یہ پوسٹ لکھی تھی۔ PwC آسٹریلیا کے کلاؤڈ اور ڈیجیٹل کاروبار سے انکور گوئل اور کارتیکیان چوکپا کے تعاون سے۔

مصنوعی ذہانت (AI) اور مشین لرننگ (ML) سسٹمز اور عمل کا ایک لازمی حصہ بنتے جا رہے ہیں، حقیقی وقت میں فیصلوں کو قابل بناتے ہوئے، اس طرح تنظیموں میں سب سے اوپر اور نچلی سطح پر بہتری لاتے ہیں۔ تاہم، پیمانے پر ایک ایم ایل ماڈل کو پروڈکشن میں ڈالنا مشکل ہے اور اس کے لیے بہترین طریقوں کے ایک سیٹ کی ضرورت ہے۔ بہت سے کاروباروں کے پاس پہلے سے ہی ڈیٹا سائنسدان اور ایم ایل انجینئر موجود ہیں جو جدید ترین ماڈل بنا سکتے ہیں، لیکن ماڈلز کو پروڈکشن میں لے جانا اور ماڈلز کو پیمانے پر برقرار رکھنا ایک چیلنج ہے۔ دستی ورک فلو ML لائف سائیکل آپریشنز کو ترقی کے عمل کو سست کرنے، لاگت میں اضافے اور حتمی پروڈکٹ کے معیار سے سمجھوتہ کرنے کے لیے محدود کرتے ہیں۔

مشین لرننگ آپریشنز (MLOps) ML سسٹمز پر DevOps اصولوں کا اطلاق کرتا ہے۔ جس طرح DevOps سافٹ ویئر انجینئرنگ کے لیے ترقی اور آپریشنز کو یکجا کرتا ہے، اسی طرح MLOps ML انجینئرنگ اور IT آپریشنز کو یکجا کرتا ہے۔ ایم ایل سسٹمز میں تیز رفتار ترقی اور ایم ایل انجینئرنگ کے تناظر میں، ایم ایل او پیز ایسی صلاحیتیں فراہم کرتے ہیں جو ایم ایل سسٹمز کے عملی اطلاق کی منفرد پیچیدگیوں کو سنبھالنے کے لیے درکار ہیں۔ مجموعی طور پر، ML کے استعمال کے معاملات کو صنعتی بنانے اور اس عمل کو ہموار کرنے کے لیے آسانی سے دستیاب مربوط حل کی ضرورت ہوتی ہے جو MLOps کا استعمال کرتے ہوئے پیمانے پر ایک ML ماڈل کو ترقی سے پیداواری تعیناتی تک لے جاتا ہے۔

صارفین کے ان چیلنجوں سے نمٹنے کے لیے، PwC آسٹریلیا نے AI/ML ماڈلز کے آپریشنلائزیشن کو بہتر بنانے کے لیے معیاری عمل اور ٹیکنالوجی کی صلاحیتوں کے ایک سیٹ کے طور پر مشین لرننگ اوپس ایکسلریٹر تیار کیا ہے جو ML لائف سائیکل آپریشنز کے دوران ٹیموں کے درمیان کراس فنکشنل تعاون کو قابل بناتا ہے۔ PwC مشین لرننگ اوپس ایکسلریٹر، جو AWS مقامی خدمات کے اوپر بنایا گیا ہے، ایک موزوں حل فراہم کرتا ہے جو تمام صنعتوں کے صارفین کے لیے آسانی کے ساتھ ML استعمال کے معاملات میں آسانی سے ضم ہو جاتا ہے۔ اس پوسٹ میں، ہم ایک ایم ایل استعمال کیس کی تعمیر اور تعیناتی پر توجہ مرکوز کرتے ہیں جو ایم ایل ماڈل کے مختلف لائف سائیکل اجزاء کو مربوط کرتا ہے، مسلسل انضمام (CI)، مسلسل ترسیل (CD)، مسلسل تربیت (CT)، اور مسلسل نگرانی (CM) کو فعال کرتا ہے۔

