اس بلاگ پوسٹ کی شریک مصنف گیلرمو ریبیرو، سیپسا کے سینئر ڈیٹا سائنٹسٹ ہیں۔
مشین لرننگ (ML) تعلیمی ماحول اور جدت طرازی کے شعبوں سے ابھرتے ہوئے فیشن کے رجحان کی حیثیت سے تیزی سے ترقی کر کے ہر صنعت میں کاروباروں میں قدر فراہم کرنے کا ایک کلیدی ذریعہ بن گیا ہے۔ لیبارٹریوں میں تجربات سے لے کر پیداواری ماحول میں حقیقی دنیا کے مسائل کو حل کرنے تک یہ منتقلی ساتھ ساتھ چلتی ہے۔ ایم ایل اوپس، یا DevOps کی ML دنیا میں موافقت۔
MLOps ایک ML ماڈل کے مکمل لائف سائیکل کو ہموار اور خودکار بنانے میں مدد کرتا ہے، اپنی توجہ ماخذ ڈیٹا سیٹس، تجرباتی تولیدی صلاحیت، ML الگورتھم کوڈ، اور ماڈل کے معیار پر رکھتا ہے۔
At سیپساایک عالمی توانائی کمپنی، ہم ML کا استعمال اپنے کاروبار کی تمام خطوط پر پیچیدہ مسائل سے نمٹنے کے لیے کرتے ہیں، صنعتی آلات کے لیے پیشن گوئی کی دیکھ بھال کرنے سے لے کر ہماری ریفائنریوں میں پیٹرو کیمیکل عمل کی نگرانی اور بہتری تک۔
اس پوسٹ میں، ہم اس بات پر تبادلہ خیال کرتے ہیں کہ ہم نے مندرجہ ذیل کلیدی AWS خدمات کا استعمال کرتے ہوئے MLOps کے لیے اپنے ریفرنس کا فن تعمیر کیسے بنایا:
- ایمیزون سیج میکر، ML ماڈلز بنانے، تربیت دینے اور تعینات کرنے کی خدمت
- AWS اسٹیپ فنکشنز، ایک سرور لیس کم کوڈ بصری ورک فلو سروس جو عمل کو آرکیسٹریٹ اور خودکار کرنے کے لیے استعمال ہوتی ہے۔
- ایمیزون ایونٹ برج، ایک سرور لیس ایونٹ بس
- او ڈبلیو ایس لامبڈا۔، ایک سرور لیس کمپیوٹ سروس جو آپ کو سرورز کی فراہمی یا انتظام کیے بغیر کوڈ چلانے کی اجازت دیتی ہے۔
ہم یہ بھی بتاتے ہیں کہ ہم نے اپنی کمپنی میں نئے ML پروجیکٹس کو بوٹسٹریپ کرنے کے لیے اس ریفرنس آرکیٹیکچر کو کس طرح لاگو کیا۔
للکار
پچھلے 4 سالوں کے دوران، سیپسا میں کاروبار کی متعدد لائنوں نے ایم ایل پروجیکٹس کو شروع کیا، لیکن جلد ہی کچھ مسائل اور حدود پیدا ہونا شروع ہو گئے۔
ہمارے پاس ML کے لیے کوئی ریفرنس آرکیٹیکچر نہیں تھا، اس لیے ہر پروجیکٹ نے ایڈہاک ماڈل ٹریننگ اور تعیناتی کو انجام دیتے ہوئے، نفاذ کے مختلف راستے پر عمل کیا۔ پروجیکٹ کوڈ اور پیرامیٹرز کو ہینڈل کرنے کے عام طریقہ کے بغیر اور ایم ایل ماڈل رجسٹری یا ورژننگ سسٹم کے بغیر، ہم ڈیٹا سیٹس، کوڈ اور ماڈلز کے درمیان ٹریس ایبلٹی کھو بیٹھے۔
ہمیں پروڈکشن میں ماڈلز چلانے کے طریقے میں بہتری کی گنجائش کا بھی پتہ چلا، کیونکہ ہم نے تعینات کردہ ماڈلز کی نگرانی نہیں کی تھی اور اس وجہ سے ماڈل کی کارکردگی کو ٹریک کرنے کے ذرائع نہیں تھے۔ نتیجے کے طور پر، ہم عام طور پر وقت کے نظام الاوقات کی بنیاد پر ماڈلز کو دوبارہ تربیت دیتے ہیں، کیونکہ ہمارے پاس باخبر دوبارہ تربیت کے فیصلے کرنے کے لیے صحیح میٹرکس کی کمی تھی۔
