسٹوڈیو ڈومینز اور ڈومین صارفین، یا SageMaker نوٹ بک مثالیں۔
• سیج میکر کے زیر انتظام ملازمتوں کو ٹیگ کرنا (لیبلنگ، پروسیسنگ، ٹریننگ، ہائپر پیرامیٹر ٹیوننگ، بیچ ٹرانسفارم، اور مزید) اور وسائل (جیسے ماڈلز، ورک ٹیمیں، اینڈ پوائنٹ کنفیگریشنز، اور اینڈ پوائنٹس)

ہم اس پوسٹ میں ان کا مزید تفصیل سے احاطہ کرتے ہیں اور اچھی ٹیگنگ حفظان صحت کو یقینی بنانے کے لیے گورننس کنٹرول کو لاگو کرنے کے بارے میں کچھ حل فراہم کرتے ہیں۔

سیج میکر اسٹوڈیو ڈومینز اور صارفین کو ٹیگ کرنا

اسٹوڈیو ML کے لیے ایک ویب پر مبنی، مربوط ترقیاتی ماحول (IDE) ہے جو آپ کو اپنے ML ماڈلز بنانے، تربیت دینے، ڈیبگ کرنے، تعینات کرنے اور ان کی نگرانی کرنے دیتا ہے۔ آپ سٹوڈیو نوٹ بک کو تیزی سے لانچ کر سکتے ہیں، اور اپنے کام میں خلل ڈالے بغیر بنیادی کمپیوٹ وسائل کو متحرک طور پر ڈائل کر سکتے ہیں۔

ان متحرک وسائل کو خودکار طور پر ٹیگ کرنے کے لیے، آپ کو SageMaker ڈومین اور ڈومین صارفین کو ٹیگ تفویض کرنے کی ضرورت ہے جنہیں ان وسائل تک رسائی فراہم کی گئی ہے۔ آپ ان ٹیگز کو ٹیگز کے پیرامیٹر میں بتا سکتے ہیں۔ تخلیق ڈومین or صارف کا پروفائل بنائیں پروفائل یا ڈومین بنانے کے دوران، یا آپ انہیں بعد میں استعمال کر کے شامل کر سکتے ہیں۔ ایڈ ٹیگز API اسٹوڈیو خود بخود ان ٹیگز کو ڈومین میں یا مخصوص صارفین کے ذریعے تخلیق کردہ اسٹوڈیو نوٹ بک میں کاپی اور تفویض کرتا ہے۔ آپ سٹوڈیو کنٹرول پینل میں ڈومین کی ترتیبات میں ترمیم کر کے SageMaker ڈومینز میں ٹیگز بھی شامل کر سکتے ہیں۔

تخلیق کے دوران پروفائل میں ٹیگز تفویض کرنے کی ایک مثال درج ذیل ہے۔

aws sagemaker create-user-profile --domain-id  --user-profile-name data-scientist-full --tags Key=studiouserid,Value= --user-settings ExecutionRole=arn:aws:iam:::role/SageMakerStudioExecutionRole_datascientist-full

موجودہ ڈومینز اور صارفین کو ٹیگ کرنے کے لیے، استعمال کریں۔ add-tags API ٹیگز پھر کسی بھی نئی نوٹ بک پر لاگو ہوتے ہیں۔ ان ٹیگز کو اپنی موجودہ نوٹ بک پر لاگو کرنے کے لیے، آپ کو اس صارف پروفائل سے تعلق رکھنے والے اسٹوڈیو ایپ (کرنل گیٹ وے اور جوپیٹر سرور) کو دوبارہ شروع کرنے کی ضرورت ہے۔ اس سے نوٹ بک کے ڈیٹا میں کوئی نقصان نہیں ہوگا۔ اس سے رجوع کریں۔ بند کریں اور سیج میکر اسٹوڈیو اور اسٹوڈیو ایپس کو اپ ڈیٹ کریں۔ اپنے اسٹوڈیو ایپس کو حذف کرنے اور دوبارہ شروع کرنے کا طریقہ سیکھنے کے لیے۔

