مینوفیکچرنگ کے ابھرتے ہوئے منظر نامے میں، AI اور مشین لرننگ (ML) کی تبدیلی کی طاقت واضح ہے، جو ایک ڈیجیٹل انقلاب کو آگے بڑھاتی ہے جو آپریشنز کو ہموار کرتی ہے اور پیداواری صلاحیت کو بڑھاتی ہے۔ تاہم، یہ پیشرفت ڈیٹا سے چلنے والے حلوں کو نیویگیٹ کرنے والے اداروں کے لیے منفرد چیلنجز متعارف کراتی ہے۔ صنعتی سہولیات سینسرز، ٹیلی میٹری سسٹمز، اور پروڈکشن لائنوں میں منتشر آلات سے حاصل کیے گئے غیر ساختہ ڈیٹا کی وسیع مقدار سے دوچار ہیں۔ ریئل ٹائم ڈیٹا ایپلیکیشنز کے لیے بہت اہم ہے جیسے پیشین گوئی کی دیکھ بھال اور بے ضابطگی کا پتہ لگانا، پھر بھی اس طرح کے ٹائم سیریز ڈیٹا کے ساتھ ہر صنعتی استعمال کے کیس کے لیے حسب ضرورت ایم ایل ماڈلز تیار کرنا ڈیٹا سائنسدانوں سے کافی وقت اور وسائل کا مطالبہ کرتا ہے، جس سے وسیع پیمانے پر اپنانے میں رکاوٹ ہے۔
پیداواری AI۔ بڑے پہلے سے تربیت یافتہ فاؤنڈیشن ماڈلز (FMs) کا استعمال کرتے ہوئے جیسے کلاڈ سادہ متن کے اشارے کی بنیاد پر گفتگو کے متن سے لے کر کمپیوٹر کوڈ تک مختلف قسم کے مواد کو تیزی سے تیار کر سکتا ہے، جسے کہا جاتا ہے۔ صفر شاٹ پرامپٹنگ. اس سے ڈیٹا سائنسدانوں کی ہر استعمال کے معاملے کے لیے مخصوص ML ماڈلز کو دستی طور پر تیار کرنے کی ضرورت ختم ہو جاتی ہے، اور اس لیے AI تک رسائی کو جمہوری بناتا ہے، یہاں تک کہ چھوٹے مینوفیکچررز کو بھی فائدہ پہنچاتا ہے۔ کارکنان AI سے پیدا ہونے والی بصیرت کے ذریعے پیداواری صلاحیت حاصل کرتے ہیں، انجینئرز تیزی سے بے ضابطگیوں کا پتہ لگا سکتے ہیں، سپلائی چین مینیجرز انوینٹری کو بہتر بناتے ہیں، اور پلانٹ کی قیادت باخبر، ڈیٹا پر مبنی فیصلے کرتی ہے۔
اس کے باوجود، اسٹینڈ اسٹون ایف ایم کو سیاق و سباق کے سائز کی رکاوٹوں کے ساتھ پیچیدہ صنعتی ڈیٹا کو سنبھالنے میں حدود کا سامنا کرنا پڑتا ہے (عام طور پر 200,000 سے کم ٹوکن)، جو چیلنجز پیش کرتا ہے۔ اس کو حل کرنے کے لیے، آپ قدرتی زبان کے سوالات (NLQs) کے جواب میں FM کی کوڈ تیار کرنے کی صلاحیت کا استعمال کر سکتے ہیں۔ ایجنٹوں کی طرح پانڈاس اے آئی اس کوڈ کو ہائی ریزولوشن ٹائم سیریز کے ڈیٹا پر چلاتے ہوئے اور FMs کا استعمال کرتے ہوئے غلطیوں کو ہینڈل کرتے ہوئے عمل میں آئیں۔ PandasAI ایک Python لائبریری ہے جو پانڈا میں تخلیقی AI صلاحیتوں کا اضافہ کرتی ہے، مقبول ڈیٹا تجزیہ اور ہیرا پھیری کا آلہ۔
تاہم، پیچیدہ NLQs، جیسے ٹائم سیریز ڈیٹا پروسیسنگ، ملٹی لیول ایگریگیشن، اور پیوٹ یا جوائنٹ ٹیبل آپریشنز، زیرو شاٹ پرامپٹ کے ساتھ متضاد Python اسکرپٹ کی درستگی حاصل کر سکتے ہیں۔
کوڈ جنریشن کی درستگی کو بڑھانے کے لیے، ہم متحرک طور پر تعمیر کی تجویز پیش کرتے ہیں۔ ملٹی شاٹ پرامپٹس NLQs کے لیے۔ ملٹی شاٹ پرامپٹنگ FM کو اسی طرح کے اشارے کے لیے مطلوبہ آؤٹ پٹ کی متعدد مثالیں دکھا کر، درستگی اور مستقل مزاجی کو بڑھا کر اضافی سیاق و سباق فراہم کرتا ہے۔ اس پوسٹ میں، ملٹی شاٹ پرامپٹس کو ایک ایمبیڈنگ سے حاصل کیا گیا ہے جس میں کامیاب Python کوڈ شامل ہے جو کہ اسی قسم کے ڈیٹا پر چلتا ہے (مثال کے طور پر، انٹرنیٹ آف تھنگز ڈیوائسز سے ہائی ریزولوشن ٹائم سیریز ڈیٹا)۔ متحرک طور پر بنایا گیا ملٹی شاٹ پرامپٹ FM کو سب سے زیادہ متعلقہ سیاق و سباق فراہم کرتا ہے، اور جدید ریاضی کے حساب کتاب، ٹائم سیریز ڈیٹا پروسیسنگ، اور ڈیٹا مخفف کی تفہیم میں FM کی صلاحیت کو بڑھاتا ہے۔ یہ بہتر ردعمل انٹرپرائز کے کارکنوں اور آپریشنل ٹیموں کو ڈیٹا کے ساتھ مشغول ہونے میں سہولت فراہم کرتا ہے، ڈیٹا سائنس کی وسیع مہارتوں کی ضرورت کے بغیر بصیرت حاصل کرتا ہے۔
ٹائم سیریز ڈیٹا کے تجزیہ سے آگے، ایف ایم مختلف صنعتی ایپلی کیشنز میں قیمتی ثابت ہوتے ہیں۔ دیکھ بھال کرنے والی ٹیمیں اثاثوں کی صحت کا جائزہ لیتی ہیں، تصاویر حاصل کرتی ہیں۔ ایمیزون پہچان۔-بنیاد فعالیت کے خلاصے، اور اس کے ساتھ ذہین تلاشوں کا استعمال کرتے ہوئے بے ضابطگی کی جڑ کا تجزیہ بازیافت اگمینٹڈ جنریشن (RAG)۔ ان ورک فلو کو آسان بنانے کے لیے، AWS نے متعارف کرایا ہے۔ ایمیزون بیڈرک، آپ کو جدید ترین پری ٹرینڈ FMs کے ساتھ جنریٹیو AI ایپلی کیشنز بنانے اور اسکیل کرنے کے قابل بناتا ہے جیسے کلاڈ v2. کے ساتھ ایمیزون بیڈرک کے لیے نالج بیسز، آپ پودوں کے کارکنوں کے لیے زیادہ درست بے ضابطگی کی جڑ کا تجزیہ فراہم کرنے کے لیے RAG کی ترقی کے عمل کو آسان بنا سکتے ہیں۔ ہماری پوسٹ Amazon Bedrock کے ذریعے چلنے والے صنعتی استعمال کے معاملات کے لیے ایک ذہین اسسٹنٹ کی نمائش کرتی ہے، NLQ چیلنجز کو حل کرتی ہے، امیجز سے پارٹ سمری تیار کرتی ہے، اور RAG اپروچ کے ذریعے آلات کی تشخیص کے لیے FM جوابات کو بڑھاتی ہے۔