حل
ان چیلنجوں سے شروع کرتے ہوئے جن پر ہمیں قابو پانا تھا، ہم نے ایک عمومی حل تیار کیا جس کا مقصد ڈیٹا کی تیاری، ماڈل ٹریننگ، انفرنس، اور ماڈل مانیٹرنگ کو الگ کرنا تھا، اور اس میں مرکزی ماڈل رجسٹری شامل تھی۔ اس طرح، ہم نے سنٹرلائزڈ ماڈل ٹریس ایبلٹی کو متعارف کراتے ہوئے متعدد AWS اکاؤنٹس میں ماحول کے انتظام کو آسان بنایا۔
ہمارے ڈیٹا سائنسدان اور ڈویلپر استعمال کرتے ہیں۔ AWS کلاؤڈ 9 (لکھنے، چلانے، اور ڈیبگنگ کوڈ کے لیے کلاؤڈ IDE) ڈیٹا رینگلنگ اور ML تجربات کے لیے اور GitHub بطور Git کوڈ ذخیرہ۔
ایک خودکار تربیتی ورک فلو ڈیٹا سائنس ٹیم کے ذریعہ بنائے گئے کوڈ کو استعمال کرتا ہے۔ سیج میکر پر ٹرین ماڈلز اور آؤٹ پٹ ماڈلز کو ماڈل رجسٹری میں رجسٹر کرنا۔
ایک مختلف ورک فلو ماڈل کی تعیناتی کا انتظام کرتا ہے: یہ ماڈل رجسٹری سے حوالہ حاصل کرتا ہے اور اس کا استعمال کرتے ہوئے ایک انفرنس اینڈ پوائنٹ بناتا ہے۔ سیج میکر ماڈل ہوسٹنگ کی خصوصیات.
ہم نے سٹیپ فنکشنز کا استعمال کرتے ہوئے ماڈل ٹریننگ اور تعیناتی ورک فلو دونوں کو لاگو کیا، کیونکہ اس نے ایک لچکدار فریم ورک فراہم کیا ہے جو ہر پروجیکٹ کے لیے مخصوص ورک فلو کی تخلیق کے قابل بناتا ہے اور مختلف AWS سروسز اور اجزاء کو سیدھے طریقے سے ترتیب دیتا ہے۔
ڈیٹا کی کھپت کا ماڈل
Cepsa میں، ہم متنوع کاروباری ضروریات کو پورا کرنے کے لیے ڈیٹا لیکس کی ایک سیریز کا استعمال کرتے ہیں، اور یہ تمام ڈیٹا لیکس ڈیٹا کی کھپت کے ایک مشترکہ ماڈل کا اشتراک کرتے ہیں جو ڈیٹا انجینئرز اور ڈیٹا سائنسدانوں کے لیے مطلوبہ ڈیٹا کو تلاش کرنا اور استعمال کرنا آسان بناتا ہے۔
اخراجات اور ذمہ داریوں کو آسانی سے سنبھالنے کے لیے، ڈیٹا لیک کے ماحول کو ڈیٹا پروڈیوسر اور صارفین کی ایپلی کیشنز سے مکمل طور پر الگ کر دیا جاتا ہے، اور ایک مشترکہ AWS تنظیم سے تعلق رکھنے والے مختلف AWS اکاؤنٹس میں تعینات کیا جاتا ہے۔
ایم ایل ماڈلز کو تربیت دینے کے لیے استعمال ہونے والا ڈیٹا اور تربیت یافتہ ماڈلز کے لیے انفرنس ان پٹ کے طور پر استعمال ہونے والا ڈیٹا مختلف ڈیٹا لیکس سے اچھی طرح سے متعین APIs کے سیٹ کے ذریعے دستیاب کرایا جاتا ہے۔ ایمیزون API گیٹ وے, پیمانے پر APIs بنانے، شائع کرنے، برقرار رکھنے، نگرانی کرنے اور محفوظ کرنے کے لیے ایک خدمت۔ API پسدید استعمال کرتا ہے۔ ایمیزون ایتینا (معیاری ایس کیو ایل کا استعمال کرتے ہوئے ڈیٹا کا تجزیہ کرنے کے لیے ایک انٹرایکٹو استفسار سروس) پہلے سے ذخیرہ شدہ ڈیٹا تک رسائی حاصل کرنے کے لیے ایمیزون سادہ اسٹوریج سروس (ایمیزون S3) اور کیٹلاگ میں AWS گلو ڈیٹا کیٹلاگ۔
