Amazon SageMaker ML ماڈلز کے لیے جانچ کے طریقے

یہ پوسٹ Intuit مشین لرننگ پلیٹ فارم کے سافٹ ویئر انجینئرنگ مینیجر Tobias Wenzel کے ساتھ مل کر لکھی گئی تھی۔

مثال کے طور پر، خود مختار ڈرائیونگ کا استعمال کرتے ہوئے یا Alexa کے ساتھ بات چیت کرتے وقت ہم سب ایک اعلیٰ معیار اور قابل اعتماد مشین لرننگ (ML) ماڈل کی اہمیت کی تعریف کرتے ہیں۔ ML ماڈلز بھی کم واضح طریقوں سے ایک اہم کردار ادا کرتے ہیں- وہ کاروباری ایپلی کیشنز، صحت کی دیکھ بھال، مالیاتی اداروں، amazon.com، TurboTax، اور مزید کے ذریعہ استعمال ہوتے ہیں۔

چونکہ ML- فعال ایپلیکیشنز بہت سے کاروباروں کے لیے بنیادی بن جاتی ہیں، ماڈلز کو سافٹ ویئر ایپلی کیشنز کی طرح جوش اور نظم و ضبط کی پیروی کرنے کی ضرورت ہے۔ MLOps کا ایک اہم پہلو یہ ہے کہ پہلے سے تیار کردہ ML ماڈل کا ایک نیا ورژن پروڈکشن میں ڈیو اوپس کے قائم کردہ طریقوں جیسے ٹیسٹنگ، ورژننگ، مسلسل ڈیلیوری، اور مانیٹرنگ کا استعمال کرتے ہوئے فراہم کیا جائے۔

کئی ہیں نسخہ دار MLOps کے بارے میں رہنما خطوط، اور یہ پوسٹ اس عمل کا ایک جائزہ پیش کرتی ہے جس کی آپ پیروی کر سکتے ہیں اور جانچ کے لیے کون سے ٹولز استعمال کرنے ہیں۔ یہ باہمی تعاون پر مبنی ہے۔ Intuit اور AWS. ہم اس پوسٹ میں بیان کردہ سفارشات کو عملی طور پر اور پیمانے پر نافذ کرنے کے لیے مل کر کام کر رہے ہیں۔ Intuit کا ایک بننے کا مقصد AI سے چلنے والا ماہر پلیٹ فارم ابتدائی ماڈل کی ترقی کے ساتھ ساتھ نئے ورژن کی جانچ کی رفتار بڑھانے کی حکمت عملی پر بہت زیادہ انحصار کرتا ہے۔

ضروریات

نئے ماڈل ورژنز کی تعیناتی کے دوران غور کرنے کے اہم شعبے درج ذیل ہیں:

1. ماڈل کی درستگی کی کارکردگی - یہ ضروری ہے۔ پیچھا کرتے رہو ماڈل کی تشخیص کے میٹرکس جیسے درستگی، درستگی، اور یاد کرنا، اور اس بات کو یقینی بنانا کہ مقصدی میٹرکس نسبتاً وہی رہیں یا ماڈل کے نئے ورژن کے ساتھ بہتر ہوں۔ زیادہ تر معاملات میں، ماڈل کے نئے ورژن کو تعینات کرنے کا کوئی مطلب نہیں ہے اگر اختتامی صارفین کے تجربے میں بہتری نہیں آئے گی۔
2. ڈیٹا کے معیار کی جانچ کریں۔ – غیر پیداواری ماحول میں ڈیٹا، چاہے وہ نقلی ہو یا پوائنٹ ان ٹائم کاپی، اس ڈیٹا کا نمائندہ ہونا چاہیے جو ماڈل کو مکمل طور پر تعینات ہونے پر، حجم یا تقسیم کے لحاظ سے موصول ہوگا۔ اگر نہیں، تو آپ کی جانچ کے عمل نمائندہ نہیں ہوں گے، اور آپ کا ماڈل پروڈکشن میں مختلف طریقے سے برتاؤ کر سکتا ہے۔
3. خصوصیت کی اہمیت اور برابری۔ - ماڈل کے نئے ورژن میں فیچر کی اہمیت کا نسبتاً پرانے ماڈل سے موازنہ ہونا چاہیے، حالانکہ نئی خصوصیات متعارف کرائی جا سکتی ہیں۔ یہ اس بات کو یقینی بنانا ہے کہ ماڈل متعصب نہیں ہو رہا ہے۔
4. کاروباری عمل کی جانچ - یہ ضروری ہے کہ ماڈل کا نیا ورژن آپ کے مطلوبہ کاروباری مقاصد کو قابل قبول پیرامیٹرز کے اندر پورا کر سکے۔ مثال کے طور پر، کاروباری میٹرکس میں سے ایک یہ ہو سکتا ہے کہ کسی بھی سروس کے لیے آخر سے آخر تک لیٹنسی 100 ملی سیکنڈ سے زیادہ نہیں ہونی چاہیے، یا کسی خاص ماڈل کی میزبانی اور دوبارہ تربیت کی لاگت ہر سال $10,000 سے زیادہ نہیں ہو سکتی۔
5. قیمت - جانچ کے لیے ایک آسان طریقہ یہ ہے کہ پورے پیداواری ماحول کو ٹیسٹ ماحول کے طور پر نقل کیا جائے۔ سافٹ ویئر ڈویلپمنٹ میں یہ ایک عام عمل ہے۔ تاہم، ML ماڈلز کے معاملے میں اس طرح کا نقطہ نظر ڈیٹا کے سائز کے لحاظ سے صحیح ROI حاصل نہیں کر سکتا اور اس کاروباری مسئلے کے لحاظ سے ماڈل پر اثر انداز ہو سکتا ہے جس کو یہ حل کر رہا ہے۔
6. سلامتی - ٹیسٹ کے ماحول میں اکثر حقیقی کسٹمر ڈیٹا کے بجائے نمونہ ڈیٹا ہونے کی توقع کی جاتی ہے اور اس کے نتیجے میں، ڈیٹا ہینڈلنگ اور تعمیل کے قوانین کم سخت ہو سکتے ہیں۔ اگرچہ لاگت کی طرح، اگر آپ محض پیداواری ماحول کو آزمائشی ماحول میں نقل کرتے ہیں، تو آپ سیکورٹی اور تعمیل کے خطرات کو متعارف کروا سکتے ہیں۔
7. فیچر اسٹور اسکیل ایبلٹی - اگر کوئی تنظیم لاگت یا حفاظتی وجوہات کی بنا پر علیحدہ ٹیسٹ فیچر اسٹور نہ بنانے کا فیصلہ کرتی ہے، تو ماڈل ٹیسٹنگ پروڈکشن فیچر اسٹور پر ہونے کی ضرورت ہے، جس کی وجہ سے اسکیل ایبلٹی مسائل پیدا ہوسکتے ہیں کیونکہ ٹیسٹنگ کی مدت کے دوران ٹریفک دوگنا ہوجاتا ہے۔
8. آن لائن ماڈل کی کارکردگی - آن لائن جائزے آف لائن تشخیص سے مختلف ہوتے ہیں اور بعض صورتوں میں سفارشی ماڈلز کی طرح اہم ہو سکتے ہیں کیونکہ وہ سمجھے جانے والے اطمینان کے بجائے حقیقی وقت میں صارف کے اطمینان کی پیمائش کرتے ہیں۔ موسمی یا دیگر صارف کے رویے کی وجہ سے غیر پروڈکشن میں حقیقی ٹریفک پیٹرن کی نقل کرنا مشکل ہے، لہذا آن لائن ماڈل کی کارکردگی صرف پروڈکشن میں کی جا سکتی ہے۔
9. آپریشنل کارکردگی۔ - جیسا کہ ماڈل بڑے ہوتے جاتے ہیں اور مختلف ہارڈ ویئر پر وکندریقرت انداز میں تیزی سے تعینات کیے جاتے ہیں، یہ ضروری ہے کہ آپ کی مطلوبہ آپریشنل کارکردگی جیسے تاخیر، غلطی کی شرح، اور مزید کے لیے ماڈل کی جانچ کریں۔