حل جائزہ
مندرجہ ذیل خاکہ حل کے فن تعمیر کی وضاحت کرتا ہے۔
ورک فلو میں استعمال کے تین الگ الگ معاملات شامل ہیں:
کیس 1 استعمال کریں: ٹائم سیریز ڈیٹا کے ساتھ NLQ
ٹائم سیریز ڈیٹا کے ساتھ NLQ کے لیے ورک فلو درج ذیل مراحل پر مشتمل ہے:
- ہم بے ضابطگی کا پتہ لگانے کے لیے ML صلاحیتوں کے ساتھ حالت کی نگرانی کا نظام استعمال کرتے ہیں، جیسے ایمیزون مانیٹرونصنعتی سامان کی صحت کی نگرانی کے لیے۔ Amazon Monitron آلات کی کمپن اور درجہ حرارت کی پیمائش سے ممکنہ آلات کی ناکامیوں کا پتہ لگانے کے قابل ہے۔
- ہم پروسیسنگ کے ذریعے ٹائم سیریز کا ڈیٹا اکٹھا کرتے ہیں۔ ایمیزون مانیٹرون کے ذریعے ڈیٹا Amazon Kinesis ڈیٹا اسٹریمز اور ایمیزون ڈیٹا فائر ہوز، اسے ٹیبلر CSV فارمیٹ میں تبدیل کرنا اور اسے ایک میں محفوظ کرنا ایمیزون سادہ اسٹوریج سروس (ایمیزون S3) بالٹی۔
- اختتامی صارف Streamlit ایپ پر قدرتی زبان کا سوال بھیج کر Amazon S3 میں اپنے ٹائم سیریز کے ڈیٹا کے ساتھ چیٹنگ شروع کر سکتا ہے۔
- Streamlit ایپ صارف کے سوالات کو آگے بھیجتی ہے۔ ایمیزون بیڈرک ٹائٹن ٹیکسٹ ایمبیڈنگ ماڈل اس استفسار کو سرایت کرنے کے لیے، اور ایک کے اندر مماثلت کی تلاش کرتا ہے۔ ایمیزون اوپن سرچ سروس انڈیکس، جس میں سابقہ NLQs اور مثال کے کوڈ ہوتے ہیں۔
- مماثلت کی تلاش کے بعد، اسی طرح کی سرفہرست مثالیں، بشمول NLQ سوالات، ڈیٹا اسکیما، اور Python کوڈز، ایک حسب ضرورت پرامپٹ میں ڈالے جاتے ہیں۔
- PandasAI یہ کسٹم پرامپٹ Amazon Bedrock Claude v2 ماڈل کو بھیجتا ہے۔
- ایپ Amazon Bedrock Claude v2 ماڈل کے ساتھ تعامل کرنے کے لیے PandasAI ایجنٹ کا استعمال کرتی ہے، Amazon Monitron ڈیٹا کے تجزیہ اور NLQ جوابات کے لیے Python کوڈ تیار کرتی ہے۔
- Amazon Bedrock Claude v2 ماڈل کی جانب سے Python کوڈ واپس کرنے کے بعد، PandasAI ایپ سے اپ لوڈ کردہ Amazon Monitron ڈیٹا پر Python استفسار چلاتا ہے، کوڈ آؤٹ پٹ جمع کرتا ہے اور ناکام رنز کے لیے ضروری کوششوں کو حل کرتا ہے۔
- Streamlit ایپ PandasAI کے ذریعے جواب جمع کرتی ہے، اور صارفین کو آؤٹ پٹ فراہم کرتی ہے۔ اگر آؤٹ پٹ تسلی بخش ہے، تو صارف اوپن سرچ سروس میں NLQ اور Claude سے تیار کردہ Python کوڈ کو محفوظ کرتے ہوئے اسے مددگار کے طور پر نشان زد کر سکتا ہے۔
کیس 2 استعمال کریں: خرابی والے حصوں کا خلاصہ تیار کریں۔
ہمارا سمری جنریشن استعمال کیس درج ذیل مراحل پر مشتمل ہے:
- صارف کو معلوم ہونے کے بعد کہ کون سا صنعتی اثاثہ غیر معمولی رویے کو ظاہر کرتا ہے، وہ خرابی والے حصے کی تصاویر اپ لوڈ کر سکتے ہیں تاکہ یہ شناخت کر سکیں کہ آیا اس حصے میں اس کی تکنیکی تفصیلات اور آپریشن کی حالت کے مطابق جسمانی طور پر کچھ خراب ہے۔
- صارف استعمال کرسکتا ہے Amazon Recognition DetectText API ان تصاویر سے ٹیکسٹ ڈیٹا نکالنے کے لیے۔
- نکالے گئے ٹیکسٹ ڈیٹا کو Amazon Bedrock Claude v2 ماڈل کے پرامپٹ میں شامل کیا گیا ہے، جو ماڈل کو خرابی والے حصے کا 200 الفاظ کا خلاصہ تیار کرنے کے قابل بناتا ہے۔ صارف اس معلومات کو اس حصے کا مزید معائنہ کرنے کے لیے استعمال کر سکتا ہے۔
کیس 3 استعمال کریں: جڑ کی تشخیص
ہمارا بنیادی وجہ تشخیصی استعمال کا معاملہ درج ذیل مراحل پر مشتمل ہے:
- صارف انٹرپرائز ڈیٹا مختلف دستاویز فارمیٹس (PDF، TXT، اور اسی طرح) میں حاصل کرتا ہے جو خرابی کے اثاثوں سے متعلق ہے، اور انہیں S3 بالٹی میں اپ لوڈ کرتا ہے۔
- ان فائلوں کا علمی بنیاد Amazon Bedrock میں Titan ٹیکسٹ ایمبیڈنگز ماڈل اور ایک ڈیفالٹ OpenSearch سروس ویکٹر اسٹور کے ساتھ تیار کیا گیا ہے۔
- صارف خرابی کے آلات کی جڑ کی تشخیص سے متعلق سوالات کرتا ہے۔ جوابات RAG اپروچ کے ساتھ Amazon Bedrock نالج بیس کے ذریعے تیار کیے جاتے ہیں۔
شرائط
اس پوسٹ کے ساتھ ساتھ چلنے کے لیے، آپ کو درج ذیل شرائط کو پورا کرنا چاہیے:
حل کے بنیادی ڈھانچے کو تعینات کریں۔
اپنے حل کے وسائل کو ترتیب دینے کے لیے، درج ذیل مراحل کو مکمل کریں:
- تعینات کریں۔ AWS کلاؤڈ فارمیشن سانچے opensearchsagemaker.yml، جو ایک OpenSearch سروس مجموعہ اور اشاریہ بناتا ہے، ایمیزون سیج میکر نوٹ بک مثال، اور S3 بالٹی. آپ اس AWS CloudFormation اسٹیک کو نام دے سکتے ہیں:
genai-sagemaker
. - JupyterLab میں SageMaker نوٹ بک مثال کھولیں۔ آپ کو درج ذیل ملیں گے۔ GitHub repo اس مثال پر پہلے ہی ڈاؤن لوڈ کیا گیا ہے: صنعتی-آپریشنز میں-پیداواری-آف-ممکنہ- کو کھولنا.