درج ذیل خاکہ Cepsa کے MLOps فن تعمیر کا عمومی جائزہ فراہم کرتا ہے۔
ماڈل ٹریننگ
تربیت کا عمل ہر ایک ماڈل کے لیے آزاد ہے اور اسے ایک کے ذریعے ہینڈل کیا جاتا ہے۔ سٹیپ فنکشنز معیاری ورک فلو، جو ہمیں مختلف پراجیکٹ کی ضروریات کی بنیاد پر ماڈل پروسیسز میں لچک فراہم کرتا ہے۔ ہمارے پاس ایک بنیادی ٹیمپلیٹ ہے جسے ہم زیادہ تر پروجیکٹس پر دوبارہ استعمال کرتے ہیں، ضرورت پڑنے پر معمولی ایڈجسٹمنٹ کرتے ہیں۔ مثال کے طور پر، کچھ پراجیکٹ مالکان نے نئے پروڈکشن ماڈلز کی تعیناتیوں کو منظور کرنے کے لیے مینوئل گیٹس شامل کرنے کا فیصلہ کیا ہے، جب کہ دوسرے پروجیکٹ مالکان نے اپنی غلطی کا پتہ لگانے اور دوبارہ کوشش کرنے کے طریقہ کار کو لاگو کیا ہے۔
ہم ماڈل ٹریننگ کے لیے استعمال ہونے والے ان پٹ ڈیٹاسیٹس پر بھی تبدیلیاں کرتے ہیں۔ اس مقصد کے لیے، ہم Lambda فنکشنز کا استعمال کرتے ہیں جو تربیتی ورک فلو میں مربوط ہیں۔ کچھ منظرناموں میں جہاں ڈیٹا کی زیادہ پیچیدہ تبدیلیوں کی ضرورت ہوتی ہے، ہم اپنا کوڈ اندر چلاتے ہیں۔ ایمیزون لچکدار کنٹینر سروس (ایمیزون ای سی ایس) آن اے ڈبلیو ایس فارگیٹ، کنٹینرز کو چلانے کے لیے ایک سرور لیس کمپیوٹ انجن۔
ہماری ڈیٹا سائنس ٹیم کثرت سے حسب ضرورت الگورتھم استعمال کرتی ہے، لہذا ہم اس کی صلاحیت سے فائدہ اٹھاتے ہیں۔ سیج میکر ماڈل ٹریننگ میں کسٹم کنٹینرز استعمال کریں۔، بھروسہ کرنا ایمیزون لچکدار کنٹینر رجسٹری (Amazon ECR)، ایک مکمل طور پر منظم کنٹینر رجسٹری جو کنٹینر کی تصاویر کو ذخیرہ کرنے، ان کا نظم کرنے، اشتراک کرنے اور تعینات کرنے کو آسان بناتی ہے۔
ہمارے زیادہ تر ایم ایل پروجیکٹ اسکیٹ لرن لائبریری پر مبنی ہیں، اس لیے ہم نے معیار کو بڑھا دیا ہے۔ سیج میکر سکیٹ لرن کنٹینر پروجیکٹ کے لیے درکار ماحولیاتی متغیرات کو شامل کرنے کے لیے، جیسے کہ Git ریپوزٹری کی معلومات اور تعیناتی کے اختیارات۔
اس نقطہ نظر کے ساتھ، ہمارے ڈیٹا سائنسدانوں کو صرف تربیتی الگورتھم کو تیار کرنے اور پروجیکٹ کے لیے درکار لائبریریوں کی وضاحت کرنے پر توجہ مرکوز کرنے کی ضرورت ہے۔ جب وہ کوڈ کی تبدیلیوں کو Git ذخیرہ میں دھکیلتے ہیں، تو ہمارا CI/CD سسٹم (جینکنز AWS پر ہوسٹڈ) ٹریننگ کوڈ اور لائبریریوں کے ساتھ کنٹینر بناتا ہے۔ اس کنٹینر کو ایمیزون ای سی آر پر دھکیل دیا جاتا ہے اور آخر کار سیج میکر ٹریننگ کی درخواست کے پیرامیٹر کے طور پر پاس کیا جاتا ہے۔
