جنریٹیو ڈیٹا انٹیلی جنس

Amazon Forecast کا استعمال کرتے ہوئے Snowflake میں اپنے ٹائم سیریز کی پیشن گوئی کو خودکار بنائیں

تاریخ:

یہ پوسٹ اینڈریز اینجلبریچٹ اور جیمز سن آف سنو فلیک، انکارپوریشن کے ساتھ مشترکہ تعاون ہے۔

کلاؤڈ کمپیوٹنگ انقلاب نے کاروباری اداروں کو صلاحیت کی منصوبہ بندی یا ڈیٹا برقرار رکھنے کی رکاوٹوں کے بغیر کارپوریٹ اور تنظیمی ڈیٹا کو حاصل کرنے اور اسے برقرار رکھنے کے قابل بنایا ہے۔ اب، طولانی اعداد و شمار کے متنوع اور وسیع ذخائر کے ساتھ، کمپنیاں قلیل مدتی اور طویل مدتی منصوبہ بندی کے فیصلے کرتے وقت بہتر اور باخبر فیصلے کرنے کے لیے اپنے ڈیجیٹل اثاثوں کو استعمال کرنے کے لیے نئے اور مؤثر طریقے تلاش کرنے کے قابل ہو رہی ہیں۔ ٹائم سیریز کی پیشن گوئی ایک منفرد اور ضروری سائنس ہے جو کمپنیوں کو زیادہ سے زیادہ منافع کے اکثر مسابقتی اہداف کے مقابلے میں کسٹمر سروس کی سطح کو متوازن کرنے میں مدد کے لیے جراحی کی منصوبہ بندی کے فیصلے کرنے کی اجازت دیتی ہے۔

AWS میں، ہم بعض اوقات ان صارفین کے ساتھ کام کرتے ہیں جنہوں نے ہمارا ٹیکنالوجی پارٹنر منتخب کیا ہے۔ میں Snowflake کلاؤڈ ڈیٹا پلیٹ فارم کا تجربہ فراہم کرنے کے لیے۔ ایک ایسا پلیٹ فارم ہونا جو سالوں اور سالوں کے تاریخی ڈیٹا کو یاد کر سکتا ہے طاقتور ہے — لیکن آپ اس ڈیٹا کو آگے دیکھنے اور کل کے شواہد کو کل کی منصوبہ بندی کرنے کے لیے کیسے استعمال کر سکتے ہیں؟ Snowflake میں جو کچھ ہوا ہے اسے نہ صرف دستیاب ہونے کا تصور کریں — آپ کا سچ کا واحد ورژن — بلکہ غیر سائلوڈ ڈیٹا کا ایک ملحقہ سیٹ بھی ہے جو مستقبل میں دنوں، ہفتوں یا مہینوں کے لیے ممکنہ پیشین گوئی پیش کرتا ہے۔

ایک اشتراکی سپلائی چین میں، شراکت داروں کے درمیان معلومات کا اشتراک کارکردگی کو بہتر بنا سکتا ہے، مسابقت کو بڑھا سکتا ہے، اور ضائع ہونے والے وسائل کو کم کر سکتا ہے۔ آپ کے مستقبل کی پیشن گوئی کا اشتراک کرنے کے ساتھ سہولت فراہم کی جا سکتی ہے سنو فلیک ڈیٹا شیئرنگجو آپ کو بغیر کسی رکاوٹ کے اپنے کاروباری شراکت داروں کے ساتھ محفوظ طریقے سے تعاون کرنے اور کاروباری بصیرت کی شناخت کرنے کے قابل بناتا ہے۔ اگر بہت سے شراکت دار اپنی پیشن گوئی کا اشتراک کرتے ہیں، تو اس سے منسلک سپلائی چین میں بیل وہپ اثر کو کنٹرول کرنے میں مدد مل سکتی ہے۔ آپ مؤثر طریقے سے استعمال کرسکتے ہیں۔ سنو فلیک مارکیٹ پلیس میں تیار کردہ ڈیٹاسیٹس سے اپنے پیشن گوئی کے تجزیات کو منیٹائز کرنے کے لیے ایمیزون کی پیشن گوئی.