- اس ذخیرہ میں درج ذیل ڈائریکٹری سے نوٹ بک چلائیں: industrial-operations/SagemakerNotebook/nlq-vector-rag-embedding.ipynb کے پیدا کرنے کے امکانات کو کھولنا. یہ نوٹ بک سیج میکر نوٹ بک کا استعمال کرتے ہوئے اوپن سرچ سروس انڈیکس کو لوڈ کرے گی تاکہ کلیدی قدر کے جوڑوں کو ذخیرہ کرنے کے لیے موجودہ 23 NLQ مثالیں۔.
- ڈیٹا فولڈر سے دستاویزات اپ لوڈ کریں۔ assetpartdoc CloudFormation اسٹیک آؤٹ پٹس میں درج S3 بالٹی کے GitHub ریپوزٹری میں۔
اگلا، آپ Amazon S3 میں دستاویزات کے لیے علم کی بنیاد بناتے ہیں۔
- ایمیزون بیڈرک کنسول پر، منتخب کریں۔ علم کی بنیاد نیوی گیشن پین میں.
- میں سے انتخاب کریں علم کی بنیاد بنائیں.
- کے لئے علم کی بنیاد کا نام، ایک نام درج کریں۔
- کے لئے رن ٹائم کردارمنتخب ایک نیا سروس رول بنائیں اور استعمال کریں۔.
- کے لئے ڈیٹا سورس کا نام، اپنے ڈیٹا سورس کا نام درج کریں۔
- کے لئے S3 URI، بالٹی کا S3 راستہ داخل کریں جہاں آپ نے بنیادی وجہ دستاویزات اپ لوڈ کی ہیں۔
- میں سے انتخاب کریں اگلے.
ٹائٹن ایمبیڈنگز ماڈل خود بخود منتخب ہو جاتا ہے۔ - منتخب کریں فوری طور پر ایک نیا ویکٹر اسٹور بنائیں.
- اپنی ترتیبات کا جائزہ لیں اور انتخاب کرکے علم کی بنیاد بنائیں علم کی بنیاد بنائیں.
- علم کی بنیاد کامیابی سے بننے کے بعد، منتخب کریں۔ ہم وقت ساز کریں S3 بالٹی کو نالج بیس کے ساتھ ہم آہنگ کرنے کے لیے۔
- علم کی بنیاد قائم کرنے کے بعد، آپ بنیادی وجہ تشخیص کے لیے RAG اپروچ کی جانچ کر سکتے ہیں جیسے سوالات پوچھ کر "میرا ایکچیویٹر سست سفر کرتا ہے، کیا مسئلہ ہو سکتا ہے؟"
اگلا مرحلہ یہ ہے کہ ایپ کو مطلوبہ لائبریری پیکجز کے ساتھ اپنے PC یا EC2 مثال (Ubuntu Server 22.04 LTS) پر تعینات کریں۔
- اپنی AWS اسناد مرتب کریں۔ اپنے مقامی پی سی پر AWS CLI کے ساتھ۔ سادگی کے لیے، آپ وہی ایڈمن رول استعمال کر سکتے ہیں جو آپ CloudFormation اسٹیک کو تعینات کرنے کے لیے استعمال کرتے تھے۔ اگر آپ Amazon EC2 استعمال کر رہے ہیں، مثال کے ساتھ مناسب IAM کردار منسلک کریں۔.
- کلون GitHub repo:
- ڈائرکٹری کو میں تبدیل کریں۔
unlocking-the-potential-of-generative-ai-in-industrial-operations/src
اور چلائیںsetup.sh
لینگ چین اور پانڈاس اے آئی سمیت مطلوبہ پیکجز کو انسٹال کرنے کے لیے اس فولڈر میں اسکرپٹ:cd unlocking-the-potential-of-generative-ai-in-industrial-operations/src chmod +x ./setup.sh ./setup.sh
- Streamlit ایپ کو درج ذیل کمانڈ سے چلائیں:
source monitron-genai/bin/activate python3 -m streamlit run app_bedrock.py <REPLACE WITH YOUR BEDROCK KNOWLEDGEBASE ARN>
اوپن سرچ سروس کا مجموعہ ARN فراہم کریں جسے آپ نے پچھلے مرحلے سے Amazon Bedrock میں بنایا تھا۔
اپنے اثاثہ صحت کے معاون کے ساتھ بات چیت کریں۔
اختتام سے آخر تک تعیناتی مکمل کرنے کے بعد، آپ پورٹ 8501 پر لوکل ہوسٹ کے ذریعے ایپ تک رسائی حاصل کر سکتے ہیں، جو ویب انٹرفیس کے ساتھ ایک براؤزر ونڈو کھولتا ہے۔ اگر آپ نے ایپ کو EC2 مثال پر تعینات کیا ہے، سیکیورٹی گروپ ان باؤنڈ رول کے ذریعے پورٹ 8501 تک رسائی کی اجازت دیں۔. آپ مختلف استعمال کے معاملات کے لیے مختلف ٹیبز پر جا سکتے ہیں۔
استعمال کیس 1 کو دریافت کریں۔
استعمال کے پہلے کیس کو دریافت کرنے کے لیے، منتخب کریں۔ ڈیٹا بصیرت اور چارٹ. اپنا ٹائم سیریز ڈیٹا اپ لوڈ کرکے شروع کریں۔ اگر آپ کے پاس استعمال کرنے کے لیے موجودہ ٹائم سیریز ڈیٹا فائل نہیں ہے، تو آپ درج ذیل کو اپ لوڈ کر سکتے ہیں۔ نمونہ CSV فائل گمنام Amazon Monitron پروجیکٹ ڈیٹا کے ساتھ۔ اگر آپ کے پاس پہلے سے ہی ایمیزون مانیٹرون پروجیکٹ ہے تو رجوع کریں۔ Amazon Monitron اور Amazon Kinesis کے ساتھ پیشین گوئی کی دیکھ بھال کے انتظام کے لیے قابل عمل بصیرت پیدا کریں۔ اپنے Amazon Monitron ڈیٹا کو Amazon S3 پر سٹریم کرنے اور اس ایپلیکیشن کے ساتھ اپنا ڈیٹا استعمال کرنے کے لیے۔
اپ لوڈ مکمل ہونے پر، اپنے ڈیٹا کے ساتھ بات چیت شروع کرنے کے لیے ایک سوال درج کریں۔ بائیں سائڈبار آپ کی سہولت کے لیے مثالی سوالات کی ایک رینج پیش کرتی ہے۔ مندرجہ ذیل اسکرین شاٹس FM کے ذریعہ تیار کردہ جواب اور Python کوڈ کی وضاحت کرتے ہیں جب کوئی سوال داخل کرتے ہیں جیسے کہ "مجھے ہر سائٹ کے لیے سینسر کی منفرد تعداد بتائیں جو بالترتیب وارننگ یا الارم کے طور پر دکھائی گئی ہے؟" (ایک مشکل سطح کا سوال) یا "سینسر کے لیے درجہ حرارت کے سگنل کو صحت مند نہیں کے طور پر دکھایا گیا ہے، کیا آپ غیر معمولی کمپن سگنل دکھائے گئے ہر سینسر کے لیے دنوں میں وقت کی مدت کا حساب لگا سکتے ہیں؟" (ایک چیلنج کی سطح کا سوال)۔ ایپ آپ کے سوال کا جواب دے گی، اور ڈیٹا کے تجزیہ کی Python اسکرپٹ بھی دکھائے گی جو اس نے ایسے نتائج پیدا کرنے کے لیے کی تھی۔
اگر آپ جواب سے مطمئن ہیں، تو آپ اسے بطور نشان زد کر سکتے ہیں۔ مددگارNLQ اور Claude سے تیار کردہ Python کوڈ کو OpenSearch Service انڈیکس میں محفوظ کرنا۔
استعمال کیس 2 کو دریافت کریں۔
دوسرے استعمال کے کیس کو دریافت کرنے کے لیے، منتخب کریں۔ کیپچر شدہ تصویر کا خلاصہ Streamlit ایپ میں ٹیب۔ آپ اپنے صنعتی اثاثے کی تصویر اپ لوڈ کر سکتے ہیں، اور ایپلیکیشن تصویر کی معلومات کی بنیاد پر اپنی تکنیکی تفصیلات اور آپریشن کی حالت کا 200 الفاظ کا خلاصہ تیار کرے گی۔ مندرجہ ذیل اسکرین شاٹ بیلٹ موٹر ڈرائیو کی تصویر سے تیار کردہ خلاصہ دکھاتا ہے۔ اس خصوصیت کو جانچنے کے لیے، اگر آپ کے پاس مناسب تصویر کی کمی ہے، تو آپ درج ذیل استعمال کر سکتے ہیں۔ مثال کی تصویر.