جب تربیت کا عمل مکمل ہو جاتا ہے، نتیجے میں آنے والا ماڈل Amazon S3 میں محفوظ ہو جاتا ہے، ماڈل رجسٹری میں ایک حوالہ شامل کیا جاتا ہے، اور تمام جمع کردہ معلومات اور میٹرکس کو تجربات کے کیٹلاگ میں محفوظ کر لیا جاتا ہے۔ یہ مکمل تولیدی صلاحیت کو یقینی بناتا ہے کیونکہ الگورتھم کوڈ اور لائبریریاں تجربہ سے وابستہ ڈیٹا کے ساتھ تربیت یافتہ ماڈل سے منسلک ہیں۔
مندرجہ ذیل خاکہ ماڈل کی تربیت اور دوبارہ تربیت کے عمل کی وضاحت کرتا ہے۔
ماڈل کی تعیناتی۔
فن تعمیر لچکدار ہے اور تربیت یافتہ ماڈلز کی خودکار اور دستی دونوں طرح کی تعیناتی کی اجازت دیتا ہے۔ ماڈل ڈیپلائر ورک فلو خود بخود ایک ایونٹ کے ذریعہ طلب کیا جاتا ہے جسے سیج میکر ٹریننگ ٹریننگ ختم ہونے کے بعد EventBridge میں شائع کرتا ہے، لیکن اگر ضرورت ہو تو اسے دستی طور پر بھی طلب کیا جا سکتا ہے، ماڈل رجسٹری سے صحیح ماڈل ورژن پاس کرتے ہوئے۔ خودکار درخواست کے بارے میں مزید معلومات کے لیے، دیکھیں ایمیزون سیج میکر کو ایمیزون ایونٹ برج کے ساتھ خودکار بنانا.
ماڈل ڈیپلائر ورک فلو ماڈل رجسٹری سے ماڈل کی معلومات حاصل کرتا ہے اور استعمال کرتا ہے۔ AWS کلاؤڈ فارمیشن، کوڈ سروس کے طور پر ایک منظم انفراسٹرکچر، یا تو ماڈل کو ریئل ٹائم انفرنس اینڈ پوائنٹ پر تعینات کرنے کے لیے یا پراجیکٹ کی ضروریات پر منحصر، ذخیرہ شدہ ان پٹ ڈیٹاسیٹ کے ساتھ بیچ انفرنس انجام دینے کے لیے۔
جب بھی کوئی ماڈل کسی بھی ماحول میں کامیابی کے ساتھ تعینات کیا جاتا ہے، ماڈل رجسٹری کو ایک نئے ٹیگ کے ساتھ اپ ڈیٹ کیا جاتا ہے جس سے یہ ظاہر ہوتا ہے کہ ماڈل فی الحال کن ماحول میں چل رہا ہے۔ کسی بھی وقت اینڈ پوائنٹ کو ہٹا دیا جاتا ہے، اس کا ٹیگ بھی ماڈل رجسٹری سے حذف ہو جاتا ہے۔
مندرجہ ذیل خاکہ ماڈل کی تعیناتی اور تخمینہ کے لیے ورک فلو کو ظاہر کرتا ہے۔
تجربات اور ماڈل رجسٹری
ہر تجربے اور ماڈل ورژن کو ایک ہی جگہ پر ذخیرہ کرنا اور مرکزی کوڈ ریپوزٹری کا ہونا ہمیں ماڈل ٹریننگ اور تعیناتی کو ڈیکپل کرنے اور ہر پروجیکٹ اور ماحول کے لیے مختلف AWS اکاؤنٹس استعمال کرنے کے قابل بناتا ہے۔
تمام تجرباتی اندراجات ٹریننگ اور انفرنس کوڈ کی کمٹ آئی ڈی کو محفوظ کرتی ہیں، اس لیے ہمارے پاس تجربے کے پورے عمل کا مکمل پتہ لگانے کی صلاحیت ہے اور ہم آسانی سے مختلف تجربات کا موازنہ کرنے کے قابل ہیں۔ یہ ہمیں الگورتھم اور ماڈلز کے لیے سائنسی ریسرچ کے مرحلے پر ڈپلیکیٹ کام کرنے سے روکتا ہے، اور ہمیں اپنے ماڈلز کو کسی بھی جگہ، اکاؤنٹ اور ماحول سے آزادانہ طور پر تعینات کرنے کے قابل بناتا ہے جہاں ماڈل کو تربیت دی گئی تھی۔ یہ ہمارے AWS Cloud9 تجرباتی ماحول میں تربیت یافتہ ماڈلز کے لیے بھی درست ہے۔