اس پوسٹ میں، ہم Snowflake اور Forecast کا استعمال کرتے ہوئے خودکار ٹائم سیریز کی پیشن گوئی کے حل کو نافذ کرنے کے طریقہ پر تبادلہ خیال کرتے ہیں۔

ضروری AWS خدمات جو اس حل کو فعال کرتی ہیں۔

پیشن گوئی کئی جدید ترین ٹائم سیریز الگورتھم فراہم کرتی ہے اور تقریباً کسی بھی کام کے بوجھ کی ضروریات کو پورا کرنے کے لیے کافی تقسیم شدہ کمپیوٹنگ صلاحیت کے مختص کا انتظام کرتی ہے۔ پیشن گوئی کے ساتھ، آپ کو ایک ماڈل نہیں ملتا ہے۔ آپ کو بہت سے ماڈلز کی طاقت ملتی ہے جو سیٹ میں ہر بار سیریز کے لیے ایک منفرد وزن والے ماڈل میں مزید بہتر ہوتے ہیں۔ مختصر میں، سروس تمام سائنس، ڈیٹا ہینڈلنگ، اور وسائل کے انتظام کو ایک سادہ API کال میں فراہم کرتی ہے۔

AWS اسٹیپ فنکشنز ایک پروسیس آرکیسٹریشن میکانزم فراہم کرتا ہے جو مجموعی ورک فلو کو منظم کرتا ہے۔ سروس API کالوں کو انکیپسلیٹ کرتی ہے۔ ایمیزون ایتینا, او ڈبلیو ایس لامبڈا۔، اور پیشن گوئی ایک خودکار حل بنانے کے لیے جو Snowflake سے ڈیٹا حاصل کرتا ہے، تاریخی ڈیٹا کو مستقبل کی پیشین گوئیوں میں تبدیل کرنے کے لیے Forecast کا استعمال کرتا ہے، اور پھر Snowflake کے اندر ڈیٹا تخلیق کرتا ہے۔

ایتھینا فیڈریٹڈ سوالات متعدد انٹرپرائز ڈیٹا ذرائع سے مربوط ہو سکتے ہیں، بشمول ایمیزون ڈائنومو ڈی بی, ایمیزون ریڈ شفٹ, ایمیزون اوپن سرچ سروس، MySQL، PostgreSQL، Redis، اور دوسرے مقبول تھرڈ پارٹی ڈیٹا اسٹورز، جیسے Snowflake۔ ڈیٹا کنیکٹر لیمبڈا فنکشنز کے طور پر چلتے ہیں—آپ اس سورس کوڈ کو لانچ کرنے میں مدد کے لیے استعمال کر سکتے ہیں۔ ایمیزون ایتھینا لیمبڈا سنو فلیک کنیکٹر اور کے ساتھ جڑیں AWS پرائیویٹ لنک یا NAT گیٹ وے کے ذریعے۔

حل جائزہ

AWS میں جو کام ہم اکثر کرتے ہیں ان میں سے ایک کام گاہکوں کو ان کے اہداف کا ادراک کرنے میں مدد کرنے کے ساتھ ساتھ غیر متفرق ہیوی لفٹنگ کے بوجھ کو بھی ہٹانا ہے۔ اس کو ذہن میں رکھتے ہوئے، ہم مندرجہ ذیل تجویز کرتے ہیں۔ حل AWS اور Snowflake کے صارفین کو درج ذیل اقدامات کرنے میں مدد کرنے کے لیے:

  1. Snowflake سے ڈیٹا برآمد کریں۔ آپ تیار شدہ ورک فلو سے چلنے والے ضروری تاریخی ڈیٹا کو اتارنے کے لیے لچکدار میٹا ڈیٹا استعمال کر سکتے ہیں۔
  2. پیشن گوئی میں ڈیٹا درآمد کریں۔ استعمال کیس، صنعت، یا پیمانے سے کوئی فرق نہیں پڑتا، تیار کردہ ڈیٹا ان پٹ کو درآمد کرنا آسان اور خودکار ہے۔
  3. ایک جدید ترین ٹائم سیریز ماڈل کو تربیت دیں۔ آپ بنیادی ڈیٹا سائنس یا ہارڈ ویئر کی فراہمی کا انتظام کیے بغیر ٹائم سیریز کی پیشن گوئی کو خودکار کر سکتے ہیں۔
  4. تربیت یافتہ ماڈل کے خلاف تخمینہ پیدا کریں۔ پیشن گوئی سے تیار کردہ آؤٹ پٹ کسی بھی مقصد کے لیے استعمال کرنا آسان ہے۔ وہ سادہ CSV یا Parquet فائلوں کے طور پر دستیاب ہیں۔ ایمیزون سادہ اسٹوریج سروس (ایمیزون S3)۔
  5. Snowflake میں تاریخ اور مستقبل کی پیشین گوئیوں کو ساتھ ساتھ استعمال کریں۔

مندرجہ ذیل خاکہ اس بات کی وضاحت کرتا ہے کہ ایک خودکار ورک فلو کو کیسے نافذ کیا جائے جو Snowflake کے صارفین کو AWS کے زیر انتظام سروس Forecast کے تعاون سے انتہائی درست ٹائم سیریز کی پیشین گوئیوں سے فائدہ اٹھانے کے قابل بناتا ہے۔ استعمال کے معاملے اور صنعت سے ماورا، یہاں پیش کردہ ڈیزائن سب سے پہلے Snowflake سے تاریخی ڈیٹا نکالتا ہے۔ اگلا، ورک فلو ٹائم سیریز کی گنتی کے لیے تیار کردہ ڈیٹا جمع کرتا ہے۔ آخر میں، مستقبل کی مدت کی پیشین گوئیاں مقامی طور پر Snowflake میں دستیاب ہیں، جو مشترکہ AWS اور Snowflake کے صارفین کے لیے ایک ہموار صارف کا تجربہ تخلیق کرتی ہیں۔

اگرچہ یہ فن تعمیر صرف اہم تکنیکی تفصیلات پر روشنی ڈالتا ہے، لیکن حل ایک ساتھ رکھنا آسان ہے، بعض اوقات 1-2 کاروباری دنوں کے اندر۔ ہم آپ کو ورکنگ سیمپل کوڈ فراہم کرتے ہیں تاکہ اکیلے اور بغیر کسی ہیڈ سٹارٹ کے حل کو بنانے کے غیر متفرق ہیوی لفٹنگ کو دور کرنے میں مدد ملے۔ ایک کام کے بوجھ کے لیے اس پیٹرن کو کیسے نافذ کرنا ہے یہ دریافت کرنے کے بعد، آپ Snowflake میں رکھے گئے کسی بھی ڈیٹا کے لیے پیشن گوئی کے عمل کو دہرا سکتے ہیں۔ اس کے بعد آنے والے حصوں میں، ہم ان اہم اقدامات کا خاکہ پیش کرتے ہیں جو آپ کو خودکار پائپ لائن بنانے کے قابل بناتے ہیں۔

Snowflake سے تاریخی ڈیٹا نکالیں۔

اس پہلے مرحلے میں، آپ SQL کا استعمال کرتے ہیں کہ آپ کس ڈیٹا کی پیشن گوئی کرنا چاہتے ہیں اور Athena Federated Query کو Snowflake سے منسلک ہونے دیں، اپنا حسب ضرورت ایس کیو ایل چلائیں، اور Amazon S3 پر مرتب کردہ نتیجے میں ریکارڈ کو برقرار رکھیں۔ پیشن گوئی کے لیے ضروری ہے کہ ادخال سے پہلے تاریخی تربیتی ڈیٹا Amazon S3 پر دستیاب ہو۔ لہذا، Amazon S3 Snowflake اور Forecast کے درمیان ایک انٹرمیڈیٹ اسٹوریج بفر کے طور پر کام کرتا ہے۔ Snowflake اور دیگر متفاوت ڈیٹا ذرائع کو فعال کرنے کے لیے ہم اس ڈیزائن میں Athena کو نمایاں کرتے ہیں۔ اگر آپ ترجیح دیتے ہیں تو، Amazon S3 پر استفسار کے نتائج لکھنے کے لیے ایک اور طریقہ Snowflake COPY کمانڈ اور اسٹوریج انٹیگریشن کا استعمال کر رہا ہے۔