حل جائزہ

MLOps میں، ڈیٹا سے ML ماڈلز تک کا کامیاب سفر کاروباری نظاموں اور عمل میں سفارشات اور پیشین گوئیوں تک کئی اہم مراحل پر مشتمل ہوتا ہے۔ اس میں کسی تجربے یا پروٹو ٹائپ کا نتیجہ لینا اور اسے معیاری کنٹرول، کوالٹی اور فیڈ بیک لوپس کے ساتھ پروڈکشن سسٹم میں تبدیل کرنا شامل ہے۔ یہ صرف آٹومیشن سے کہیں زیادہ ہے۔ یہ تنظیم کے طریقوں کو بہتر بنانے اور ایسے نتائج فراہم کرنے کے بارے میں ہے جو پیمانے پر دہرائے جانے اور دوبارہ پیدا کرنے کے قابل ہوں۔

حقیقی دنیا کے ML استعمال کیس کا صرف ایک چھوٹا سا حصہ ہی ماڈل پر مشتمل ہے۔ ایک مربوط اعلی درجے کی ML صلاحیت کو بنانے اور اسے مسلسل پیمانے پر چلانے کے لیے درکار مختلف اجزاء کو شکل 1 میں دکھایا گیا ہے۔ جیسا کہ مندرجہ ذیل خاکہ میں واضح کیا گیا ہے، PwC MLOps Accelerator میں سات اہم مربوط صلاحیتیں اور تکراری اقدامات شامل ہیں جو CI، CD، CT، اور ML استعمال کیس کا CM۔ حل AWS کی مقامی خصوصیات سے فائدہ اٹھاتا ہے۔ ایمیزون سیج میکر، اس کے ارد گرد ایک لچکدار اور قابل توسیع فریم ورک کی تعمیر۔

ایک حقیقی انٹرپرائز کے منظر نامے میں، مختلف ماحول میں ماڈلز کی سخت توثیق اور تعیناتی کو یقینی بنانے کے لیے جانچ کے اضافی مراحل اور مراحل موجود ہو سکتے ہیں۔

1. ڈیٹا اور ماڈل مینجمنٹ ایک مرکزی صلاحیت فراہم کرتا ہے جو ایم ایل فن پاروں کو ان کی زندگی بھر میں کنٹرول کرتا ہے۔ یہ آڈٹ ایبلٹی، ٹریس ایبلٹی، اور تعمیل کو قابل بناتا ہے۔ یہ ML اثاثوں کے اشتراک کے قابل، دوبارہ استعمال کے قابل، اور دریافت ہونے کو بھی فروغ دیتا ہے۔
2. ایم ایل ماڈل کی ترقی مختلف شخصیات کو ایک مضبوط اور قابل تولید ماڈل ٹریننگ پائپ لائن تیار کرنے کی اجازت دیتا ہے، جس میں اعداد و شمار کی توثیق اور تبدیلی سے لے کر ماڈل ٹریننگ اور تشخیص تک اقدامات کی ایک ترتیب شامل ہے۔
3. مسلسل انضمام / ترسیل ماڈل ٹریننگ پائپ لائن کی خودکار عمارت، جانچ، اور پیکیجنگ اور اسے ٹارگٹ ایگزیکیوشن ماحول میں تعینات کرنے میں سہولت فراہم کرتا ہے۔ CI/CD ورک فلوز اور ڈیٹا ورژننگ کے ساتھ انضمام MLOps کے بہترین طریقوں کو فروغ دیتا ہے جیسے کہ تکراری ترقی اور ڈیٹا ورژننگ کے لیے گورننس اور نگرانی۔
4. ایم ایل ماڈل مسلسل تربیت قابلیت ٹریننگ پائپ لائن کو دوبارہ ٹریننگ ٹرگرز کی بنیاد پر انجام دیتی ہے۔ یعنی جیسے جیسے نیا ڈیٹا دستیاب ہوتا ہے یا ماڈل کی کارکردگی پہلے سے طے شدہ حد سے نیچے گر جاتی ہے۔ یہ تربیت یافتہ ماڈل کو رجسٹر کرتا ہے اگر یہ ایک کامیاب ماڈل امیدوار کے طور پر اہل ہوتا ہے اور تربیتی نمونے اور متعلقہ میٹا ڈیٹا کو اسٹور کرتا ہے۔
5. ماڈل کی تعیناتی۔ رجسٹرڈ تربیت یافتہ ماڈل تک رسائی کی اجازت دیتا ہے کہ وہ پروڈکشن ریلیز کا جائزہ لے اور اسے منظور کرے اور ماڈل کی پیکیجنگ، جانچ، اور پروڈکشن سرونگ کے لیے پیشین گوئی سروس کے ماحول میں تعیناتی کے قابل بناتا ہے۔
6. پیشن گوئی کی خدمت آن لائن، بیچ، یا اسٹریمنگ پیٹرن کے ذریعے پیشن گوئی فراہم کرنے کے لیے کیپبلٹی تعینات ماڈل کو شروع کرتی ہے۔ سرونگ رن ٹائم مسلسل نگرانی اور بہتری کے لیے ماڈل سرونگ لاگز کو بھی حاصل کرتا ہے۔
7. مسلسل نگرانی ماڈل کی خرابی اور سروس کی تاثیر کا پتہ لگانے کے لیے پیشن گوئی کی تاثیر کے لیے ماڈل کی نگرانی کرتا ہے (تاخیر، پائپ لائن بھر میں، اور عملدرآمد کی غلطیاں)