مجموعی طور پر، ہمارے پاس مکمل طور پر خودکار ماڈل ٹریننگ اور تعیناتی پائپ لائنز ہیں اور جب کوئی چیز صحیح طریقے سے کام نہیں کر رہی ہو یا جب کسی ٹیم کو تجرباتی مقاصد کے لیے ایک مختلف ماحول میں تعینات کردہ ماڈل کی ضرورت ہو تو ہم تیز دستی ماڈل کی تعیناتی کو انجام دینے کی لچک رکھتے ہیں۔
ایک تفصیلی استعمال کیس: YET ڈریگن پروجیکٹ
YET ڈریگن پروجیکٹ کا مقصد شنگھائی میں Cepsa کے پیٹرو کیمیکل پلانٹ کی پیداواری کارکردگی کو بہتر بنانا ہے۔ اس مقصد کو حاصل کرنے کے لیے، ہم نے کم موثر اقدامات کی تلاش میں، پیداواری عمل کا اچھی طرح سے مطالعہ کیا۔ ہمارا ہدف اجزاء کی ارتکاز کو ایک حد سے بالکل نیچے رکھ کر عمل کی پیداوار کی کارکردگی کو بڑھانا تھا۔
اس عمل کی تقلید کرنے کے لیے، ہم نے چار عمومی اضافی ماڈلز یا GAM، لکیری ماڈلز بنائے جن کا جواب پیشین گوئی کرنے والے متغیرات کے ہموار افعال پر منحصر ہے، تاکہ دو آکسیڈیشن کے عمل، ایک ارتکاز کے عمل، اور مذکورہ بالا پیداوار کے نتائج کی پیشن گوئی کی جا سکے۔ ہم نے چار GAM ماڈلز کے نتائج پر کارروائی کرنے اور پلانٹ میں لاگو کی جانے والی بہترین اصلاح تلاش کرنے کے لیے ایک اصلاح کار بھی بنایا ہے۔
اگرچہ ہمارے ماڈلز کو تاریخی ڈیٹا کے ساتھ تربیت دی جاتی ہے، لیکن پلانٹ بعض اوقات ایسے حالات میں کام کر سکتا ہے جو تربیتی ڈیٹاسیٹ میں رجسٹرڈ نہیں ہوئے تھے۔ ہم توقع کرتے ہیں کہ ہمارے سمولیشن ماڈلز ان حالات میں اچھی طرح سے کام نہیں کریں گے اس لیے ہم نے Isolation Forests algorithms کا استعمال کرتے ہوئے بے ضابطگیوں کا پتہ لگانے کے دو ماڈلز بھی بنائے ہیں، جو اس بات کا تعین کرتے ہیں کہ بے ضابطگیوں کا پتہ لگانے کے لیے ڈیٹا پوائنٹس باقی ڈیٹا سے کتنی دور ہیں۔ یہ ماڈل ایسے حالات کا پتہ لگانے میں ہماری مدد کرتے ہیں جب بھی ایسا ہوتا ہے خودکار اصلاح کے عمل کو غیر فعال کرنے کے لیے۔
صنعتی کیمیائی عمل انتہائی متغیر ہوتے ہیں اور ایم ایل ماڈلز کو پلانٹ کے آپریشن کے ساتھ اچھی طرح سے منسلک کرنے کی ضرورت ہوتی ہے، اس لیے بار بار دوبارہ تربیت کی ضرورت ہوتی ہے اور ساتھ ہی ہر صورت حال میں تعینات ماڈلز کا پتہ لگانے کی ضرورت ہوتی ہے۔ ابھی تک ڈریگن ہمارا پہلا ایم ایل آپٹیمائزیشن پروجیکٹ تھا جس میں ماڈل رجسٹری، تجربات کی مکمل تولیدی صلاحیت، اور مکمل طور پر منظم خودکار تربیتی عمل شامل تھا۔