سیج میکر نوٹ بک مثالوں کو ٹیگ کرنا

سیج میکر نوٹ بک مثال کے معاملے میں، ٹیگنگ کا اطلاق خود مثال پر ہوتا ہے۔ ٹیگز ایک ہی مثال میں چلنے والے تمام وسائل کو تفویض کیے گئے ہیں۔ آپ میں ٹیگز پیرامیٹر کا استعمال کرتے ہوئے پروگرام کے مطابق ٹیگز کی وضاحت کر سکتے ہیں۔ تخلیق-نوٹ بک-مثال API یا مثال کی تخلیق کے دوران SageMaker کنسول کے ذریعے ان کو شامل کریں۔ آپ کا استعمال کرتے ہوئے کسی بھی وقت ٹیگز شامل یا اپ ڈیٹ کر سکتے ہیں۔ ایڈ ٹیگز API یا SageMaker کنسول کے ذریعے۔

نوٹ کریں کہ اس میں SageMaker کے زیر انتظام ملازمتیں اور وسائل جیسے کہ تربیت اور پروسیسنگ جابز شامل نہیں ہیں کیونکہ وہ مثال کے بجائے خدمت کے ماحول میں ہیں۔ اگلے حصے میں، ہم ان وسائل پر ٹیگنگ کو مزید تفصیل سے لاگو کرنے کے طریقہ پر جائیں گے۔

سیج میکر کے زیر انتظام ملازمتوں اور وسائل کو ٹیگ کرنا

SageMaker کے زیر انتظام ملازمتوں اور وسائل کے لیے، ٹیگنگ کو لاگو کرنا ضروری ہے۔ tags ہر API درخواست کے حصے کے طور پر انتساب۔ ایک SKLearnProcessor مثال درج ذیل کوڈ میں بیان کی گئی ہے۔ آپ سیج میکر کے زیر انتظام کاموں اور وسائل کو ٹیگز تفویض کرنے کے طریقے کی مزید مثالیں تلاش کر سکتے ہیں۔ GitHub repo.

from sagemaker import get_execution_role
from sagemaker.sklearn.processing import SKLearnProcessor

processing_tags = [{' Key':"cost-center','Value':'TF2WorkflowProcessing'}]
sklearn_processorl = SKLearnProcessor(framework_version='0.23-1' ,
									 role=get_execution_role(),
									 instance_type='ml.m5.xlarge',
									 instance_count=2,
									 tags=processing_tags)

سیج میکر پائپ لائنوں کو ٹیگ کرنا

SageMaker پائپ لائنز کے معاملے میں، آپ ہر انفرادی قدم کے بجائے پوری پائپ لائن کو مجموعی طور پر ٹیگ کر سکتے ہیں۔ سیج میکر پائپ لائن خود بخود ٹیگز کو پائپ لائن کے ہر قدم پر پھیلا دیتی ہے۔ اگر ضرورت ہو تو آپ کے پاس اب بھی انفرادی مراحل میں اضافی، علیحدہ ٹیگ شامل کرنے کا اختیار ہے۔ اسٹوڈیو UI میں، پائپ لائن ٹیگز میٹا ڈیٹا سیکشن میں ظاہر ہوتے ہیں۔

پائپ لائن پر ٹیگز لگانے کے لیے، SageMaker Python SDK استعمال کریں:

pipeline_tags = [ {'Key': 'pipeline-type', 'Value': 'TF2WorkflowPipeline'}]
pipeline.upsert(role_arn=role, tags=pipeline_tags)
execution = pipeline.start()