زیادہ تر ML ٹیمیں ماڈل ٹیسٹنگ کے لیے کثیر الجہتی نقطہ نظر رکھتی ہیں۔ درج ذیل حصوں میں، ہم جانچ کے مختلف مراحل کے دوران ان چیلنجوں سے نمٹنے کے طریقے فراہم کرتے ہیں۔

آف لائن ماڈل ٹیسٹنگ

اس جانچ کے مرحلے کا ہدف درستگی کے نقطہ نظر سے موجودہ ماڈل کے نئے ورژن کی توثیق کرنا ہے۔ یہ آف لائن انداز میں کیا جانا چاہئے تاکہ پیداواری نظام میں کسی بھی پیشین گوئی کو متاثر نہ کیا جائے جو حقیقی وقت کی پیش گوئیاں پیش کر رہی ہیں۔ اس بات کو یقینی بناتے ہوئے کہ نیا ماڈل قابل اطلاق تشخیصی میٹرکس کے لیے بہتر کارکردگی کا مظاہرہ کرتا ہے، یہ جانچ چیلنج 1 (ماڈل کی درستگی کی کارکردگی) کو حل کرتی ہے۔ اس کے علاوہ، صحیح ڈیٹا سیٹ کا استعمال کرتے ہوئے، یہ ٹیسٹنگ چیلنج 2 (لاگت) سے نمٹنے کے اضافی فائدے کے ساتھ، چیلنجز 3 اور 5 (ٹیسٹ ڈیٹا کے معیار، خصوصیت کی اہمیت اور برابری) کو حل کر سکتی ہے۔

یہ مرحلہ اسٹیجنگ ماحول میں کیا جاتا ہے۔

آپ کو پروڈکشن ٹریفک کو پکڑنا چاہیے، جسے آپ آف لائن بیک ٹیسٹنگ میں دوبارہ چلانے کے لیے استعمال کر سکتے ہیں۔ مصنوعی ڈیٹا کی بجائے ماضی کی پروڈکشن ٹریفک کو استعمال کرنا بہتر ہے۔ دی ایمیزون سیج میکر ماڈل مانیٹر ڈیٹا کی خصوصیت پر قبضہ آپ کو ہوسٹ کردہ ماڈلز کے لیے پروڈکشن ٹریفک حاصل کرنے کی اجازت دیتا ہے۔ ایمیزون سیج میکر. یہ ماڈل ڈویلپرز کو اپنے ماڈلز کو کاروباری دنوں یا دیگر اہم واقعات کے ڈیٹا کے ساتھ جانچنے کی اجازت دیتا ہے۔ پھر پکڑے گئے ڈیٹا کو نئے ماڈل ورژن کے ساتھ بیچ فیشن میں استعمال کرتے ہوئے دوبارہ چلایا جاتا ہے۔ سیج میکر بیچ کی تبدیلی. اس کا مطلب ہے کہ بیچ ٹرانسفارم رن صرف چند گھنٹوں میں ہفتوں یا مہینوں میں جمع کیے گئے ڈیٹا کے ساتھ ٹیسٹ کر سکتا ہے۔ ریئل ٹائم ماڈل کے دو یا زیادہ ورژن ساتھ ساتھ چلانے اور ہر اختتامی نقطہ پر ڈپلیکیٹ پیشین گوئی کی درخواستیں بھیجنے کے مقابلے یہ ماڈل کی تشخیص کے عمل کو نمایاں طور پر تیز کر سکتا ہے۔ بہتر کارکردگی کا مظاہرہ کرنے والے ورژن کو تیزی سے تلاش کرنے کے علاوہ، یہ نقطہ نظر مجموعی لاگت کو کم کرتے ہوئے، کم وقت کے لیے کمپیوٹ وسائل کا بھی استعمال کرتا ہے۔