پی ڈبلیو سی مشین لرننگ اوپس ایکسلریٹر فن تعمیر

کارکردگی اور اسکیل ایبلٹی کو زیادہ رکھنے اور چلانے کی لاگت کو کم رکھنے کے لیے Amazon SageMaker اور سرور لیس ٹیکنالوجی کا استعمال کرتے ہوئے AWS- مقامی خدمات کے سب سے اوپر حل بنایا گیا ہے۔

• PwC مشین لرننگ اوپس ایکسلریٹر تعمیرات، استعمال اور آپریشنز کے لیے ذاتی طور پر چلنے والی رسائی کا استحقاق فراہم کرتا ہے جو ایم ایل انجینئرز اور ڈیٹا سائنسدانوں کو پائپ لائنز (ٹریننگ اور سرونگ) کی خودکار تعیناتی اور ماڈل کے معیار کی تبدیلیوں کا تیزی سے جواب دینے کے قابل بناتا ہے۔ ایمیزون سیج میکر رول مینیجر رول پر مبنی ML سرگرمی کو نافذ کرنے کے لیے استعمال کیا جاتا ہے، اور ایمیزون S3 ان پٹ ڈیٹا اور نمونے کو ذخیرہ کرنے کے لیے استعمال کیا جاتا ہے۔
• حل کسٹمر سے موجودہ ماڈل تخلیق کے اثاثوں کا استعمال کرتا ہے اور AWS مقامی خدمات کا استعمال کرتے ہوئے اس کے ارد گرد ایک لچکدار اور قابل توسیع فریم ورک بناتا ہے۔ Amazon S3، Git، اور AWS CodeCommit کے درمیان انٹیگریشنز بنائے گئے ہیں جو مستقبل کے کم سے کم انتظام کے ساتھ ڈیٹاسیٹ ورژننگ کی اجازت دیتے ہیں۔
• AWS CloudFormation ٹیمپلیٹ کا استعمال کرتے ہوئے تیار کیا گیا ہے۔ AWS کلاؤڈ ڈویلپمنٹ کٹ (AWS CDK). AWS CDK مکمل حل کے لیے تبدیلیوں کا انتظام کرنے کی صلاحیت فراہم کرتا ہے۔ خودکار پائپ لائن میں آؤٹ آف دی باکس ماڈل اسٹوریج اور میٹرک ٹریکنگ کے اقدامات شامل ہیں۔
• PwC MLOps ایکسلریٹر کو ماڈیولر ہونے کے لیے ڈیزائن کیا گیا ہے اور اسے خود کار طریقے سے تعیناتی کی اجازت دینے کے لیے بنیادی ڈھانچے کے طور پر کوڈ (IaC) کے طور پر فراہم کیا گیا ہے۔ تعیناتی کا عمل استعمال کرتا ہے۔ AWS CodeCommit, AWS کوڈ بلڈ۔, AWS کوڈ پائپ لائن، اور AWS CloudFormation ٹیمپلیٹ۔ ایم ایل ماڈل کو چلانے کے لیے مکمل اینڈ ٹو اینڈ حل قابل تعیناتی کوڈ کے طور پر دستیاب ہے۔
• IaC ٹیمپلیٹس کی ایک سیریز کے ذریعے، تین الگ الگ اجزاء تعینات کیے گئے ہیں: ماڈل کی تعمیر، ماڈل کی تعیناتی، اور ماڈل کی نگرانی اور پیشن گوئی کی خدمت، استعمال کرتے ہوئے ایمیزون سیج میکر پائپ لائنز