IAM پالیسیوں کا استعمال کرتے ہوئے ٹیگنگ کو نافذ کریں۔

اگرچہ ٹیگنگ کلاؤڈ مینجمنٹ اور گورننس کی حکمت عملیوں کو نافذ کرنے کے لیے ایک مؤثر طریقہ کار ہے، لیکن درست ٹیگنگ رویے کو نافذ کرنا مشکل ہو سکتا ہے اگر آپ اسے صرف اختتامی صارفین پر چھوڑ دیں۔ اگر کوئی مخصوص ٹیگ غائب ہے تو آپ ML وسائل کی تخلیق کو کیسے روکتے ہیں، آپ صحیح ٹیگز کے اطلاق کو کیسے یقینی بناتے ہیں، اور آپ صارفین کو موجودہ ٹیگز کو حذف کرنے سے کیسے روکتے ہیں؟

آپ اسے استعمال کرکے پورا کرسکتے ہیں۔ AWS شناخت اور رسائی کا انتظام (IAM) کی پالیسیاں۔ مندرجہ ذیل کوڈ اس پالیسی کی ایک مثال ہے جو SageMaker کی کارروائیوں کو روکتی ہے جیسے CreateDomain or CreateNotebookInstance اگر درخواست میں ماحولیاتی کلید اور فہرست کی قدروں میں سے ایک شامل نہیں ہے۔ دی ForAllValues کے ساتھ ترمیم کنندہ aws:TagKeys حالت کلید اشارہ کرتی ہے کہ صرف کلید environment درخواست میں اجازت ہے. یہ صارفین کو دوسری چابیاں شامل کرنے سے روکتا ہے، جیسے کہ غلطی سے استعمال کرنا Environment بجائے environment.

"sagemaker:CreateTrainingJob"
      ],
      "{
      "Sid": "SageMakerEnforceEnvtOnCreate",
      "Action": [
        "sagemaker:CreateDomain",
        "sagemaker:CreateEndpoint",
        "sagemaker:CreateNotebookInstance",
        Effect": "Allow",
      "Resource": "*",
  "Condition": {
            "StringEquals": {
                "aws:RequestTag/environment": [
                    "dev","staging","production"
                ]
            },
            "ForAllValues:StringEquals": {"aws:TagKeys": "environment"}
        }
      }

ٹیگ پالیسیاں اور سروس کنٹرول کی پالیسیاں (SCPs) آپ کے ML وسائل کی تخلیق اور لیبلنگ کو معیاری بنانے کا ایک اچھا طریقہ بھی ہو سکتا ہے۔ ٹیگنگ کی حکمت عملی کو کیسے نافذ کیا جائے جو تنظیم کی سطح پر ٹیگنگ کو نافذ اور توثیق کرتی ہے اس کے بارے میں مزید معلومات کے لیے، ملاحظہ کریں لاگت مختص بلاگ سیریز #3: AWS ریسورس ٹیگز کو نافذ اور درست کریں۔.

لاگت مختص کرنے کی رپورٹنگ

آپ Cost Explorer پر آراء کو فلٹر کرکے ٹیگز دیکھ سکتے ہیں، a کو دیکھ کر ماہانہ لاگت مختص رپورٹ، یا CUR کی جانچ کر کے۔

لاگت ایکسپلورر میں ٹیگز کا تصور کرنا

Cost Explorer ایک ایسا ٹول ہے جو آپ کو اپنے اخراجات اور استعمال کو دیکھنے اور تجزیہ کرنے کے قابل بناتا ہے۔ آپ مرکزی گراف کا استعمال کرتے ہوئے اپنے استعمال اور اخراجات کو دریافت کر سکتے ہیں: Cost Explorer لاگت اور استعمال کی رپورٹس۔ Cost Explorer استعمال کرنے کے طریقے کے بارے میں فوری ویڈیو کے لیے، چیک آؤٹ کریں۔ میں اپنے اخراجات اور استعمال کا تجزیہ کرنے کے لیے Cost Explorer کا استعمال کیسے کر سکتا ہوں؟