اب، مکمل پائپ لائن جو ماڈل کو پروڈکشن میں لاتی ہے (ڈیٹا ٹرانسفارمیشن، ماڈل ٹریننگ، تجرباتی ٹریکنگ، ماڈل رجسٹری، اور ماڈل کی تعیناتی) ہر ML ماڈل کے لیے آزاد ہے۔ یہ ہمیں ماڈلز کو بار بار بہتر بنانے کے قابل بناتا ہے (مثال کے طور پر نئے متغیرات کو شامل کرنا یا نئے الگورتھم کی جانچ کرنا) اور تربیت اور تعیناتی کے مراحل کو مختلف محرکات سے جوڑنا۔
نتائج اور مستقبل میں بہتری
ہم فی الحال YET ڈریگن پروجیکٹ میں استعمال ہونے والے چھ ایم ایل ماڈلز کو خود بخود تربیت، تعینات اور ٹریک کرنے کے قابل ہیں، اور ہم نے پہلے سے ہی ہر ایک پروڈکشن ماڈل کے لیے 30 سے زیادہ ورژنز تعینات کیے ہیں۔ اس MLOps فن تعمیر کو کمپنی کے دیگر پروجیکٹس میں سینکڑوں ML ماڈلز تک بڑھا دیا گیا ہے۔
ہم اس آرکیٹیکچر کی بنیاد پر نئے YET پروجیکٹس کا آغاز کرتے رہنے کا ارادہ رکھتے ہیں، جس نے بوٹسٹریپنگ کے وقت میں کمی اور ML پائپ لائنوں کی آٹومیشن کی بدولت پروجیکٹ کے اوسط دورانیے میں 25% کی کمی کردی ہے۔ ہم نے پیداوار اور ارتکاز میں اضافے کی بدولت ہر سال تقریباً €300,000 کی بچت کا تخمینہ بھی لگایا ہے جو YET Dragon پروجیکٹ کا براہ راست نتیجہ ہے۔
اس MLOps فن تعمیر کا قلیل مدتی ارتقاء ماڈل مانیٹرنگ اور خودکار جانچ کی طرف ہے۔ ہم نئے ماڈل کے تعینات ہونے سے پہلے پہلے سے تعینات ماڈلز کے خلاف ماڈل کی کارکردگی کو خود بخود جانچنے کا ارادہ رکھتے ہیں۔ ہم ماڈل مانیٹرنگ اور انفرنس ڈیٹا ڈرفٹ مانیٹرنگ کے نفاذ میں بھی کام کر رہے ہیں۔ ایمیزون سیج میکر ماڈل مانیٹر، ماڈل ری ٹریننگ کو خودکار کرنے کے لیے۔
نتیجہ
کمپنیوں کو اپنے ایم ایل پروجیکٹس کو خودکار اور موثر انداز میں پیداوار میں لانے کے چیلنج کا سامنا ہے۔ مکمل ایم ایل ماڈل لائف سائیکل کو خودکار کرنے سے پراجیکٹ کے اوقات کو کم کرنے میں مدد ملتی ہے اور ماڈل کے بہتر معیار اور پیداوار میں تیز اور زیادہ بار بار تعیناتی کو یقینی بنایا جاتا ہے۔
ایک معیاری MLOps فن تعمیر تیار کر کے جسے پوری کمپنی میں مختلف کاروباروں نے اپنایا ہے، ہم Cepsa میں ML پروجیکٹ بوٹسٹریپنگ کو تیز کرنے اور ML ماڈل کے معیار کو بہتر بنانے کے قابل ہو گئے، ایک قابل اعتماد اور خودکار فریم ورک فراہم کیا جس پر ہماری ڈیٹا سائنس ٹیمیں تیزی سے اختراع کر سکتی ہیں۔ .
SageMaker پر MLOps کے بارے میں مزید معلومات کے لیے، ملاحظہ کریں۔ MLOps کے لیے ایمیزون سیج میکر اور میں صارفین کے استعمال کے دیگر معاملات کو چیک کریں۔ AWS مشین لرننگ بلاگ.