استعمال کیے جانے والے نقل و حمل کے طریقہ کار سے قطع نظر، ہم اب خاکہ پیش کرتے ہیں کہ ڈیٹا کی کس قسم کی پیشن گوئی کی ضرورت ہے اور ڈیٹا کی وضاحت، تیاری اور نکالنے کا طریقہ۔ مندرجہ ذیل سیکشن میں، ہم پیشن گوئی میں ڈیٹا درآمد کرنے کا طریقہ بیان کرتے ہیں۔

درج ذیل اسکرین شاٹ میں دکھایا گیا ہے کہ ڈیٹا کا ایک سیٹ اس کے مقامی Snowflake اسکیما میں کیسا نظر آتا ہے۔

اگرچہ یہ اسکرین شاٹ ظاہر کرتا ہے کہ ڈیٹا اپنی فطری حالت میں کیسا نظر آتا ہے، لیکن پیشن گوئی کے لیے ڈیٹا کو تین مختلف ڈیٹا سیٹس میں شکل دینے کی ضرورت ہوتی ہے:

  • ٹارگٹ ٹائم سیریز - یہ ایک مطلوبہ ڈیٹا سیٹ ہے جس میں ہدف متغیر ہوتا ہے اور اسے تربیت دینے اور مستقبل کی قیمت کی پیشن گوئی کرنے کے لیے استعمال کیا جاتا ہے۔ اکیلے، یہ ڈیٹا سیٹ غیر متغیر ٹائم سیریز ماڈل کے طور پر کام کرتا ہے۔
  • متعلقہ ٹائم سیریز - یہ ایک اختیاری ڈیٹاسیٹ ہے جس میں عارضی متغیرات شامل ہیں جن کا ہدف متغیر سے تعلق ہونا چاہیے۔ مثالوں میں متغیر قیمتوں کا تعین، پروموشنل کوششیں، ہائپر لوکل ایونٹ ٹریفک، اقتصادی نقطہ نظر کا ڈیٹا شامل ہیں—جو کچھ بھی آپ محسوس کرتے ہیں وہ ہدف کے وقت کی سیریز میں تغیر کی وضاحت کرنے اور بہتر پیشین گوئی پیدا کرنے میں مدد کر سکتا ہے۔ متعلقہ ٹائم سیریز ڈیٹاسیٹ درستگی کو بہتر بنانے میں مدد کے لیے آپ کے غیر متغیر ماڈل کو ملٹی ویریٹ میں بدل دیتا ہے۔
  • آئٹم میٹا ڈیٹا - یہ ایک اختیاری ڈیٹاسیٹ ہے جس میں پیشن گوئی کی گئی شے کے بارے میں واضح ڈیٹا ہوتا ہے۔ آئٹم میٹا ڈیٹا اکثر نئی شروع کی گئی مصنوعات کی کارکردگی کو بڑھانے میں مدد کرتا ہے، جسے ہم a کہتے ہیں۔ کولڈ اسٹارٹ.

پیشن گوئی کے ڈیٹا سیٹس میں سے ہر ایک کے دائرہ کار کی وضاحت کے ساتھ، آپ Snowflake میں سوالات لکھ سکتے ہیں جو ڈیٹا کے مطلوبہ ذیلی سیٹ کو حاصل کرنے کے لیے مناسب فلٹرز کے ساتھ ضروری سورس ٹیبلز سے درست ڈیٹا فیلڈز کا ذریعہ بناتے ہیں۔ ذیل میں تین مثالیں SQL استفسارات ہیں جو ہر ڈیٹاسیٹ کو تیار کرنے کے لیے استعمال کی جاتی ہیں جن کی پیشن گوئی کو خوراک کی طلب کی منصوبہ بندی کے مخصوص منظر نامے کے لیے ضرورت ہوتی ہے۔