  • ماڈل بلڈ پائپ لائن ماڈل کی تربیت اور تشخیص کے عمل کو خودکار بناتی ہے اور تربیت یافتہ ماڈل کی منظوری اور رجسٹریشن کو قابل بناتی ہے۔
  • ماڈل کی تعیناتی پائپ لائن بیچ اور ریئل ٹائم انفرنس کے لیے ML ماڈل کو تعینات کرنے کے لیے ضروری انفراسٹرکچر فراہم کرتی ہے۔
  • ماڈل مانیٹرنگ اور پیشن گوئی پیش کرنے والی پائپ لائن پیشین گوئیاں پیش کرنے اور ماڈل کی کارکردگی کی نگرانی کے لیے درکار انفراسٹرکچر کو تعینات کرتی ہے۔
• PwC MLOps Accelerator کو ML ماڈلز، ML فریم ورکس، اور رن ٹائم ماحولیات کے لیے agnostic ہونے کے لیے ڈیزائن کیا گیا ہے۔ حل ایک کنفیگریشن فائل کے ذریعے پروگرامنگ زبانوں جیسے Python اور R، ڈویلپمنٹ ٹولز جیسے Jupyter Notebook، اور ML فریم ورک کے مانوس استعمال کی اجازت دیتا ہے۔ یہ لچک ڈیٹا سائنسدانوں کے لیے ماڈلز کو مسلسل بہتر بنانے اور اپنی ترجیحی زبان اور ماحول کا استعمال کرتے ہوئے انہیں تعینات کرنے کے لیے سیدھا بناتی ہے۔
• حل میں پہلے سے تعمیر شدہ یا کسٹم ٹولز استعمال کرنے کے لیے بلٹ ان انٹیگریشنز ہیں ایمیزون سیج میکر گراؤنڈ ٹروتھ مسلسل تربیت اور نگرانی فراہم کرنے کے لیے تربیتی ڈیٹاسیٹس کے لیے۔
• اینڈ ٹو اینڈ ایم ایل پائپ لائن سیج میکر کی مقامی خصوصیات (ایمیزون سیج میکر اسٹوڈیو , ایمیزون سیج میکر ماڈل بلڈنگ پائپ لائنز, ایمیزون سیج میکر کے تجربات، اور ایمیزون سیج میکر کے اختتامی نکات).
• یہ حل ایمیزون سیج میکر کی بلٹ ان صلاحیتوں کا استعمال کرتا ہے ماڈل ورژننگ، ماڈل نسب سے باخبر رہنے، ماڈل شیئرنگ، اور سرور لیس انفرنس کے لیے ایمیزون سیج میکر ماڈل رجسٹری.
• ایک بار جب ماڈل پروڈکشن میں ہوتا ہے، حل حقیقی وقت میں ایم ایل ماڈلز کے معیار کی مسلسل نگرانی کرتا ہے۔ ایمیزون سیج میکر ماڈل مانیٹر پیداوار میں ماڈلز کی مسلسل نگرانی کے لیے استعمال کیا جاتا ہے۔ Amazon CloudWatch لاگز کا استعمال لاگ فائلوں کو جمع کرنے کے لیے کیا جاتا ہے جو ماڈل کی حیثیت کی نگرانی کرتی ہے، اور جب ماڈل کا معیار کچھ حدوں کو چھوتا ہے تو Amazon SNS کا استعمال کرتے ہوئے اطلاعات بھیجی جاتی ہیں۔ مقامی لاگرز جیسے کہ (boto3) کا استعمال رن اسٹیٹس کو حاصل کرنے کے لیے کیا جاتا ہے تاکہ ٹربل شوٹنگ کو تیز کیا جا سکے۔