مصنفین کے بارے میں
گیلرمو ریبیرو جمنیز سیپسا میں پی ایچ ڈی کے ساتھ ایک سینئر ڈیٹا سائنسدان ہیں۔ نیوکلیئر فزکس میں اس کے پاس ڈیٹا سائنس پروجیکٹس کے ساتھ 6 سال کا تجربہ ہے، خاص طور پر ٹیلکو اور توانائی کی صنعت میں۔ وہ فی الحال Cepsa کے ڈیجیٹل ٹرانسفارمیشن ڈیپارٹمنٹ میں ڈیٹا سائنسدانوں کی ٹیموں کی قیادت کر رہے ہیں، جس میں مشین لرننگ پروجیکٹس کی سکیلنگ اور پروڈکٹائزیشن پر توجہ دی جا رہی ہے۔
گیلرمو مینینڈیز کورل AWS انرجی اور یوٹیلٹیز میں ایک حل آرکیٹیکٹ ہے۔ اس کے پاس SW ایپلی کیشنز کو ڈیزائن کرنے اور بنانے کا 15 سال سے زیادہ کا تجربہ ہے، اور فی الحال اینالیٹکس اور مشین لرننگ پر توجہ مرکوز کرتے ہوئے توانائی کی صنعت میں AWS صارفین کو تعمیراتی رہنمائی فراہم کرتا ہے۔
- سکے سمارٹ۔ یورپ کا بہترین بٹ کوائن اور کرپٹو ایکسچینج۔
- پلیٹو بلاک چین۔ Web3 Metaverse انٹیلی جنس۔ علم میں اضافہ۔ مفت رسائی۔
- کرپٹو ہاک۔ Altcoin ریڈار. مفت جانچ.
- ماخذ: https://aws.amazon.com/blogs/machine-learning/how-cepsa-used-amazon-sagemaker-and-aws-step-functions-to-industrialize-their-ml-projects-and-operate- ان کے-ماڈل-پیمانے پر/
- "
- 000
- 100
- 15 سال
- a
- کی صلاحیت
- ہمارے بارے میں
- تک رسائی حاصل
- اکاؤنٹ
- حاصل
- کے پار
- Ad
- شامل کیا
- فائدہ
- کے خلاف
- یلگورتم
- یلگوردمز
- تمام
- کی اجازت دیتا ہے
- پہلے ہی
- ایمیزون
- کے درمیان
- تجزیاتی
- تجزیے
- کہیں
- اے پی آئی
- APIs
- ایپلی کیشنز
- اطلاقی
- نقطہ نظر
- منظور
- ارکیٹیکچرل
- فن تعمیر
- ارد گرد
- منسلک
- خود کار طریقے سے
- آٹومیٹڈ
- خودکار
- خود کار طریقے سے
- خودکار
- میشن
- دستیاب
- AWS
- کیونکہ
- بننے
- اس سے پہلے
- کیا جا رہا ہے
- نیچے
- BEST
- بلاگ
- تعمیر
- عمارت
- بناتا ہے
- کاروبار
- کاروبار
- کیس
- مقدمات
- مرکزی
- کچھ
- چیلنج
- چیلنجوں
- کیمیائی
- بادل
- کوڈ
- وعدہ کرنا
- کامن
- کمپنی کے
- مکمل
- مکمل طور پر
- پیچیدہ
- جزو
- اجزاء
- کمپیوٹنگ
- دھیان
- رابطہ قائم کریں
- بسم
- صارفین
- کھپت
- کنٹینر
- کنٹینر
- اخراجات
- سکتا ہے
- احاطہ
- تخلیق
- پیدا
- مخلوق
- اس وقت
- اپنی مرضی کے
- گاہک
- گاہکوں
- اعداد و شمار
- ڈیٹا سائنس
- ڈیٹا سائنسدان
- فیصلہ کیا
- فیصلے
- منحصر ہے
- انحصار کرتا ہے
- تعیناتی
- تعینات
- تعیناتی
- تعینات
- ڈیزائن
- ڈیزائننگ
- تفصیلی
- پتہ چلا
- کھوج
- اس بات کا تعین
- ڈویلپرز
- ترقی
- مختلف
- ڈیجیٹل
- ڈیجیٹل تبدیلی
- براہ راست
- بات چیت
- ڈریگن
- ہر ایک
- آسانی سے
- کارکردگی
- ہنر
- کرنڈ