ہائیڈرولک لفٹ موٹر لیبلبذریعہ کلیرنس ریشر لائسنس یافتہ ہے۔ CC BY-SA 2.0.
استعمال کیس 3 کو دریافت کریں۔
تیسرے استعمال کے کیس کو دریافت کرنے کے لیے، منتخب کریں۔ جڑ کی وجہ کی تشخیص ٹیب اپنے ٹوٹے ہوئے صنعتی اثاثے سے متعلق ایک سوال درج کریں، جیسے کہ، "میرا ایکچیویٹر سست سفر کرتا ہے، کیا مسئلہ ہو سکتا ہے؟" جیسا کہ مندرجہ ذیل اسکرین شاٹ میں دکھایا گیا ہے، ایپلیکیشن ماخذ دستاویز کے اقتباس کے ساتھ جواب فراہم کرتی ہے جسے جواب تیار کرنے کے لیے استعمال کیا جاتا ہے۔
کیس 1 استعمال کریں: ڈیزائن کی تفصیلات
اس سیکشن میں، ہم پہلے استعمال کے کیس کے لیے ایپلیکیشن ورک فلو کے ڈیزائن کی تفصیلات پر تبادلہ خیال کرتے ہیں۔
اپنی مرضی کے مطابق فوری عمارت
صارف کی فطری زبان کا استفسار مختلف مشکل سطحوں کے ساتھ آتا ہے: آسان، مشکل اور چیلنج۔
سیدھے سادے سوالات میں درج ذیل درخواستیں شامل ہو سکتی ہیں:
- منفرد اقدار کا انتخاب کریں۔
- کل نمبر شمار کریں۔
- قدروں کو ترتیب دیں۔
ان سوالات کے لیے، PandasAI پروسیسنگ کے لیے Python اسکرپٹ تیار کرنے کے لیے براہ راست FM کے ساتھ بات چیت کر سکتا ہے۔
مشکل سوالات کے لیے بنیادی ایگریگیشن آپریشن یا ٹائم سیریز کے تجزیہ کی ضرورت ہوتی ہے، جیسے کہ درج ذیل:
- پہلے قدر اور گروپ کے نتائج کو درجہ بندی کے مطابق منتخب کریں۔
- ابتدائی ریکارڈ کے انتخاب کے بعد اعدادوشمار کو انجام دیں۔
- ٹائم اسٹیمپ کی گنتی (مثال کے طور پر، کم سے کم اور زیادہ سے زیادہ)
مشکل سوالات کے لیے، تفصیلی مرحلہ وار ہدایات کے ساتھ ایک فوری ٹیمپلیٹ درست جوابات فراہم کرنے میں FMs کی مدد کرتا ہے۔
چیلنج کی سطح کے سوالات کے لیے ریاضی کے جدید حساب کتاب اور ٹائم سیریز پروسیسنگ کی ضرورت ہوتی ہے، جیسے کہ درج ذیل:
- ہر سینسر کے لیے بے ضابطگی کی مدت کا حساب لگائیں۔
- ماہانہ بنیاد پر سائٹ کے لیے بے ضابطگی کے سینسر کا حساب لگائیں۔
- عام آپریشن اور غیر معمولی حالات میں سینسر ریڈنگ کا موازنہ کریں۔
ان سوالات کے لیے، آپ جواب کی درستگی کو بڑھانے کے لیے حسب ضرورت پرامپٹ میں ملٹی شاٹس استعمال کر سکتے ہیں۔ اس طرح کے ملٹی شاٹس ایڈوانس ٹائم سیریز پروسیسنگ اور ریاضی کے حساب کتاب کی مثالیں دکھاتے ہیں، اور اسی طرح کے تجزیے پر متعلقہ تخمینہ کرنے کے لیے FM کو سیاق و سباق فراہم کریں گے۔ متحرک طور پر NLQ سوالیہ بینک سے سب سے زیادہ متعلقہ مثالوں کو پرامپٹ میں داخل کرنا ایک چیلنج ہوسکتا ہے۔ ایک حل یہ ہے کہ موجودہ NLQ سوالوں کے نمونوں سے ایمبیڈنگز بنائیں اور ان ایمبیڈنگز کو اوپن سرچ سروس جیسے ویکٹر اسٹور میں محفوظ کریں۔ جب کوئی سوال Streamlit ایپ پر بھیجا جاتا ہے، تو سوال کو ویکٹرائز کیا جائے گا۔ بیڈروک ایمبیڈنگز. اس سوال میں سرفہرست N سب سے زیادہ متعلقہ سرایتیں استعمال کرکے بازیافت کی جاتی ہیں۔ opensearch_vector_search.similarity_search اور پرامپٹ ٹیمپلیٹ میں ملٹی شاٹ پرامپٹ کے طور پر داخل کیا گیا۔
درج ذیل خاکہ اس ورک فلو کو واضح کرتا ہے۔
ایمبیڈنگ پرت کو تین کلیدی ٹولز کا استعمال کرتے ہوئے بنایا گیا ہے:
- ایمبیڈنگز ماڈل - ہم ایمیزون بیڈرک کے ذریعے دستیاب ایمیزون ٹائٹن ایمبیڈنگز استعمال کرتے ہیں (amazon.titan-embed-text-v1) متنی دستاویزات کی عددی نمائندگی پیدا کرنے کے لیے۔
- ویکٹر اسٹور - اپنے ویکٹر اسٹور کے لیے، ہم اس نوٹ بک میں NLQ کی مثالوں سے پیدا ہونے والے ایمبیڈنگس کے ذخیرہ کو ہموار کرتے ہوئے LangChain فریم ورک کے ذریعے OpenSearch سروس استعمال کرتے ہیں۔
- انڈیکس - OpenSearch سروس انڈیکس ان پٹ ایمبیڈنگز کا دستاویزی ایمبیڈنگ سے موازنہ کرنے اور متعلقہ دستاویزات کی بازیافت میں سہولت فراہم کرنے میں اہم کردار ادا کرتا ہے۔ چونکہ Python مثال کے کوڈز کو JSON فائل کے طور پر محفوظ کیا گیا تھا، اس لیے انہیں OpenSearch سروس میں بطور ویکٹر کے ذریعے ترتیب دیا گیا تھا۔ OpenSearchVevtorSearch.fromtexts API کال۔
Streamlit کے ذریعے انسانی آڈٹ شدہ مثالوں کا مسلسل مجموعہ
ایپ ڈیولپمنٹ کے آغاز میں، ہم نے اوپن سرچ سروس انڈیکس میں صرف 23 محفوظ کردہ مثالوں کے ساتھ ایمبیڈنگ کے طور پر آغاز کیا۔ جیسے ہی ایپ فیلڈ میں لائیو ہوتی ہے، صارفین اپنے NLQs کو ایپ کے ذریعے داخل کرنا شروع کر دیتے ہیں۔ تاہم، ٹیمپلیٹ میں دستیاب محدود مثالوں کی وجہ سے، کچھ NLQs کو اس طرح کے اشارے نہیں مل سکتے ہیں۔ ان ایمبیڈنگز کو مسلسل افزودہ کرنے اور مزید متعلقہ صارف کے اشارے پیش کرنے کے لیے، آپ انسانی آڈٹ شدہ مثالیں جمع کرنے کے لیے Streamlit ایپ استعمال کر سکتے ہیں۔
ایپ کے اندر، درج ذیل فنکشن اس مقصد کو پورا کرتا ہے۔ جب اختتامی صارفین آؤٹ پٹ کو مددگار سمجھتے ہیں اور منتخب کرتے ہیں۔ مددگاردرخواست ان مراحل پر عمل کرتی ہے:
- Python اسکرپٹ جمع کرنے کے لیے PandasAI سے کال بیک کا طریقہ استعمال کریں۔
- Python اسکرپٹ، ان پٹ سوال، اور CSV میٹا ڈیٹا کو سٹرنگ میں دوبارہ فارمیٹ کریں۔
- چیک کریں کہ آیا یہ NLQ مثال پہلے سے موجودہ اوپن سرچ سروس انڈیکس میں موجود ہے۔ opensearch_vector_search.similarity_search_with_score.