Cost Explorer کے ساتھ، آپ فلٹر کر سکتے ہیں کہ آپ اپنی AWS لاگت کو ٹیگز کے ذریعے کیسے دیکھتے ہیں۔ گروپ بذریعہ ہمیں ٹیگ کیز جیسے کے ذریعے نتائج کو فلٹر کرنے کی اجازت دیتا ہے۔ Environment, Deployment، یا Cost Center. ٹیگ فلٹر کلید سے قطع نظر اپنی مطلوبہ قدر کو منتخب کرنے میں ہماری مدد کرتا ہے۔ مثالیں شامل ہیں۔ Production اور Staging. ذہن میں رکھیں کہ آپ کو ٹیگز شامل کرنے اور فعال کرنے کے بعد وسائل کو چلانا ہوگا۔ بصورت دیگر، Cost Explorer کے پاس استعمال کا کوئی ڈیٹا نہیں ہوگا اور ٹیگ ویلیو کو بطور فلٹر یا گروپ بذریعہ اختیار ظاہر نہیں کیا جائے گا۔

مندرجہ ذیل اسکرین شاٹ کی تمام اقدار سے فلٹر کرنے کی ایک مثال ہے۔ BusinessUnit ٹیگ

CUR میں ٹیگز کی جانچ کرنا

لاگت اور استعمال کی رپورٹ میں دستیاب لاگت اور استعمال کے اعداد و شمار کا سب سے جامع سیٹ شامل ہے۔ رپورٹ میں AWS پروڈکٹ، استعمال کی قسم، اور آپریشن کے ہر منفرد امتزاج کے لیے لائن آئٹمز شامل ہیں جو آپ کا AWS اکاؤنٹ استعمال کرتا ہے۔ آپ گھنٹہ یا دن کے حساب سے معلومات کو جمع کرنے کے لیے CUR کو حسب ضرورت بنا سکتے ہیں۔ ماہانہ لاگت مختص کرنے کی رپورٹ لاگت مختص کرنے کی رپورٹنگ ترتیب دینے کا ایک طریقہ ہے۔ آپ سیٹ اپ کر سکتے ہیں a ماہانہ لاگت مختص رپورٹ جو آپ کے اکاؤنٹ کے لیے پروڈکٹ کے زمرے اور لنک کردہ اکاؤنٹ صارف کے لحاظ سے AWS کے استعمال کی فہرست دیتا ہے۔ رپورٹ میں وہی لائن آئٹمز شامل ہیں۔ تفصیلی بلنگ رپورٹ اور آپ کی ٹیگ کیز کے لیے اضافی کالم۔ آپ اسے ترتیب دے سکتے ہیں اور درج ذیل مراحل پر عمل کر کے اپنی رپورٹ ڈاؤن لوڈ کر سکتے ہیں۔ ماہانہ لاگت مختص کرنے کی رپورٹ.

مندرجہ ذیل اسکرین شاٹ دکھاتا ہے کہ کس طرح صارف کی وضاحت کردہ ٹیگ کیز CUR میں ظاہر ہوتی ہیں۔ صارف کی وضاحت کردہ ٹیگ کیز کا سابقہ ​​ہے۔ user، جیسے user:Department اور user:CostCenter. AWS سے تیار کردہ ٹیگ کیز کا سابقہ ​​ہے۔ aws.

Amazon Athena اور Amazon QuickSight کا استعمال کرتے ہوئے CUR کا تصور کریں۔

ایمیزون ایتینا ایک انٹرایکٹو استفسار کی خدمت ہے جو معیاری SQL کا استعمال کرتے ہوئے Amazon S3 میں ڈیٹا کا تجزیہ کرنا آسان بناتی ہے۔ ایتھینا سرور لیس ہے، اس لیے انتظام کرنے کے لیے کوئی بنیادی ڈھانچہ نہیں ہے، اور آپ صرف ان سوالات کے لیے ادائیگی کرتے ہیں جو آپ چلاتے ہیں۔ ایتھینا کو CURs کے ساتھ ضم کرنے کے لیے، رجوع کریں۔ Amazon Athena کا استعمال کرتے ہوئے لاگت اور استعمال کی رپورٹوں سے استفسار کرنا. اس کے بعد آپ معیاری SQL کا استعمال کرتے ہوئے CUR ڈیٹا سے استفسار کرنے کے لیے اپنی مرضی کے سوالات بنا سکتے ہیں۔ درج ذیل اسکرین شاٹ ان تمام وسائل کو فلٹر کرنے کے لیے استفسار کی ایک مثال ہے جن کی قدر TF2WorkflowTraining کے لیے ہے cost-center ٹیگ