ہم ہدف ٹائم سیریز کے سوال کے ساتھ شروع کرتے ہیں:

select LOCATION_ID, ITEM_ID, 
DATE_DEMAND as TIMESTAMP, QTY_DEMAND as TARGET_VALUE 
from DEMO.FOOD_DEMAND

اختیاری متعلقہ ٹائم سیریز کا سوال covariates کو کھینچتا ہے جیسے قیمت اور پروموشنل:

select LOCATION_ID,ITEM_ID, DATE_DEMAND as TIMESTAMP,
CHECKOUT_PRICE, BASE_PRICE,
EMAILER_FOR_PROMOTION, HOMEPAGE_FEATURED
from DEMO.FOOD_DEMAND

آئٹم میٹا ڈیٹا کے استفسار سے الگ الگ قدریں ملتی ہیں جو طول و عرض دینے میں مدد کرتی ہیں اور پیشن گوئی کی گئی آئٹم کی مزید وضاحت کرتی ہیں:

select DISTINCT ITEM_ID, FOOD_CATEGORY, FOOD_CUISINE
from DEMO.FOOD_DEMAND

ماخذ کے سوالات کی وضاحت کے ساتھ، ہم استفسارات جمع کرنے اور پیشن گوئی کے استعمال کے لیے نتیجے میں ڈیٹا سیٹس کو برقرار رکھنے کے لیے Athena Federated Query کے ذریعے Snowflake سے جڑ سکتے ہیں۔ مزید معلومات کے لیے رجوع کریں۔ Athena Federated Query کا استعمال کرتے ہوئے Snowflake سے استفسار کریں اور اپنے Amazon S3 ڈیٹا لیک میں ڈیٹا کے ساتھ شامل ہوں۔.

۔ ایتھینا سنو فلیک کنیکٹر گٹ ہب ریپو Snowflake کنیکٹر کو انسٹال کرنے میں مدد کرتا ہے۔ دی MLOps GitHub ریپو کی پیشن گوئی اس پوسٹ میں بیان کردہ تمام میکرو اقدامات کو آرکیسٹریٹ کرنے میں مدد کرتا ہے، اور کوڈ لکھے بغیر انہیں دوبارہ قابل بناتا ہے۔

پیشن گوئی میں ڈیٹا درآمد کریں۔

پچھلے مرحلے کو مکمل کرنے کے بعد، ٹارگٹ ٹائم سیریز کا ڈیٹاسیٹ Amazon S3 میں ہے اور پیشن گوئی میں درآمد کے لیے تیار ہے۔ اس کے علاوہ، اختیاری متعلقہ ٹائم سیریز اور آئٹم میٹا ڈیٹا ڈیٹا سیٹس بھی تیار اور ادخال کے لیے تیار ہو سکتے ہیں۔ فراہم کردہ کے ساتھ پیشن گوئی MLOps حل, آپ کو یہاں صرف اسٹیپ فنکشنز اسٹیٹ مشین کو شروع کرنا ہے جو ڈیٹا امپورٹ کرنے کے لیے ذمہ دار ہے — کوئی کوڈ ضروری نہیں ہے۔ Forecast آپ کے فراہم کردہ ڈیٹا سیٹس میں سے ہر ایک کے لیے ایک کلسٹر لانچ کرتا ہے اور ڈیٹا کو سروس کے لیے تیار کرتا ہے تاکہ ML ماڈل کی تعمیر اور ماڈل کا اندازہ لگایا جا سکے۔

درستگی کے اعدادوشمار کے ساتھ ٹائم سیریز کا ML ماڈل بنائیں

ڈیٹا درآمد کرنے کے بعد، انتہائی درست ٹائم سیریز کے ماڈلز صرف ایک API کال کرکے بنائے جاتے ہیں۔ یہ مرحلہ سٹیپ فنکشنز سٹیٹ مشین کے اندر سمایا گیا ہے جو ماڈل ٹریننگ شروع کرنے کے لیے Forecast API شروع کرتی ہے۔ پیشین گوئی کرنے والے ماڈل کی تربیت کے بعد، ریاستی مشین بیک ٹیسٹ ونڈو کے دوران ماڈل کے اعدادوشمار اور پیشین گوئیاں Amazon S3 کو برآمد کرتی ہے۔ پس منظر کی برآمدات Snowflake کے ذریعہ ایک بیرونی مرحلے کے طور پر قابل استفسار ہیں، جیسا کہ درج ذیل اسکرین شاٹ میں دکھایا گیا ہے۔ اگر آپ چاہیں تو، آپ ڈیٹا کو اندرونی مرحلے میں محفوظ کر سکتے ہیں۔ نقطہ یہ ہے کہ آپ کے فراہم کردہ ڈیٹا سیٹ میں ٹائم سیریز کی کارکردگی کے پھیلاؤ کا جائزہ لینے کے لیے بیک ٹیسٹ میٹرکس کا استعمال کریں۔