- اگر اس جیسی کوئی مثال نہیں ہے تو، اس NLQ کو اوپن سرچ سروس انڈیکس میں شامل کیا جاتا ہے۔ opensearch_vector_search.add_texts.
اس صورت میں جب صارف منتخب کرتا ہے۔ مددگار نہیں، کوئی کارروائی نہیں کی جاتی ہے۔ یہ تکراری عمل اس بات کو یقینی بناتا ہے کہ صارف کی طرف سے تعاون کی گئی مثالوں کو شامل کر کے نظام میں مسلسل بہتری آتی ہے۔
def addtext_opensearch(input_question, generated_chat_code, df_column_metadata, opensearch_vector_search,similarity_threshold,kexamples, indexname):
#######build the input_question and generated code the same format as existing opensearch index##########
reconstructed_json = {}
reconstructed_json["question"]=input_question
reconstructed_json["python_code"]=str(generated_chat_code)
reconstructed_json["column_info"]=df_column_metadata
json_str = ''
for key,value in reconstructed_json.items():
json_str += key + ':' + value
reconstructed_raw_text =[]
reconstructed_raw_text.append(json_str)
results = opensearch_vector_search.similarity_search_with_score(str(reconstructed_raw_text[0]), k=kexamples) # our search query # return 3 most relevant docs
if (dumpd(results[0][1])<similarity_threshold): ###No similar embedding exist, then add text to embedding
response = opensearch_vector_search.add_texts(texts=reconstructed_raw_text, engine="faiss", index_name=indexname)
else:
response = "A similar embedding is already exist, no action."
return response
انسانی آڈیٹنگ کو شامل کرنے سے، فوری طور پر سرایت کرنے کے لیے دستیاب OpenSearch سروس میں مثالوں کی تعداد بڑھ جاتی ہے جیسے جیسے ایپ کے استعمال میں اضافہ ہوتا ہے۔ اس توسیع شدہ ایمبیڈنگ ڈیٹاسیٹ کے نتیجے میں وقت کے ساتھ ساتھ تلاش کی درستگی میں اضافہ ہوتا ہے۔ خاص طور پر، چیلنج کرنے والے NLQs کے لیے، FM کے جواب کی درستگی تقریباً 90% تک پہنچ جاتی ہے جب متحرک طور پر ہر NLQ سوال کے لیے حسب ضرورت پرامپٹس بنانے کے لیے اسی طرح کی مثالیں شامل کی جاتی ہیں۔ یہ ملٹی شاٹ پرامپٹس کے بغیر منظرناموں کے مقابلے میں 28% قابل ذکر اضافہ کی نمائندگی کرتا ہے۔
کیس 2 استعمال کریں: ڈیزائن کی تفصیلات
Streamlit ایپ پر کیپچر شدہ تصویر کا خلاصہ ٹیب، آپ براہ راست ایک تصویر فائل اپ لوڈ کر سکتے ہیں. یہ Amazon Recognition API (detect_text API)، تصویری لیبل سے متن نکال رہا ہے جس میں مشین کی تفصیلات کی تفصیل ہے۔ اس کے بعد، نکالا گیا ٹیکسٹ ڈیٹا ایمیزون بیڈروک کلاڈ ماڈل کو ایک پرامپٹ کے سیاق و سباق کے طور پر بھیجا جاتا ہے، جس کے نتیجے میں 200 الفاظ کا خلاصہ ہوتا ہے۔
صارف کے تجربے کے نقطہ نظر سے، ٹیکسٹ سمریائزیشن ٹاسک کے لیے اسٹریمنگ کی فعالیت کو فعال کرنا سب سے اہم ہے، جس سے صارفین پورے آؤٹ پٹ کا انتظار کرنے کے بجائے چھوٹے حصوں میں FM سے تیار کردہ خلاصہ پڑھ سکتے ہیں۔ ایمیزون بیڈرک اپنے API کے ذریعے اسٹریمنگ کی سہولت فراہم کرتا ہے (bedrock_runtime.invoke_model_with_response_stream).