select * from {$table_name} where resource_tags_user_cost-center= 'TF2WorkflowTraining'

مندرجہ ذیل مثال میں، ہم یہ جاننے کی کوشش کر رہے ہیں کہ کون سے وسائل کے تحت اقدار غائب ہیں۔ cost-center ٹیگ

SELECT
 bill_payer_account_id, line_item_usage_account_id, DATE_FORMAT((line_item_usage_start_date), '%Y-%m-%d') AS day_line_item_usage_start_date, line_item_resource_id, line_item_usage_type, resource_tags_user_cost-center
FROM
{$table_name} 
WHERE
 resource_tags_user_cost-center IS NULL
AND line_item_product_code = 'AmazonSageMaker'

مزید معلومات اور مثال کے سوالات میں پایا جا سکتا ہے AWS CUR استفسار لائبریری.

آپ اس میں CUR ڈیٹا بھی فیڈ کر سکتے ہیں۔ ایمیزون کوئیک سائٹ، جہاں آپ رپورٹنگ یا ویژولائزیشن کے مقاصد کے لیے اسے کسی بھی طرح سے کاٹ کر کاٹ سکتے ہیں۔ QuickSight میں CUR ڈیٹا داخل کرنے سے متعلق ہدایات کے لیے، دیکھیں میں Amazon QuickSight میں AWS لاگت اور استعمال کی رپورٹ (CUR) کو کیسے نگل سکتا ہوں اور اس کا تصور کیسے کرسکتا ہوں.

ٹیگز کا استعمال کرتے ہوئے بجٹ کی نگرانی

اگر اخراجات میں غیر متوقع طور پر اضافہ ہوتا ہے تو AWS بجٹ ابتدائی وارننگ فراہم کرنے کا ایک بہترین طریقہ ہے۔ آپ حسب ضرورت بجٹ بنا سکتے ہیں جو آپ کو متنبہ کرتے ہیں جب آپ کی ML لاگت اور استعمال آپ کے صارف کی طے شدہ حد سے تجاوز کر جائے (یا اس سے تجاوز کرنے کی پیشن گوئی کی جاتی ہے)۔ AWS بجٹ کے ساتھ، آپ اپنے کل ماہانہ ML اخراجات کی نگرانی کر سکتے ہیں یا مخصوص استعمال کے طول و عرض سے وابستہ اخراجات کو ٹریک کرنے کے لیے اپنے بجٹ کو فلٹر کر سکتے ہیں۔ مثال کے طور پر، آپ SageMaker وسائل کی لاگت کو شامل کرنے کے لیے بجٹ کا دائرہ ترتیب دے سکتے ہیں۔ cost-center: ML-Marketing، جیسا کہ مندرجہ ذیل اسکرین شاٹ میں دکھایا گیا ہے۔ اضافی جہتوں اور AWS بجٹ کو ترتیب دینے کے طریقے کے بارے میں تفصیلی ہدایات کے لیے، رجوع کریں۔ یہاں.