مستقبل کی پیشین گوئیاں بنائیں

پچھلے مرحلے سے تربیت یافتہ ماڈل کے ساتھ، ایک مقصد سے تیار کردہ سٹیپ فنکشنز سٹیٹ مشین مستقبل کی تاریخ کی پیشن گوئیاں بنانے کے لیے Forecast API کو کال کرتی ہے۔ پیشن گوئی تخمینہ لگانے کے لیے ایک کلسٹر کا انتظام کرتی ہے اور درآمد شدہ ہدف ٹائم سیریز، متعلقہ ٹائم سیریز، اور آئٹم میٹا ڈیٹا ڈیٹا سیٹس کو پچھلے مرحلے میں بنائے گئے ایک نامی پیشن گوئی ماڈل کے ذریعے کھینچتی ہے۔ پیشین گوئیاں تیار ہونے کے بعد، ریاستی مشین انہیں Amazon S3 پر لکھتی ہے، جہاں ایک بار پھر، ان سے اسنو فلیک کے بیرونی مرحلے کے طور پر پوچھ گچھ کی جا سکتی ہے یا اندرونی مرحلے کے طور پر سنو فلیک میں منتقل کی جا سکتی ہے۔

Snowflake میں براہ راست مستقبل کی تاریخ کی پیشن گوئی کا ڈیٹا استعمال کریں۔

AWS نے اس قدم کے لیے مکمل طور پر خودکار حل نہیں بنایا ہے۔ تاہم، اس پوسٹ میں حل کے ساتھ، پچھلے دو مراحل میں ڈیٹا پہلے ہی Forecast کے ذریعہ تیار کیا گیا تھا۔ آپ آؤٹ پٹس کو قابل عمل واقعات کے طور پر دیکھ سکتے ہیں یا ڈیٹا پر بزنس انٹیلی جنس ڈیش بورڈ بنا سکتے ہیں۔ آپ ڈیٹا کا استعمال مستقبل کے مینوفیکچرنگ پلانز بنانے اور آرڈرز خریدنے، مستقبل کی آمدنی کا تخمینہ لگانے، عملے کے وسائل کے منصوبے بنانے اور مزید بہت کچھ کرنے کے لیے بھی کر سکتے ہیں۔ ہر استعمال کا معاملہ مختلف ہوتا ہے، لیکن اس مرحلے کا مقصد آپ کی تنظیم یا اس سے آگے کے درست استعمال کرنے والے نظاموں تک پیشین گوئیاں پہنچانا ہے۔

درج ذیل کوڈ کا ٹکڑا دکھاتا ہے کہ ایمیزون S3 ڈیٹا سے براہ راست Snowflake کے اندر سے استفسار کیسے کیا جائے:

CREATE or REPLACE FILE FORMAT mycsvformat
type = 'CSV'
field_delimiter = ','
empty_field_as_null = TRUE
ESCAPE_UNENCLOSED_FIELD = None
skip_header = 1;

CREATE or REPLACE STORAGE INTEGRATION amazon_forecast_integration
TYPE = EXTERNAL_STAGE
STORAGE_PROVIDER = S3
STORAGE_AWS_ROLE_ARN = 'arn:aws:iam::nnnnnnnnnn:role/snowflake-forecast-poc-role'
ENABLED = true
STORAGE_ALLOWED_LOCATIONS = (
's3://bucket/folder/forecast',
's3://bucket/folder/backtest-export/accuracy-metrics-values',
's3://bucket/folder/backtest-export/forecasted-values';