جانچ کے لیے اس نقطہ نظر کے ساتھ ایک چیلنج یہ ہے کہ فیچر سیٹ ایک ماڈل ورژن سے دوسرے ورژن میں تبدیل ہوتا ہے۔ اس منظر نامے میں، ہم دونوں ورژنز کے لیے فیچرز کے سپر سیٹ کے ساتھ ایک فیچر سیٹ بنانے کی تجویز کرتے ہیں تاکہ تمام فیچرز کو بیک وقت دریافت کیا جا سکے اور ڈیٹا کیپچر کے ذریعے ریکارڈ کیا جا سکے۔ اس کے بعد ہر پیشین گوئی کال صرف ان خصوصیات پر کام کر سکتی ہے جو ماڈل کے موجودہ ورژن کے لیے ضروری ہیں۔

ایک اضافی بونس کے طور پر، انضمام کے ذریعے ایمیزون سیج میکر واضح کریں۔ اپنی آف لائن ماڈل ٹیسٹنگ میں، آپ تعصب کے لیے ماڈل کے نئے ورژن کو چیک کر سکتے ہیں اور ماڈل کے پچھلے ورژن کے ساتھ فیچر انتساب کا موازنہ بھی کر سکتے ہیں۔ پائپ لائنز کے ساتھ، آپ پورے ورک فلو کو اس طرح ترتیب دے سکتے ہیں کہ ٹریننگ کے بعد، ماڈل میٹرکس اور فیچر کی اہمیت کا تجزیہ کرنے کے لیے کوالٹی چیک کا مرحلہ ہو سکتا ہے۔ یہ میٹرکس میں محفوظ ہیں۔ سیج میکر ماڈل رجسٹری تربیت کے اگلے رن میں مقابلے کے لیے۔

انضمام اور کارکردگی کی جانچ

فنکشنل کے ساتھ ساتھ رن ٹائم کارکردگی کے نقطہ نظر سے اختتام سے آخر تک کاروباری عمل کی توثیق کرنے کے لیے انٹیگریشن ٹیسٹنگ کی ضرورت ہے۔ اس عمل کے اندر، پوری پائپ لائن کی جانچ کی جانی چاہیے، بشمول فیچر اسٹور میں فیچرز کی بازیافت، اور حساب لگانا اور ایم ایل ایپلیکیشن چلانا۔ یہ مختلف قسم کے مختلف پے لوڈز کے ساتھ کیا جانا چاہیے تاکہ مختلف منظرناموں اور درخواستوں کا احاطہ کیا جا سکے اور تمام ممکنہ کوڈ رنز کے لیے اعلیٰ کوریج حاصل کی جا سکے۔ یہ چیلنجز 4 اور 9 (کاروباری عمل کی جانچ اور آپریشنل کارکردگی) کو حل کرتا ہے تاکہ یہ یقینی بنایا جا سکے کہ ماڈل کے نئے ورژن سے کوئی بھی کاروباری عمل ٹوٹا نہیں ہے۔