ساتھ بجٹ کے انتباہاتجب آپ کے بجٹ کی حدیں تجاوز کر جائیں (یا ہونے والی ہوں) تو آپ اطلاعات بھیج سکتے ہیں۔ یہ انتباہات ایک پر بھی پوسٹ کیے جا سکتے ہیں۔ ایمیزون سادہ نوٹیفکیشن سروس (ایمیزون ایس این ایس) موضوع۔ ایک او ڈبلیو ایس لامبڈا۔ فنکشن جو SNS موضوع کو سبسکرائب کرتا ہے اس کے بعد اس کی درخواست کی جاتی ہے، اور کسی بھی پروگرام کے لحاظ سے قابل عمل اقدامات کیے جا سکتے ہیں۔

AWS بجٹ آپ کو کنفیگر کرنے دیتا ہے۔ بجٹ کے اقدامات، جو وہ اقدامات ہیں جو آپ بجٹ کی حد سے تجاوز کرنے پر اٹھا سکتے ہیں (حقیقی یا پیش گوئی شدہ رقم)۔ کنٹرول کی یہ سطح آپ کو اپنے اکاؤنٹ میں غیر ارادی حد سے زیادہ اخراجات کو کم کرنے کی اجازت دیتی ہے۔ آپ اپنے اکاؤنٹ میں لاگت اور استعمال کے لیے مخصوص جوابات ترتیب دے سکتے ہیں جو بجٹ کے ہدف سے تجاوز کرنے پر خود کار طریقے سے یا ورک فلو کی منظوری کے عمل کے ذریعے لاگو ہوں گے۔ یہ یقینی بنانے کے لیے واقعی ایک طاقتور حل ہے کہ آپ کا ML خرچ کاروبار کے اہداف سے مطابقت رکھتا ہے۔ آپ منتخب کر سکتے ہیں کہ کس قسم کی کارروائی کرنی ہے۔ مثال کے طور پر، جب بجٹ کی حد کو عبور کیا جاتا ہے، تو آپ مخصوص IAM صارفین کو ایڈمن کی اجازت سے صرف پڑھنے کے لیے منتقل کر سکتے ہیں۔ تنظیموں کا استعمال کرنے والے صارفین کے لیے، آپ ایک پوری تنظیمی اکائی پر کارروائیوں کو منتظم سے صرف پڑھنے کے لیے منتقل کر سکتے ہیں۔ بجٹ کے اقدامات کا استعمال کرتے ہوئے لاگت کا انتظام کرنے کے طریقے کے بارے میں مزید تفصیلات کے لیے، ملاحظہ کریں۔ اپنے AWS ملٹی اکاونٹ ماحول میں لاگت سے زیادہ کا انتظام کیسے کریں - حصہ 1.

آپ روزانہ، ہفتہ وار، یا ماہانہ کیڈینس پر اپنے موجودہ بجٹ کی کارکردگی کو مانیٹر کرنے کے لیے ایک رپورٹ بھی ترتیب دے سکتے ہیں اور اس رپورٹ کو 50 ای میل پتوں تک پہنچا سکتے ہیں۔ کے ساتھ AWS بجٹ رپورٹسآپ SageMaker سے متعلقہ تمام بجٹ کو ایک رپورٹ میں یکجا کر سکتے ہیں۔ یہ فیچر آپ کو ایک ہی جگہ سے اپنے SageMaker کے فوٹ پرنٹ کو ٹریک کرنے کے قابل بناتا ہے، جیسا کہ درج ذیل اسکرین شاٹ میں دکھایا گیا ہے۔ آپ ان رپورٹس کو روزانہ، ہفتہ وار یا ماہانہ کیڈینس پر حاصل کرنے کا انتخاب کر سکتے ہیں (میں نے منتخب کیا ہے ہفتہ وار اس مثال کے لیے) اور ہفتے کا دن منتخب کریں جب آپ انہیں وصول کرنا چاہتے ہیں۔

یہ خصوصیت آپ کے اسٹیک ہولڈرز کو آپ کے SageMaker کے اخراجات اور استعمال کے بارے میں اپ ٹو ڈیٹ رکھنے کے لیے مفید ہے، اور ان کی یہ دیکھنے میں مدد کرتی ہے کہ کب توقع کے مطابق خرچ کا رجحان نہیں ہے۔