CREATE or REPLACE STAGE backtest_accuracy_metrics
storage_integration = amazon_forecast_integration
url = 's3://bucket/folder/backtest-export/accuracy-metrics-values'
file_format = mycsvformat;

CREATE or REPLACE EXTERNAL TABLE FOOD_DEMAND_BACKTEST_ACCURACY_METRICS (
ITEM_ID varchar AS (value:c1::varchar),
LOCATION_ID varchar AS (value:c2::varchar),
backtest_window varchar AS (value:c3::varchar),
backtestwindow_start_time varchar AS (value:c4::varchar),
backtestwindow_end_time varchar AS (value:c5::varchar),
wQL_10 varchar AS (value:c6::varchar),
wQL_30 varchar AS (value:c7::varchar),
wQL_50 varchar AS (value:c8::varchar),
wQL_70 varchar AS (value:c9::varchar),
wQL_90 varchar AS (value:c10::varchar),
AVG_wQL varchar AS (value:c11::varchar),
RMSE varchar AS (value:c12::varchar),
WAPE varchar AS (value:c13::varchar),
MAPE varchar AS (value:c14::varchar),
MASE varchar AS (value:c15::varchar)
)
with location = @backtest_accuracy_metrics
FILE_FORMAT = (TYPE = CSV FIELD_DELIMITER = ',' SKIP_HEADER = 1);

اجازتیں ترتیب دینے کے بارے میں مزید معلومات کے لیے، رجوع کریں۔ آپشن 1: ایمیزون S3 تک رسائی کے لیے سنو فلیک اسٹوریج انٹیگریشن کو ترتیب دینا. اس کے علاوہ، آپ استعمال کر سکتے ہیں AWS سروس کیٹلاگ ایمیزون S3 اسٹوریج انضمام کو ترتیب دینے کے لئے؛ مزید معلومات پر دستیاب ہے۔ GitHub repo.

شیڈول پر مبنی یا ایونٹ پر مبنی ورک فلو شروع کریں۔

اپنے مخصوص کام کے بوجھ کے لیے کوئی حل انسٹال کرنے کے بعد، آپ کا آخری مرحلہ یہ ہے کہ اس عمل کو ایک ایسے شیڈول پر خودکار بنائیں جو آپ کی منفرد ضرورت، جیسے کہ روزانہ یا ہفتہ واری کے مطابق ہو۔ اہم بات یہ فیصلہ کرنا ہے کہ عمل کیسے شروع کیا جائے۔ ایک طریقہ یہ ہے کہ سٹیپ فنکشنز سٹیٹ مشین کو استعمال کرنے کے لیے سنو فلیک کا استعمال کریں اور پھر سیریلی طور پر اقدامات کو آرکیسٹریٹ کریں۔ ایک اور نقطہ نظر یہ ہے کہ ریاستی مشینوں کو ایک ساتھ جوڑا جائے اور ایک کے ذریعے مجموعی طور پر چلنا شروع کیا جائے۔ ایمیزون ایونٹ برج اصول، جسے آپ کسی ایونٹ یا طے شدہ کام سے چلانے کے لیے ترتیب دے سکتے ہیں—مثال کے طور پر، ہر اتوار کی رات 9:00 PM GMT-8 پر۔

نتیجہ

سب سے زیادہ تجربے کے ساتھ؛ سب سے زیادہ قابل اعتماد، توسیع پذیر، اور محفوظ کلاؤڈ؛ اور خدمات اور حلوں کا سب سے زیادہ جامع مجموعہ، AWS آپ کے ڈیٹا سے قدر کو غیر مقفل کرنے اور اسے بصیرت میں تبدیل کرنے کی بہترین جگہ ہے۔ اس پوسٹ میں، ہم نے آپ کو دکھایا کہ کس طرح ایک خودکار ٹائم سیریز کی پیشن گوئی کرنے والے ورک فلو کو بنایا جائے۔ بہتر پیشن گوئی اعلی کسٹمر سروس کے نتائج، کم فضلہ، کم بیکار انوینٹری، اور بیلنس شیٹ پر زیادہ نقد کا باعث بن سکتی ہے۔