حل واک تھرو

مندرجہ ذیل واک تھرو PwC MLOps ایکسلریٹر کا استعمال کرتے ہوئے ماڈل کے لیے MLOps کے عمل کو بنانے کے لیے معیاری اقدامات میں غوطہ زن ہے۔ یہ واک تھرو ایک MLOps انجینئر کے استعمال کے معاملے کی وضاحت کرتا ہے جو ایک سادہ تعریف/کنفیگریشن فائل کا استعمال کرتے ہوئے حال ہی میں تیار کردہ ML ماڈل کے لیے پائپ لائن کو تعینات کرنا چاہتا ہے جو بدیہی ہے۔

• شروع کرنے کے لیے، اندراج کریں۔ PwC MLOps ایکسلریٹر حل کے نمونے تک رسائی حاصل کرنے کے لیے۔ پورا حل ایک کنفیگریشن YAML فائل سے چلتا ہے (config.yaml) فی ماڈل۔ حل کو چلانے کے لیے درکار تمام تفصیلات اس کنفگ فائل میں موجود ہیں اور ماڈل کے ساتھ گٹ ریپوزٹری میں محفوظ ہیں۔ کنفیگریشن فائل کوڈ سے باہر اہم پیرامیٹرز اور سیٹنگز کو بیرونی بنا کر ورک فلو کے مراحل کو خودکار کرنے کے لیے ان پٹ کے طور پر کام کرے گی۔
• ایم ایل انجینئر کو آباد کرنا ضروری ہے۔ config.yaml فائل کریں اور MLOps پائپ لائن کو متحرک کریں۔ صارفین AWS اکاؤنٹ، ریپوزٹری، ماڈل، استعمال شدہ ڈیٹا، پائپ لائن کا نام، ٹریننگ فریم ورک، ٹریننگ کے لیے استعمال کی جانے والی مثالوں کی تعداد، انفرنس فریم ورک، اور کوئی بھی پری اور پوسٹ پروسیسنگ کے اقدامات اور کئی دوسرے کو ترتیب دے سکتے ہیں۔ ماڈل کے معیار، تعصب، اور وضاحتی قابلیت کو چیک کرنے کے لیے کنفیگریشنز۔

• ایک سادہ YAML فائل کا استعمال ہر ماڈل کی تربیت، تعیناتی، نگرانی، اور رن ٹائم کی ضروریات کو ترتیب دینے کے لیے کیا جاتا ہے۔ ایک بار config.yaml مناسب طریقے سے ترتیب دیا گیا ہے اور ماڈل کے ساتھ ساتھ اس کی اپنی گٹ ریپوزٹری میں محفوظ کیا گیا ہے، ماڈل بنانے والے آرکیسٹریٹر کو طلب کیا گیا ہے۔ یہ Bring-Your-own-Model سے بھی پڑھ سکتا ہے جسے YAML کے ذریعے ماڈل بلڈ پائپ لائن کی تعیناتی کو متحرک کرنے کے لیے ترتیب دیا جا سکتا ہے۔
• اس نقطہ کے بعد کی ہر چیز حل کے ذریعہ خودکار ہے اور اس میں ایم ایل انجینئر یا ڈیٹا سائنسدان کی شمولیت کی ضرورت نہیں ہے۔ ایم ایل ماڈل کی تعمیر کے لیے ذمہ دار پائپ لائن میں ڈیٹا پری پروسیسنگ، ماڈل ٹریننگ، ماڈل کی تشخیص، اور اوسٹ پروسیسنگ شامل ہیں۔ اگر ماڈل خودکار معیار اور کارکردگی کے ٹیسٹ پاس کرتا ہے، تو ماڈل کو رجسٹری میں محفوظ کیا جاتا ہے، اور YAML فائلوں میں تعریف کے مطابق نمونے Amazon S3 اسٹوریج میں لکھے جاتے ہیں۔ یہ اس ایم ایل ماڈل کے لیے ماڈل کی تعیناتی پائپ لائن کی تخلیق کو متحرک کرتا ہے۔