اس کنفیگریشن کو ترتیب دینے کے بعد، آپ کو مندرجہ ذیل جیسا ای میل موصول ہونا چاہیے۔

نتیجہ

اس پوسٹ میں، ہم نے دکھایا کہ آپ کس طرح SageMaker کے لیے لاگت مختص کرنے والی ٹیگنگ ترتیب دے سکتے ہیں اور اپنے SageMaker ماحول اور کام کے بوجھ کے لیے بہترین طریقوں کو ٹیگ کرنے کے لیے مشترکہ تجاویز۔ اس کے بعد ہم نے رپورٹنگ کے مختلف اختیارات جیسے Cost Explorer اور CUR پر تبادلہ خیال کیا تاکہ آپ کو اپنے ML خرچ میں مرئیت کو بہتر بنانے میں مدد ملے۔ آخر میں، ہم نے AWS بجٹ اور بجٹ سمری رپورٹ کا مظاہرہ کیا تاکہ آپ کی تنظیم کے ML اخراجات کی نگرانی میں آپ کی مدد کی جا سکے۔

لاگت مختص کرنے والے ٹیگز کو لاگو کرنے اور فعال کرنے کے بارے میں مزید معلومات کے لیے، دیکھیں یوزر ڈیفائنڈ لاگت مختص کرنے والے ٹیگز.

مصنفین کے بارے میں

شان مورگن AWS میں AI/ML سلوشنز آرکیٹیکٹ ہے۔ اس کے پاس سیمی کنڈکٹر اور تعلیمی تحقیقی شعبوں میں تجربہ ہے، اور وہ اپنے تجربے کا استعمال صارفین کو AWS پر اپنے مقاصد تک پہنچنے میں مدد کرنے کے لیے کرتا ہے۔ اپنے فارغ وقت میں، شان ایک فعال اوپن سورس تعاون کنندہ اور دیکھ بھال کرنے والا ہے، اور TensorFlow Add-ons کے لیے خصوصی دلچسپی والے گروپ کی قیادت ہے۔

برینٹ رابووسکی AWS میں ڈیٹا سائنس پر توجہ مرکوز کرتا ہے، اور AWS کے صارفین کو ان کے اپنے ڈیٹا سائنس پروجیکٹوں میں مدد کرنے کے لیے اپنی مہارت کا فائدہ اٹھاتا ہے۔

نیلیش شیٹی AWS میں ایک سینئر ٹیکنیکل اکاؤنٹ مینیجر کے طور پر ہے، جہاں وہ انٹرپرائز سپورٹ صارفین کو AWS پر اپنے کلاؤڈ آپریشن کو ہموار کرنے میں مدد کرتا ہے۔ وہ مشین لرننگ کے بارے میں پرجوش ہے اور اسے بطور کنسلٹنٹ، آرکیٹیکٹ اور ڈویلپر کام کرنے کا تجربہ ہے۔ کام سے باہر، وہ موسیقی سننے اور کھیلوں کو دیکھنے سے لطف اندوز ہوتا ہے۔

جیمز وو AWS میں ایک سینئر AI/ML ماہر حل آرکیٹیکٹ ہے۔ AI/ML سلوشنز کو ڈیزائن اور بنانے میں صارفین کی مدد کرنا۔ جیمز کا کام ایم ایل کے استعمال کے کیسز کی ایک وسیع رینج پر محیط ہے، جس میں کمپیوٹر ویژن، گہری سیکھنے، اور پورے انٹرپرائز میں ایم ایل کی پیمائش میں بنیادی دلچسپی ہے۔ AWS میں شامل ہونے سے پہلے، جیمز 10 سال سے زائد عرصے تک ایک معمار، ڈویلپر، اور ٹیکنالوجی لیڈر تھے، جس میں 6 سال انجینئرنگ اور 4 سال مارکیٹنگ اور اشتہاری صنعتوں میں شامل تھے۔