یہ جانچ اسٹیجنگ ماحول میں کی جانی چاہیے۔

انضمام کی جانچ اور کارکردگی کی جانچ دونوں کو انفرادی ٹیموں کے ذریعہ ان کی MLOps پائپ لائن کا استعمال کرتے ہوئے لاگو کرنے کی ضرورت ہے۔ انضمام کی جانچ کے لیے، ہم تجویز کرتے ہیں کہ آزمائشی اور تجربہ شدہ طریقہ کار کے طور پر مساوی پری پروڈکشن ماحول کو برقرار رکھنے اور چند مختلف پے لوڈز کے ساتھ جانچ کریں۔ ٹیسٹنگ ورک فلو خودکار ہو سکتا ہے جیسا کہ میں دکھایا گیا ہے۔ اس ورکشاپ. کارکردگی کی جانچ کے لیے، آپ استعمال کر سکتے ہیں۔ Amazon SageMaker Inference Recommender، جو اس بات کا تعین کرنے کے لیے ایک بہترین نقطہ آغاز پیش کرتا ہے کہ کون سی مثال کی قسم اور ان میں سے کتنی مثالوں کو استعمال کرنا ہے۔ اس کے لیے، آپ کو لوڈ جنریٹر ٹول استعمال کرنے کی ضرورت ہوگی، جیسے اوپن سورس پروجیکٹس perfsizesagemaker اور perfsize کہ Intuit نے ترقی کی ہے۔ Perfsizesagemaker آپ کو مختلف قسم کے پے لوڈز، رسپانس ٹائمز، اور فی سیکنڈ کی چوٹی لین دین کے ساتھ ماڈل اینڈ پوائنٹ کنفیگریشن کو خود بخود جانچنے کی اجازت دیتا ہے۔ یہ تفصیلی ٹیسٹ کے نتائج تیار کرتا ہے جو مختلف ماڈل ورژنز کا موازنہ کرتا ہے۔ Perfsize ایک ساتھی ٹول ہے جو صرف چوٹی کے لین دین فی سیکنڈ اور متوقع جوابی وقت کے پیش نظر مختلف کنفیگریشنز آزماتا ہے۔

اے / بی ٹیسٹ

بہت سے معاملات میں جہاں ماڈل کے فوری آؤٹ پٹ پر صارف کے ردعمل کی ضرورت ہوتی ہے، جیسے ای کامرس ایپلی کیشنز، آف لائن ماڈل کی فنکشنل تشخیص کافی نہیں ہے۔ ان حالات میں، آپ کو ماڈلز کو اپ ڈیٹ کرنے کا فیصلہ کرنے سے پہلے پروڈکشن میں A/B ٹیسٹ کرنے کی ضرورت ہے۔ A/B ٹیسٹنگ میں بھی اس کے خطرات ہوتے ہیں کیونکہ حقیقی گاہک کا اثر ہو سکتا ہے۔ یہ جانچ کا طریقہ حتمی ML کارکردگی کی توثیق کے طور پر کام کرتا ہے، ایک ہلکا پھلکا انجینئرنگ سنٹی چیک۔ یہ طریقہ چیلنجز 8 اور 9 (آن لائن ماڈل کی کارکردگی اور آپریشنل ایکسیلنس) کو بھی حل کرتا ہے۔

A/B ٹیسٹنگ پیداواری ماحول میں کی جانی چاہیے۔

SageMaker کے ساتھ، آپ دوڑ کر ایم ایل ماڈلز پر آسانی سے A/B ٹیسٹنگ کر سکتے ہیں۔ ایک سے زیادہ پیداوار کی مختلف حالتیں ایک اختتامی نقطہ پر۔ ٹریفک کو نئے ورژن کی طرف بڑھایا جا سکتا ہے تاکہ اس خطرے کو کم کیا جا سکے جو برا برتاؤ کرنے والے ماڈل کی پیداوار پر ہو سکتا ہے۔ اگر A/B ٹیسٹ کے نتائج اچھے لگتے ہیں، تو ٹریفک کو نئے ورژن کی طرف لے جایا جاتا ہے، جو بالآخر 100% سے زیادہ ٹریفک لے جاتا ہے۔ ہم ماڈل A سے B میں منتقلی کے لیے تعیناتی گارڈریلز کا استعمال کرنے کی تجویز کرتے ہیں۔ A/B ٹیسٹنگ پر مزید مکمل بحث کے لیے ایمیزون کو ذاتی بنائیں۔ مثال کے طور پر ماڈلز کا حوالہ دیں۔ Amazon Personalize کی طرف سے تیار کردہ سفارشات کی افادیت کی پیمائش کرنے کے لیے A/B ٹیسٹنگ کا استعمال.