• اس کے بعد، ایک خودکار تعیناتی ٹیمپلیٹ ماڈل کو لائیو اینڈ پوائنٹ کے ساتھ سٹیجنگ ماحول میں فراہم کرتا ہے۔ منظوری کے بعد، ماڈل خود بخود پیداواری ماحول میں تعینات ہو جاتا ہے۔
• حل دو منسلک پائپ لائنوں کو تعینات کرتا ہے. پیشین گوئی کی خدمت ایک قابل رسائی لائیو اختتامی نقطہ تعینات کرتی ہے جس کے ذریعے پیشین گوئیاں پیش کی جا سکتی ہیں۔ ماڈل مانیٹرنگ ایک مسلسل مانیٹرنگ ٹول بناتا ہے جو ماڈل کی کلیدی کارکردگی اور کوالٹی میٹرکس کا حساب لگاتا ہے، اگر ماڈل کے معیار میں نمایاں تبدیلی کا پتہ چلا تو ماڈل کی دوبارہ تربیت کو متحرک کرتا ہے۔
• اب جب کہ آپ تخلیق اور ابتدائی تعیناتی سے گزر چکے ہیں، MLOps انجینئر مسائل کے لیے الرٹ کیے جانے کے لیے ناکامی کے انتباہات کو ترتیب دے سکتا ہے، مثال کے طور پر، جب پائپ لائن اپنا مطلوبہ کام کرنے میں ناکام ہو جاتی ہے۔
• MLOps اب روایتی CI/CD تعیناتی کی طرح کلاؤڈ سروس کے اجزاء کی پیکیجنگ، جانچ، اور تعیناتی کے بارے میں نہیں ہے۔ یہ ایک ایسا نظام ہے جو خود بخود دوسری سروس کو متعین کر لے۔ مثال کے طور پر، ماڈل ٹریننگ پائپ لائن خود بخود ماڈل کی تعیناتی پائپ لائن کو پیشین گوئی کی خدمت کو فعال کرنے کے لیے متعین کرتی ہے، جس کے نتیجے میں ماڈل مانیٹرنگ سروس کو قابل بنایا جاتا ہے۔

نتیجہ

خلاصہ یہ کہ، MLOps کسی بھی تنظیم کے لیے اہم ہے جس کا مقصد ML ماڈلز کو پیداواری نظاموں میں پیمانے پر تعینات کرنا ہے۔ PwC نے ڈیو اوپس ٹولز کو ماڈل ڈویلپمنٹ کے عمل میں ضم کرکے ایم ایل ماڈلز کو خودکار بنانے، تعینات کرنے اور برقرار رکھنے کے لیے ایک ایکسلریٹر تیار کیا۔

اس پوسٹ میں، ہم نے دریافت کیا کہ کس طرح PwC سلوشن AWS مقامی ML سروسز کے ذریعے تقویت یافتہ ہے اور MLOps طریقوں کو اپنانے میں مدد کرتا ہے تاکہ کاروبار اپنے AI کے سفر کو تیز کر سکیں اور اپنے ML ماڈلز سے زیادہ قدر حاصل کر سکیں۔ ہم نے پی ڈبلیو سی مشین لرننگ اوپس ایکسلریٹر تک رسائی حاصل کرنے، پائپ لائنوں کو چلانے، اور ML استعمال کے کیس کو متعین کرنے کے لیے جو صارف اٹھائے گا ان اقدامات سے گزرے جو ML ماڈل کے مختلف لائف سائیکل اجزاء کو مربوط کرتا ہے۔