اگر آپ خودکار اور پیشین گوئی کو بہتر بنانے کے لیے تیار ہیں، تو ہم آپ کے سفر میں آپ کی مدد کرنے کے لیے حاضر ہیں۔ آج ہی شروع کرنے کے لیے اپنی AWS یا Snowflake اکاؤنٹ ٹیم سے رابطہ کریں اور یہ دیکھنے کے لیے کہ آپ اپنے ڈیٹا سے کس قسم کی قدر کو غیر مقفل کر سکتے ہیں، ایک پیشین گوئی ورکشاپ طلب کریں۔


مصنفین کے بارے میں

Bosco Albuquerque AWS میں ایک سینئر پارٹنر سولیوشنز آرکیٹیکٹ ہے اور اسے انٹرپرائز ڈیٹا بیس وینڈرز اور کلاؤڈ فراہم کرنے والوں کے ڈیٹا بیس اور تجزیاتی مصنوعات کے ساتھ کام کرنے کا 20 سال سے زیادہ کا تجربہ ہے۔ اس نے ٹیکنالوجی کمپنیوں کو ڈیٹا اینالیٹکس سلوشنز اور پروڈکٹس کو ڈیزائن اور لاگو کرنے میں مدد کی ہے۔

فرینک ڈیلیزوٹ AWS میں ایک Sr. Solutions آرکیٹیکٹ ہے اور AWS پر توسیع پذیر ایپلی کیشنز کو ڈیزائن اور بنانے کے لیے آزاد سافٹ ویئر وینڈرز کے ساتھ کام کرنے کا شوق رکھتا ہے۔ اسے سافٹ ویئر بنانے، تعمیراتی پائپ لائنوں کو نافذ کرنے، اور ان حلوں کو کلاؤڈ میں تعینات کرنے کا تجربہ ہے۔

اینڈریس اینجلبرچٹ Snowflake میں ایک پرنسپل پارٹنر سلوشنز آرکیٹیکٹ ہے اور اسٹریٹجک پارٹنرز کے ساتھ کام کرتا ہے۔ وہ اسٹریٹجک شراکت داروں کے ساتھ فعال طور پر مصروف ہے جیسے AWS معاون مصنوعات اور خدمات کے انضمام کے ساتھ ساتھ شراکت داروں کے ساتھ مشترکہ حل تیار کرنے میں۔ اینڈریز کو ڈیٹا اور اینالیٹکس کے شعبے میں 20 سال سے زیادہ کا تجربہ ہے۔

چارلس لافلن ایک پرنسپل AI/ML ماہر حل آرکیٹیکٹ ہے اور AWS میں ٹائم سیریز ML ٹیم میں کام کرتا ہے۔ وہ Amazon Forecast سروس کے روڈ میپ کو تشکیل دینے میں مدد کرتا ہے اور AWS کے متنوع صارفین کے ساتھ روزانہ تعاون کرتا ہے تاکہ جدید AWS ٹیکنالوجیز اور سوچی قیادت کا استعمال کرتے ہوئے اپنے کاروبار کو تبدیل کرنے میں مدد کی جا سکے۔ چارلس نے سپلائی چین مینجمنٹ میں MS کی ڈگری حاصل کی ہے اور اس نے پچھلی دہائی کو کنزیومر پیکڈ گڈز انڈسٹری میں کام کیا ہے۔

جیمز سن Snowflake میں ایک سینئر پارٹنر سلوشنز آرکیٹیکٹ ہے۔ جیمز کو اسٹوریج اور ڈیٹا اینالیٹکس میں 20 سال سے زیادہ کا تجربہ ہے۔ سنو فلیک سے پہلے، وہ AWS اور MapR میں کئی سینئر تکنیکی عہدوں پر فائز رہے۔ جیمز نے سٹینفورڈ یونیورسٹی سے پی ایچ ڈی کی ہے۔

اسپاٹ_مگ

تازہ ترین انٹیلی جنس

اسپاٹ_مگ

ہمارے ساتھ بات چیت

ہیلو وہاں! میں آپ کی کیسے مدد کر سکتا ہوں؟