کیس 3 استعمال کریں: ڈیزائن کی تفصیلات
اس منظر نامے میں، ہم نے RAG اپروچ کو بروئے کار لاتے ہوئے، بنیادی وجہ کے تجزیہ پر مرکوز ایک چیٹ بوٹ ایپلیکیشن تیار کی ہے۔ یہ چیٹ بوٹ بنیادی وجہ کے تجزیہ کو آسان بنانے کے لیے بیئرنگ آلات سے متعلق متعدد دستاویزات سے اخذ کرتا ہے۔ یہ RAG پر مبنی بنیادی وجہ تجزیہ چیٹ بوٹ ویکٹر ٹیکسٹ کی نمائندگی، یا سرایت کرنے کے لیے علمی بنیادوں کا استعمال کرتا ہے۔ Amazon Bedrock کے لیے نالج بیسز ایک مکمل طور پر منظم صلاحیت ہے جو آپ کو ڈیٹا کے ذرائع میں حسب ضرورت انضمام کیے بغیر یا ڈیٹا کے بہاؤ اور RAG کے نفاذ کی تفصیلات کو منظم کیے بغیر، ادخال سے لے کر بازیافت اور فوری اضافے تک پورے RAG ورک فلو کو نافذ کرنے میں مدد کرتی ہے۔
جب آپ Amazon Bedrock کی جانب سے نالج بیس کے جواب سے مطمئن ہوں، تو آپ نالج بیس سے Streamlit ایپ میں بنیادی وجہ جواب کو ضم کر سکتے ہیں۔
صاف کرو
اخراجات بچانے کے لیے، اس پوسٹ میں آپ کے بنائے گئے وسائل کو حذف کریں:
- ایمیزون بیڈرک سے علم کی بنیاد کو حذف کریں۔
- اوپن سرچ سروس انڈیکس کو حذف کریں۔
- genai-sagemaker CloudFormation اسٹیک کو حذف کریں۔
- اگر آپ Streamlit ایپ کو چلانے کے لیے EC2 مثال استعمال کرتے ہیں تو EC2 مثال کو روکیں۔
نتیجہ
جنریٹو AI ایپلی کیشنز نے پہلے ہی مختلف کاروباری عمل کو تبدیل کر دیا ہے، جس سے کارکن کی پیداواری صلاحیت اور مہارت کے سیٹ میں اضافہ ہوا ہے۔ تاہم، ٹائم سیریز ڈیٹا کے تجزیہ کو سنبھالنے میں FMs کی حدود صنعتی کلائنٹس کے ذریعہ ان کے مکمل استعمال میں رکاوٹ ہیں۔ اس رکاوٹ نے روزانہ پروسیس ہونے والے اہم ڈیٹا ٹائپ پر جنریٹو AI کے اطلاق میں رکاوٹ ڈالی ہے۔
اس پوسٹ میں، ہم نے صنعتی صارفین کے لیے اس چیلنج کو کم کرنے کے لیے تیار کردہ ایک تخلیقی AI ایپلیکیشن حل متعارف کرایا ہے۔ یہ ایپلیکیشن ایف ایم کی ٹائم سیریز کے تجزیہ کی صلاحیت کو مضبوط کرنے کے لیے ایک اوپن سورس ایجنٹ، PandasAI کا استعمال کرتی ہے۔ ٹائم سیریز کا ڈیٹا براہ راست FMs کو بھیجنے کے بجائے، ایپ غیر ساختہ ٹائم سیریز ڈیٹا کے تجزیہ کے لیے Python کوڈ تیار کرنے کے لیے PandasAI کو ملازمت دیتی ہے۔ Python کوڈ جنریشن کی درستگی کو بڑھانے کے لیے، انسانی آڈیٹنگ کے ساتھ ایک حسب ضرورت پرامپٹ جنریشن ورک فلو نافذ کیا گیا ہے۔
اپنے اثاثوں کی صحت کے بارے میں بصیرت سے بااختیار، صنعتی کارکن مختلف استعمال کے معاملات میں جنریٹیو AI کی صلاحیت کو مکمل طور پر استعمال کر سکتے ہیں، بشمول جڑ کی تشخیص اور جزوی تبدیلی کی منصوبہ بندی۔ Amazon Bedrock کے لیے نالج بیسز کے ساتھ، RAG حل ڈیولپرز کے لیے تعمیر اور انتظام کرنے کے لیے سیدھا ہے۔
انٹرپرائز ڈیٹا مینجمنٹ اور آپریشنز کی رفتار بلا شبہ آپریشنل ہیلتھ کے بارے میں جامع بصیرت کے لیے جنریٹو اے آئی کے ساتھ گہرے انضمام کی طرف بڑھ رہی ہے۔ ایمیزون بیڈرک کی سربراہی میں چلنے والی اس تبدیلی کو ایل ایل ایم کی بڑھتی ہوئی مضبوطی اور صلاحیت سے نمایاں طور پر وسعت ملی ہے۔ ایمیزون بیڈرک کلاڈ 3 حل کو مزید بلند کرنے کے لیے۔ مزید جاننے کے لیے، ملاحظہ کریں۔ ایمیزون بیڈرک دستاویزات، اور اس کے ساتھ ہاتھ ملانا ایمیزون بیڈرک ورکشاپ.
مصنفین کے بارے میں
جولیا ہو Amazon Web Services میں Sr. AI/ML Solutions آرکیٹیکٹ ہیں۔ وہ جنریٹو AI، اپلائیڈ ڈیٹا سائنس اور IoT فن تعمیر میں مہارت رکھتی ہے۔ فی الحال وہ ایمیزون کیو ٹیم کا حصہ ہے، اور مشین لرننگ ٹیکنیکل فیلڈ کمیونٹی میں ایک فعال رکن/ سرپرست ہے۔ وہ صارفین کے ساتھ کام کرتی ہے، جس میں اسٹارٹ اپ سے لے کر انٹرپرائزز تک، AWSome جنریٹیو AI سلوشنز تیار کرنے کے لیے۔ وہ خاص طور پر جدید ڈیٹا اینالیٹکس کے لیے بڑی زبان کے ماڈلز کا فائدہ اٹھانے اور حقیقی دنیا کے چیلنجوں سے نمٹنے کے لیے عملی ایپلی کیشنز کی تلاش کے بارے میں خاص طور پر پرجوش ہے۔
سدیش سسیدھرن انرجی ٹیم کے اندر، AWS میں ایک سینئر سولیوشن آرکیٹیکٹ ہے۔ سدیش کو نئی ٹیکنالوجیز کے ساتھ تجربہ کرنا اور پیچیدہ کاروباری چیلنجوں کو حل کرنے والے اختراعی حل بنانا پسند ہے۔ جب وہ حل ڈیزائن نہیں کر رہا ہے یا جدید ترین ٹیکنالوجیز کے ساتھ ٹنکرنگ نہیں کر رہا ہے، تو آپ اسے ٹینس کورٹ پر اپنے بیک ہینڈ پر کام کرتے ہوئے پا سکتے ہیں۔
نیل ڈیسائی مصنوعی ذہانت (AI)، ڈیٹا سائنس، سافٹ ویئر انجینئرنگ، اور انٹرپرائز فن تعمیر میں 20 سال سے زیادہ کے تجربے کے ساتھ ایک ٹیکنالوجی ایگزیکٹو ہے۔ AWS میں، وہ ورلڈ وائیڈ AI سروسز کے ماہر حل آرکیٹیکٹس کی ایک ٹیم کی قیادت کرتا ہے جو صارفین کو جدید جنریٹو AI سے چلنے والے حل بنانے، صارفین کے ساتھ بہترین طریقوں کا اشتراک کرنے، اور پروڈکٹ روڈ میپ چلانے میں مدد کرتے ہیں۔ Vestas، Honeywell، اور Quest Diagnostics میں اپنے سابقہ کرداروں میں، Neil نے اختراعی پروڈکٹس اور سروسز کو تیار کرنے اور لانچ کرنے میں قائدانہ کردار ادا کیا ہے جس نے کمپنیوں کو اپنے کاموں کو بہتر بنانے، اخراجات کو کم کرنے اور آمدنی بڑھانے میں مدد فراہم کی ہے۔ وہ حقیقی دنیا کے مسائل کو حل کرنے کے لیے ٹیکنالوجی کے استعمال کے بارے میں پرجوش ہے اور کامیابی کے ثابت شدہ ٹریک ریکارڈ کے ساتھ ایک اسٹریٹجک مفکر 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/unlock-the-potential-of-generative-ai-in-industrial-operations/