آن لائن ماڈل ٹیسٹنگ

اس منظر نامے میں، ایک ماڈل کا نیا ورژن اس سے نمایاں طور پر مختلف ہے جو پہلے سے پروڈکشن میں لائیو ٹریفک پیش کر رہا ہے، اس لیے نئے ماڈل ورژن کی افادیت کا تعین کرنے کے لیے آف لائن ٹیسٹنگ کا طریقہ مزید موزوں نہیں ہے۔ اس کی سب سے نمایاں وجہ پیشین گوئی پیدا کرنے کے لیے درکار خصوصیات میں تبدیلی ہے، تاکہ پہلے ریکارڈ شدہ لین دین کو ماڈل کی جانچ کے لیے استعمال نہ کیا جا سکے۔ اس منظر نامے میں، ہم شیڈو تعیناتیوں کا استعمال کرنے کی تجویز کرتے ہیں۔ شیڈو کی تعیناتی سائے کو تعینات کرنے کی صلاحیت پیش کرتی ہے (یا چیلنج) پروڈکشن کے ساتھ ماڈل (یا چیمپئن) ماڈل جو فی الحال پیشین گوئیاں پیش کر رہا ہے۔ اس سے آپ اندازہ کر سکتے ہیں کہ پروڈکشن ٹریفک میں شیڈو ماڈل کی کارکردگی کیسی ہے۔ شیڈو ماڈل کی پیشین گوئیاں درخواست کی درخواست پر پیش نہیں کی جاتی ہیں۔ وہ آف لائن تشخیص کے لیے لاگ ان ہیں۔ جانچ کے لیے شیڈو اپروچ کے ساتھ، ہم چیلنجز 4، 5، 6، اور 7 (کاروباری عمل کی جانچ، لاگت، سیکیورٹی، اور فیچر اسٹور اسکیل ایبلٹی) کو حل کرتے ہیں۔

آن لائن ماڈل ٹیسٹنگ سٹیجنگ یا پروڈکشن ماحول میں کی جانی چاہیے۔

نئے ماڈل ورژن کی جانچ کا یہ طریقہ ایک آخری حربے کے طور پر استعمال کیا جانا چاہیے اگر دیگر تمام طریقے استعمال نہیں کیے جا سکتے ہیں۔ ہم اسے آخری حربے کے طور پر تجویز کرتے ہیں کیونکہ متعدد ماڈلز پر ڈوپلیکس کالز پروڈکشن میں تمام ڈاون اسٹریم سروسز پر اضافی بوجھ پیدا کرتی ہیں، جو کارکردگی میں رکاوٹوں کے ساتھ ساتھ پیداوار میں لاگت میں اضافے کا باعث بن سکتی ہے۔ اس کا سب سے واضح اثر فیچر سرونگ لیئر پر ہے۔ استعمال کے معاملات کے لیے جو فزیکل ڈیٹا کے ایک مشترکہ پول سے خصوصیات کا اشتراک کرتے ہیں، ہمیں ایک ہی ڈیٹا ٹیبل تک بیک وقت استعمال کے متعدد کیسز کی نقالی کرنے کے قابل ہونے کی ضرورت ہے تاکہ یہ یقینی بنایا جا سکے کہ پروڈکشن میں منتقل ہونے سے پہلے وسائل کا کوئی تنازعہ موجود نہیں ہے۔ جہاں تک ممکن ہو، فیچر اسٹور پر ڈپلیکیٹ سوالات سے گریز کیا جانا چاہیے، اور ماڈل کے دونوں ورژنز کے لیے درکار فیچرز کو دوسرے اندازہ کے لیے دوبارہ استعمال کیا جانا چاہیے۔ فیچر اسٹورز کی بنیاد پر ایمیزون ڈائنومو ڈی بیجیسا کہ ایک Intuit نے بنایا ہے، نافذ کر سکتا ہے۔ Amazon DynamoDB ایکسلریٹر(DAX) کیش اور ڈیٹا بیس میں I/O کو دوگنا کرنے سے بچنے کے لیے۔ یہ اور دیگر کیشنگ کے اختیارات چیلنج 7 (فیچر اسٹور اسکیل ایبلٹی) کو کم کرسکتے ہیں۔