AWS Cloud پر اپنے MLOps کے سفر کو پیمانے پر شروع کرنے اور اپنے ML پروڈکشن ورک بوجھ کو چلانے کے لیے، اندراج کریں۔ پی ڈبلیو سی مشین لرننگ آپریشنز.

---

مصنفین کے بارے میں

 کرن کمار بلاری Amazon Web Services (AWS) میں پرنسپل سولیوشن آرکیٹیکٹ ہیں۔ وہ ایک مبشر ہے جو صارفین کو نئی ٹیکنالوجی سے فائدہ اٹھانے اور ان کے مسائل کو حل کرنے کے لیے دوبارہ قابل صنعتی حل تیار کرنے میں مدد کرنا پسند کرتا ہے۔ وہ خاص طور پر سافٹ ویئر انجینئرنگ، جنریٹو AI اور AI/ML پروڈکٹ ڈویلپمنٹ کے ساتھ کمپنیوں کی مدد کرنے کے بارے میں پرجوش ہے۔

انکور گوئل PwC آسٹریلیا کے کلاؤڈ اور ڈیجیٹل پریکٹس میں ڈائریکٹر ہیں، جو ڈیٹا، تجزیات اور AI پر مرکوز ہے۔ انکور کے پاس ٹکنالوجی کی تبدیلیوں کو چلانے اور ڈیٹا اثاثوں اور ٹکنالوجیوں سے فائدہ اٹھاتے ہوئے جدید حل تیار کرنے میں سرکاری اور نجی شعبے کی تنظیموں کی مدد کرنے کا وسیع تجربہ ہے۔

کارتیکیان چوکپا (KC) PwC آسٹریلیا کے کلاؤڈ اور ڈیجیٹل پریکٹس میں ایک مینیجر ہے، جو ڈیٹا، تجزیات اور AI پر مرکوز ہے۔ KC اینڈ ٹو اینڈ اینالیٹکس سلوشنز کو ڈیزائن کرنے، تیار کرنے اور ان کی تعیناتی کے بارے میں پرجوش ہے جو کارکردگی اور استعمال کو بہتر بنانے اور مربوط اور ذہین چیزوں کے لیے ملکیت کی کل لاگت کو کم کرنے کے لیے ڈیٹا کو فیصلہ کن اثاثوں میں تبدیل کرتے ہیں۔

راما لنکالاپلی AWS میں ایک سینئر پارٹنر سولیوشن آرکیٹیکٹ ہے، PwC کے ساتھ کام کر رہا ہے تاکہ اپنے کلائنٹس کی منتقلی اور AWS میں جدید کاری کو تیز کر سکے۔ وہ متنوع صنعتوں میں AWS کلاؤڈ کو اپنانے میں تیزی لانے کے لیے کام کرتا ہے۔ اس کی مہارت موثر اور قابل توسیع کلاؤڈ حل کی تعمیر، AWS خدمات کا فائدہ اٹھا کر کسٹمر ایپلی کیشنز کی جدت اور جدید کاری، اور لچکدار کلاؤڈ فاؤنڈیشنز کے قیام میں مضمر ہے۔

جی جی انوالا۔ AWS میں ایک سینئر سولیوشن آرکیٹیکٹ ہے جو چیلنجوں کو حل کرنے اور حکمت عملی کے ساتھ سوچنے میں صارفین کی رہنمائی سے لطف اندوز ہوتا ہے۔ وہ ٹیک اور ڈیٹا کے بارے میں پرجوش ہے اور جدت کو فعال کرتا 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/driving-advanced-analytics-outcomes-at-scale-using-amazon-sagemaker-powered-pwcs-machine-learning-ops-accelerator/