- : ہے
- : ہے
- : نہیں
- :کہاں
- $UP
- 000
- 1
- 100
- 125
- 150
- 16
- 20
- 20 سال
- 200
- 22
- 23
- 7
- 8
- a
- کی صلاحیت
- قابلیت
- غیر معمولی
- ہمارے بارے میں
- تک رسائی حاصل
- کے مطابق
- درستگی
- درست
- کے پار
- عمل
- قابل عمل
- فعال
- شامل کریں
- شامل کیا
- ایڈیشنل
- پتہ
- خطاب کرتے ہوئے
- جوڑتا ہے
- منتظم
- منہ بولابیٹا بنانے
- اعلی درجے کی
- کے بعد
- ایجنٹ
- ایجنٹ
- مجموعی
- AI
- AI خدمات
- AI سے چلنے والا
- AI / ML
- الارم
- کم
- اجازت دے رہا ہے
- ساتھ
- پہلے ہی
- بھی
- ایمیزون
- ایمیزون EC2
- ایمیزون پہچان۔
- ایمیزون ویب سروسز
- Amplified
- an
- تجزیہ
- تجزیاتی
- اور
- اسامانیتاوں
- بے ضابطگی کا پتہ لگانا
- گمنام
- جواب
- جواب
- بشری
- کوئی بھی
- اے پی آئی
- اپلی کیشن
- ایپ کی ترقی
- درخواست
- ایپلی کیشنز
- اطلاقی
- نقطہ نظر
- تقریبا
- آرکیٹیکٹس
- فن تعمیر
- کیا
- مصنوعی
- مصنوعی ذہانت
- مصنوعی انٹیلی جنس (AI)
- AS
- سے پوچھ
- تشخیص کریں
- اثاثے
- اثاثے
- اسسٹنٹ
- مدد
- At
- آڈیٹنگ
- اضافہ
- خود کار طریقے سے
- دستیاب
- AWS
- AWS کلاؤڈ فارمیشن
- بینک
- بیس
- کی بنیاد پر
- بنیادی
- BE
- کیونکہ
- رہا
- شروع ہوا
- شروع کریں
- رویے
- فائدہ مند
- BEST
- بہترین طریقوں
- اضافے کا باعث
- فروغ دیتا ہے
- ٹوٹ
- براؤزر
- تعمیر
- عمارت
- کاروبار
- by
- حساب
- حساب سے
- فون
- کر سکتے ہیں
- صلاحیتوں
- صلاحیت
- قبضہ
- کیس
- مقدمات
- کیونکہ
- چین
- چیلنج
- چیلنجوں
- چیلنج
- چیٹ بٹ
- چیٹنگ
- میں سے انتخاب کریں
- منتخب کریں
- cli
- کلائنٹس
- کوڈ
- کوڈ
- جمع
- جمع
- مجموعہ
- کس طرح
- آتا ہے
- کمیونٹی
- کمپنیاں
- مقابلے میں
- موازنہ
- مکمل
- پیچیدہ
- وسیع
- کمپیوٹر
- شرط
- کافی
- مشتمل
- کنسول
- رکاوٹوں
- تعمیر
- constructed,en
- تعمیر
- مشورہ
- پر مشتمل ہے
- مواد
- سیاق و سباق
- مسلسل
- مسلسل
- سہولت
- بات چیت
- سنوادی
- تبدیل کرنا
- اخراجات
- شمار
- کورٹ
- تخلیق
- بنائی
- پیدا
- اہم
- موجودہ
- اس وقت
- اپنی مرضی کے
- گاہکوں
- روزانہ
- اعداد و شمار
- ڈیٹا تجزیہ
- ڈیٹا تجزیات
- ڈیٹا مینجمنٹ
- ڈیٹا پروسیسنگ
- ڈیٹا سائنس
- اعداد و شمار پر مبنی ہے
- دن
- فیصلے
- گہرے
- پہلے سے طے شدہ
- فراہم کرتا ہے
- مطالبات
- جمہوریت کرتا ہے
- دکھایا گیا ہے
- تعیناتی
- تعینات
- تعیناتی
- ڈیزائن
- ڈیزائن
- ڈیزائننگ
- مطلوبہ
- تفصیلی
- تفصیل
- تفصیلات
- کا پتہ لگانے کے
- کھوج
- ترقی
- ترقی یافتہ
- ڈویلپرز
- ترقی
- ترقی
- کے الات
- تشخیص
- تشخیص
- آریھ
- مختلف
- مشکل
- ڈیجیٹل
- ڈیجیٹل انقلاب
- براہ راست
- ڈائرکٹری
- بات چیت
- منتشر
- مختلف
- دستاویزات
- دستاویز
- دستاویزات
- نہیں
- ڈاؤن لوڈ کیا
- مدد دیتی ہے
- ڈرائیو
- ڈرائیونگ
- دو
- مدت
- متحرک طور پر
- ہر ایک
- آسان
- یا تو
- خاتمہ کریں۔
- ختم
- اور
- یمبیڈ
- سرایت کرنا
- ملازم
- ملازمت کرتا ہے
- کو فعال کرنا
- آخر سے آخر تک
- توانائی
- مشغول
- انجنیئرنگ
- انجینئرز
- بڑھانے کے
- بہتر
- بڑھانے
- افزودگی
- درج
- انٹرپرائز
- اداروں
- پوری
- کا سامان
- نقائص
- بھی
- واقعہ
- واضح
- تیار ہوتا ہے
- مثال کے طور پر
- مثال کے طور پر
- ایگزیکٹو
- وجود
- موجودہ
- موجود ہے
- توسیع
- تجربہ
- استعمال
- تلاش
- ایکسپلور
- وسیع
- نکالنے
- چہرہ
- سہولت
- سہولت
- سہولت
- سہولیات
- ناکام
- ناکامیوں
- نمایاں کریں
- میدان
- فائل
- فائلوں
- مل
- پہلا
- بہنا
- توجہ مرکوز
- پر عمل کریں
- کے بعد
- مندرجہ ذیل ہے
- کے لئے
- فارمیٹ
- فاؤنڈیشن
- فریم ورک
- سے
- مکمل
- مکمل طور پر
- تقریب
- فعالیت
- مزید
- حاصل کرنا
- فوائد
- جمع
- پیدا
- پیدا
- پیدا کرنے والے
- نسل
- پیداواری
- پیداواری AI۔
- حاصل
- GitHub کے
- جاتا ہے
- گروپ
- بڑھتے ہوئے
- بڑھتا ہے
- ہینڈلنگ
- ہاتھوں پر
- ہارڈ
- کنٹرول
- ہے
- ہونے
- he
- صحت
- صحت مند
- Held
- مدد
- مدد
- مدد گار
- مدد کرتا ہے
- بهترین ریزولوشن
- اسے
- رکاوٹ
- ان
- ہنیویل
- تاہم
- HTML
- HTTP
- HTTPS
- انسانی
- شناخت
- if
- وضاحت
- وضاحت کرتا ہے
- تصویر
- تصاویر
- پر عملدرآمد
- نفاذ
- عملدرآمد
- کو بہتر بنانے کے
- بہتر
- بہتر ہے
- in
- شامل
- شامل
- شامل ہیں
- سمیت
- شامل کرنا
- اضافہ
- انڈکس
- انڈیکس شدہ
- صنعتی
- معلومات
- مطلع
- ابتدائی
- شروع
- شروع کرتا ہے
- جدید
- ان پٹ
- داخل کرنا
- بصیرت
- بصیرت
- انسٹال
- مثال کے طور پر
- ہدایات
- ضم
- انضمام
- انضمام
- انٹیلی جنس
- انٹیلجنٹ
- بات چیت
- انٹرفیس
- انٹرنیٹ
- چیزوں کے انٹرنیٹ
- میں
- متعارف
- متعارف کرواتا ہے
- IOT
- مسئلہ
- IT
- میں
- مشترکہ
- JPEG
- فوٹو
- JSON
- کلیدی
- علم
- جانا جاتا ہے
- جانتا ہے
- لیبل
- نہیں
- زمین کی تزئین کی
- زبان
- بڑے
- تازہ ترین
- شروع
- پرت
- قیادت
- لیڈز
- جانیں
- سیکھنے
- چھوڑ دیا
- سطح
- لیورنگنگ
- لائبریری
- لائسنس یافتہ
- کی طرح
- حدود
- لمیٹڈ
- لائنوں
- فہرست
- رہتے ہیں
- لوڈ
- مقامی
- سے محبت کرتا ہے
- مشین
- مشین لرننگ
- دیکھ بھال
- بناتا ہے
- انتظام
- میں کامیاب
- انتظام
- مینیجر
- ہیرا پھیری
- دستی طور پر
- مینوفیکچررز
- مینوفیکچرنگ
- نشان
- ریاضی
- میکس
- مئی..