- کے قابل بناتا ہے
- اختتام پوائنٹ
- توانائی
- انجن
- انجینئرز
- ماحولیات
- کا سامان
- اندازے کے مطابق
- واقعہ
- ارتقاء
- بالکل
- مثال کے طور پر
- توقع ہے
- تجربہ
- تجربہ
- کی تلاش
- سامنا کرنا پڑا
- فاسٹ
- تیز تر
- نمایاں کریں
- شامل
- آخر
- پہلا
- لچک
- لچکدار
- توجہ مرکوز
- کے بعد
- فریم ورک
- سے
- مکمل
- افعال
- مستقبل
- گیٹس
- جنرل
- جاؤ
- GitHub کے
- گلوبل
- مقصد
- ہینڈل
- ہونے
- مدد
- مدد کرتا ہے
- انتہائی
- تاریخی
- کی ڈگری حاصل کی
- میزبانی کی
- ہوسٹنگ
- کس طرح
- HTTPS
- سینکڑوں
- تصاویر
- نفاذ
- عملدرآمد
- کو بہتر بنانے کے
- بہتری
- کو بہتر بنانے کے
- دیگر میں
- شامل
- اضافہ
- آزاد
- آزادانہ طور پر
- صنعتی
- صنعت
- معلومات
- مطلع
- انفراسٹرکچر
- جدت طرازی
- ان پٹ
- ضم
- انٹرایکٹو
- متعارف کرانے
- تنہائی
- مسائل
- IT
- رکھیں
- رکھتے ہوئے
- کلیدی
- شروع
- معروف
- سیکھنے
- لائبریری
- لائنوں
- محل وقوع
- تلاش
- مشین
- مشین لرننگ
- بنا
- برقرار رکھنے کے
- دیکھ بھال
- بنا
- بناتا ہے
- انتظام
- میں کامیاب
- مینیجنگ
- انداز
- دستی
- دستی طور پر
- کا مطلب ہے کہ
- پیمائش کا معیار
- ML
- ماڈل
- ماڈل
- کی نگرانی
- نگرانی
- زیادہ
- سب سے زیادہ
- ایک سے زیادہ
- ضروریات
- کام
- آپریشن
- اصلاح کے
- آپشنز کے بھی
- حکم
- تنظیم
- دیگر
- خود
- مالکان
- پاسنگ
- کارکردگی
- کارکردگی کا مظاہرہ
- مرحلہ
- طبعیات
- پوائنٹس
- پیشن گوئی
- مسائل
- عمل
- عمل
- پروڈیوسر
- پیداوار
- منصوبے
- منصوبوں
- فراہم
- فراہم کرتا ہے
- فراہم کرنے
- شائع
- مقصد
- مقاصد
- دھکیل دیا
- معیار
- اصل وقت
- کو کم
- رجسٹر
- رجسٹرڈ
- قابل اعتماد
- ذخیرہ
- ضرورت
- ضروریات
- جواب
- ذمہ داریاں
- باقی
- نتیجے
- نتائج کی نمائش
- رن
- چل رہا ہے
- پیمانے
- سکیلنگ
- سائنس
- سائنسدان
- سائنسدانوں
- محفوظ بنانے
- سیریز
- بے سرور
- سروس
- سروسز
- مقرر
- شنگھائی
- سیکنڈ اور
- مختصر مدت کے
- سادہ
- تخروپن
- ایک
- صورتحال
- چھ
- So
- حل
- حل
- کچھ
- کچھ
- مخصوص
- تیزی
- مراحل
- معیار
- شروع
- ذخیرہ
- ذخیرہ
- کارگر
- کامیابی کے ساتھ
- کے نظام
- ہدف
- ٹیم
- ٹیموں
- ٹیلکو
- ٹیسٹ
- ٹیسٹنگ
- ۔
- ماخذ
- لہذا
- اچھی طرح سے
- حد
- کے ذریعے
- وقت
- اوقات
- کی طرف
- Traceability
- ٹریک
- ٹریکنگ
- ٹریننگ
- تبدیلی
- تبدیلی
- منتقلی
- کے تحت
- us
- استعمال کی شرائط
- عام طور پر
- افادیت
- قیمت
- ورژن
- اچھی طرح سے وضاحت کی
- جبکہ
- بغیر
- کام
- کام کے بہاؤ
- کام کر
- دنیا
- تحریری طور پر
- سال
- سال
- پیداوار