چیلنج 5 (لاگت) کے ساتھ ساتھ 7 سے نمٹنے کے لیے، ہم آنے والی ٹریفک کے نمونے کے لیے شیڈو تعیناتیوں کے استعمال کی تجویز کرتے ہیں۔ اس سے ماڈل مالکان کو پروڈکشن سسٹم پر اثر کم کرنے کے لیے کنٹرول کی ایک اور پرت ملتی ہے۔

شیڈو تعیناتی کو آن بورڈ کیا جانا چاہئے۔ ماڈل مانیٹر چیلنجر ورژن کی بہتری کا مشاہدہ کرنے کے لیے باقاعدہ پیداوار کی تعیناتیوں کی طرح پیشکش۔

نتیجہ

یہ پوسٹ ماڈل ٹیسٹنگ کے ساتھ مختلف چیلنجوں سے نمٹنے کے لیے عمل اور ٹولز کا ایک جامع سیٹ بنانے کے لیے عمارت کے بلاکس کی وضاحت کرتی ہے۔ اگرچہ ہر تنظیم منفرد ہے، لیکن اس سے آپ کو شروع کرنے میں مدد ملنی چاہیے اور آپ کی اپنی جانچ کی حکمت عملی کو لاگو کرتے وقت آپ کے تحفظات کو کم کرنا چاہیے۔

---

مصنفین کے بارے میں

ٹوبیاس وینزل ماؤنٹین ویو، کیلیفورنیا میں انٹیوٹ مشین لرننگ پلیٹ فارم کے لیے سافٹ ویئر انجینئرنگ مینیجر ہے۔ وہ 2016 میں پلیٹ فارم کے آغاز سے ہی اس پر کام کر رہا ہے اور اسے زمین سے ڈیزائن کرنے اور بنانے میں مدد کی ہے۔ اپنی ملازمت میں، اس نے پلیٹ فارم کی آپریشنل فضیلت پر توجہ مرکوز کی ہے اور اسے Intuit کے موسمی کاروبار کے ذریعے کامیابی سے پہنچایا ہے۔ اس کے علاوہ، وہ جدید ترین ٹیکنالوجیز کے ساتھ پلیٹ فارم کو مسلسل توسیع دینے کا شوق رکھتا ہے۔

شیوانشو اپادھیائے AWS بزنس ڈیولپمنٹ اینڈ اسٹریٹجک انڈسٹریز گروپ میں ایک پرنسپل سولیوشن آرکیٹیکٹ ہے۔ اس کردار میں، وہ ڈیٹا اور AI کو مؤثر طریقے سے استعمال کر کے AWS کے سب سے زیادہ جدید اختیار کرنے والوں کو اپنی صنعت کو تبدیل کرنے میں مدد کرتا ہے۔

ایلن ٹین SageMaker کے ساتھ ایک سینئر پروڈکٹ مینیجر ہے، جو بڑے ماڈل کے تخمینے کی کوششوں میں سرفہرست ہے۔ وہ تجزیات کے شعبے میں مشین لرننگ کو لاگو کرنے کا شوق رکھتا ہے۔ کام سے باہر، وہ باہر سے لطف اندوز ہوتا ہے۔