- me
- پیمائش
- سے ملو
- میٹا ڈیٹا
- طریقہ
- شاید
- منٹ
- ML
- ماڈل
- ماڈل
- کی نگرانی
- نگرانی
- ماہانہ
- زیادہ
- سب سے زیادہ
- موٹر
- منتقل
- ایک سے زیادہ
- نام
- قدرتی
- تشریف لے جائیں
- تشریف لے جارہا ہے
- سمت شناسی
- ضروری
- ضرورت ہے
- نئی
- نئی ٹیکنالوجی
- اگلے
- نہیں
- عام
- قابل ذکر
- نوٹ بک
- تعداد
- حاصل
- of
- پیش کرتے ہیں
- تجویز
- on
- ایک
- صرف
- کھول
- اوپن سورس
- کھولتا ہے
- آپریشن
- آپریشنل
- آپریشنز
- کی اصلاح کریں
- or
- ہمارے
- پیداوار
- نتائج
- پر
- پیکجوں کے
- جوڑے
- pandas
- پین
- پیراماؤنٹ
- حصہ
- خاص طور پر
- جذباتی
- راستہ
- PC
- انجام دیں
- کارکردگی
- کارکردگی کا مظاہرہ
- نقطہ نظر
- پی ایچ پی
- جسمانی طورپر
- محور
- اہم
- منصوبہ بندی
- پلاٹا
- افلاطون ڈیٹا انٹیلی جنس
- پلیٹو ڈیٹا
- کھیلیں
- ادا کرتا ہے
- مقبول
- متصور ہوتا ہے
- پوسٹ
- ممکنہ
- طاقت
- طاقت
- عملی
- طریقوں
- ضروریات
- پچھلا
- پہلے
- مسائل
- عمل
- عملدرآمد
- عمل
- پروسیسنگ
- مصنوعات
- پیداوار
- پیداوری
- حاصل
- پیش رفت
- منصوبے
- اس منصوبے کے اعداد و شمار
- اشارہ کرتا ہے
- تجویز کریں
- ثابت کریں
- ثابت
- فراہم
- فراہم کرتا ہے
- فراہم کرنے
- مقصد
- ازگر
- مقدار
- سوالات
- استفسار میں
- تلاش
- سوال
- سوالات
- چیتھڑا
- رینج
- لے کر
- میں تیزی سے
- بلکہ
- پہنچتا ہے
- پڑھیں
- حقیقی دنیا
- اصل وقت
- اصل وقت کا ڈیٹا
- تسلیم
- ریکارڈ
- کو کم
- کا حوالہ دیتے ہیں
- متعلقہ
- متعلقہ
- کی جگہ
- متبادل
- ذخیرہ
- کی نمائندگی کرتا ہے
- درخواستوں
- کی ضرورت
- ضرورت
- وسائل
- بالترتیب
- جواب
- جوابات
- نتیجے
- نتائج کی نمائش
- بازیافت
- واپسی
- واپسی
- آمدنی
- انقلاب
- سڑک موڈ
- مضبوطی
- کردار
- کردار
- جڑ
- رن
- چل رہا ہے
- چلتا ہے
- sagemaker
- اسی
- مطمئن
- سے مطمئن ہونا
- محفوظ کریں
- محفوظ
- بچت
- پیمانے
- منظر نامے
- منظرنامے
- سائنس
- سائنسدانوں
- اسکرین شاٹس
- اسکرپٹ
- سکرپٹ
- تلاش کریں
- تلاش
- دوسری
- سیکشن
- سیکورٹی
- منتخب
- منتخب
- بھیجنا
- بھیجتا ہے
- سینئر
- سینسر
- سینسر
- بھیجا
- سیریز
- سرور
- کام کرتا ہے
- سروس
- سروسز
- مقرر
- سیٹ
- ترتیبات
- کئی
- سیکنڈ اور
- وہ
- منتقل
- ہونا چاہئے
- دکھائیں
- ظاہر
- دکھایا گیا
- شوز
- اشارہ
- نمایاں طور پر
- اسی طرح
- سادہ
- سادگی
- آسان بنانے
- سائٹ
- سائز
- مہارت
- مہارت
- سست
- چھوٹے
- چھوٹے
- So
- سافٹ ویئر کی
- سافٹ ویئر انجینئرنگ
- حل
- حل
- حل
- کچھ
- کچھ
- ماخذ
- ھٹا
- ذرائع
- سپیئرڈڈ
- ماہر
- خصوصی
- مخصوص
- خاص طور پر
- تصریح
- وضاحتیں
- ڈھیر لگانا
- اسٹینڈ
- شروع کریں
- شروع اپ
- ریاستی آرٹ
- کے اعداد و شمار
- مرحلہ
- مراحل
- ذخیرہ
- ذخیرہ
- براہ راست
- حکمت عملی
- سٹریم
- محرومی
- سلسلہ بندیاں۔
- منظم
- مضبوط بنانے
- سلک
- بعد میں
- کامیابی
- کامیاب
- کامیابی کے ساتھ
- اس طرح
- موزوں
- خلاصہ
- فراہمی
- فراہمی کا سلسلہ
- اس بات کا یقین
- ہم آہنگی
- کے نظام
- سسٹمز
- ٹیبل
- لیا
- ٹاسک
- ٹیم
- ٹیموں
- ٹیکنیکل
- ٹیکنالوجی
- ٹیکنالوجی
- سانچے
- ٹینس
- ٹیسٹ
- متن
- متنی
- سے
- کہ
- ۔
- ماخذ
- ان
- ان
- تو
- وہاں.
- لہذا
- یہ
- وہ
- چیزیں
- مفکر
- تھرڈ
- اس
- تین
- کے ذریعے
- وقت
- وقت کا سلسلہ
- ٹائٹین
- کرنے کے لئے
- کے آلے
- اوزار
- سب سے اوپر
- کل
- کی طرف
- ٹریک
- ٹریک ریکارڈ
- پراجیکٹ
- تبدیلی
- تبدیل
- سفر
- قسم
- عام طور پر
- اوبنٹو
- کے تحت
- افہام و تفہیم
- منفرد
- انلاک
- غیر ساختہ
- اپ لوڈ کردہ
- اپ لوڈ کرنا
- استعمال
- استعمال کی شرائط
- استعمال کیس
- استعمال کیا جاتا ہے
- رکن کا
- صارف کا تجربہ
- صارفین
- استعمال
- کا استعمال کرتے ہوئے
- قیمتی
- قیمت
- مختلف اقسام کے
- مختلف
- وسیع
- کی طرف سے
- دورہ
- جلد
- انتظار کر رہا ہے
- انتباہ
- we
- ویب
- ویب خدمات
- تھے
- کیا
- جب
- چاہے
- جس
- ڈبلیو
- وسیع پیمانے پر
- گے
- ونڈو
- ساتھ
- کے اندر
- بغیر
- کارکن
- کارکنوں
- کام کا بہاؤ
- کام کے بہاؤ
- کام کر
- کام کرتا ہے
- دنیا بھر
- غلط
- سال
- ابھی
- پیداوار
- تم
- اور
- زیفیرنیٹ