چہرہ بند امکان ہے نیشنل ہاکی لیگ (NHL) مشین لرننگ (ML) اور مصنوعی ذہانت کا استعمال کرتے ہوئے پہلا جدید ترین شماریات۔ یہ ناظرین کو دکھانے کے لیے ریئل ٹائم پلیئر اور پک ٹریکنگ (PPT) ڈیٹا کا استعمال کرتا ہے کہ پک کو ڈراپ کرنے سے پہلے کون سا کھلاڑی آمنے سامنے جیتنے کا امکان رکھتا ہے، اور براڈکاسٹروں اور ناظرین کو آمنے سامنے میچوں کی اہمیت کو مزید گہرائی میں جانے کا موقع فراہم کرتا ہے۔ اور کھلاڑیوں کی صلاحیتوں میں فرق۔ 10 سال کے تاریخی اعداد و شمار کی بنیاد پر، حقیقی وقت کے امکانات فراہم کرنے کے لیے ماڈل میں شامل 70 سے زیادہ خصوصیات کو انجینئر کرنے کے لیے لاکھوں فیس آف کا استعمال کیا گیا۔ براڈکاسٹرز اب اس بات پر تبادلہ خیال کر سکتے ہیں کہ کس طرح کسی کھلاڑی کی طرف سے کلیدی آمنے سامنے کی جیت ایک گول کی طرف لے جاتی ہے یا کس طرح ایک ٹیم کے فیس آف اسپیشلسٹ کے ڈرا سے دستبردار ہونے کی وجہ سے فیس آف جیتنے کے امکانات کم ہوتے ہیں۔ شائقین بصری، حقیقی وقت کی پیشین گوئیاں دیکھ سکتے ہیں جو انہیں کھیل کے اہم حصے کی اہمیت کو ظاہر کرتی ہیں۔
اس پوسٹ میں، ہم اس بات پر توجہ مرکوز کرتے ہیں کہ کس طرح Face-off Probability کے لیے ML ماڈل تیار کیا گیا اور ماڈل کو پروڈکشن میں لانے کے لیے استعمال ہونے والی خدمات۔ ہم ان اہم تکنیکی چیلنجوں کا بھی اشتراک کرتے ہیں جو کہ Face-off Probability ماڈل کی تعمیر کے دوران حل ہوئے تھے۔
یہ کیسے کام کرتا ہے
مندرجہ ذیل منظر نامے کا تصور کریں: یہ دو NHL ٹیموں کے درمیان ٹائی گیم ہے جو اس بات کا تعین کرے گی کہ کون آگے بڑھتا ہے۔ ہم تیسرے پیریڈ میں ہیں اور کھیلنے میں 1:22 سیکنڈ باقی ہیں۔ مخالف ٹیموں کے دو کھلاڑی نیٹ میں سے ایک کے قریب قریب ترین آمنے سامنے میں ڈرا لینے کے لیے قطار میں کھڑے ہیں۔ لائن مین نے ایک دفاعی کھلاڑی کو فیس آف دائرے میں گھستے ہوئے دیکھا اور خلاف ورزی کی وجہ سے اپنے کھلاڑی کو فیس آف سے باہر کر دیا۔ ایک کم تجربہ کار دفاعی کھلاڑی اس کے متبادل کے طور پر ڈرا لینے کے لیے آتا ہے۔ حملہ آور ٹیم آمنے سامنے جیت لیتی ہے، پک کا قبضہ حاصل کر لیتی ہے، اور برتری حاصل کرنے کے لیے فوری طور پر اسکور کرتی ہے۔ اسکور کھیل کے بقیہ منٹ تک برقرار رہتا ہے اور فیصلہ کرتا ہے کہ کون آگے بڑھتا ہے۔ ابتدائی جوڑی کو تبدیل کرنے سے پہلے کس کھلاڑی کو آمنے سامنے جیتنے کی حمایت کی گئی؟ خلاف ورزی کی وجہ سے دفاعی ٹیم کا سامنا جیتنے کا امکان کتنا کم ہوا جس نے ایک مختلف کھلاڑی کو ڈرا کرنے پر مجبور کیا؟ Face-off Probability، جدید ترین NHL Edge IQ شماریات جو AWS کے ذریعے تقویت یافتہ ہے، اب ان سوالات کا جواب دے سکتا ہے۔
جب کھیل میں کوئی وقفہ ہوتا ہے تو، فیس آف پرابیبلٹی اس بات کی پیشین گوئیاں تیار کرتی ہے کہ آئندہ کا مقابلہ کون جیتے گا جو برف پر موجود کھلاڑیوں، آمنے سامنے کے مقام اور کھیل کی موجودہ صورت حال پر مبنی ہے۔ پیشین گوئیاں اس وقت تک تیار کی جاتی ہیں جب تک کہ گیم کلاک دوبارہ چلنا شروع نہ کرے۔ پیشین گوئیاں سب سیکنڈ لیٹینسی پر ہوتی ہیں اور کسی بھی وقت اس وقت متحرک ہوجاتی ہیں جب آمنے سامنے میں شامل کھلاڑیوں میں کوئی تبدیلی آتی ہے۔
سامنا کرنے کے امکان کے لیے اہم رکاوٹوں پر قابو پانا
حقیقی وقت کی نشریات میں آمنے سامنے ہونے کے امکان کی پیش گوئی کو دو مخصوص ذیلی مسائل میں تقسیم کیا جا سکتا ہے:
- ایک ایم ایل مسئلہ کے طور پر سامنے آنے والے ایونٹ کو ماڈلنگ کرنا، ضروریات اور حدود کو سمجھنا، ڈیٹا کی تیاری، ڈیٹا سگنلز کی انجینئرنگ، الگورتھم کی تلاش، اور نتائج کی وشوسنییتا کو یقینی بنانا
- پی پی ٹی ایونٹس کے سلسلے سے گیم کے دوران آمنے سامنے ایونٹ کا پتہ لگانا، پیشین گوئی کے لیے درکار پیرامیٹرز جمع کرنا، ماڈل کو کال کرنا، اور براڈکاسٹروں کو نتائج جمع کروانا
ٹیلیویژن نشریات پر حقیقی وقت میں کسی کھلاڑی کے آمنے سامنے جیتنے کے امکان کی پیش گوئی کرنے میں کئی تکنیکی چیلنجز ہیں جن پر قابو پانا پڑا۔ ان میں مطلوبہ خصوصیات کا تعین کرنا اور ایسے ایونٹ کی پیشین گوئی کرنے کے لیے ماڈلنگ کے طریقے شامل ہیں جس میں بہت زیادہ غیر یقینی صورتحال ہو، اور اس بات کا تعین کرنے کے لیے کہ سٹریمنگ پی پی ٹی سینسر ڈیٹا کو کس طرح استعمال کیا جائے تاکہ یہ معلوم کیا جا سکے کہ ایک سامنا کہاں ہو رہا ہے، اس میں شامل کھلاڑی، اور ہر کھلاڑی کا امکان۔ سیکڑوں ملی سیکنڈ کے اندر، آمنے سامنے جیتنا۔
پیشین گوئی کرنے میں مشکل واقعات کے لیے ایک ML ماڈل بنانا
لائیو گیم کے دوران مقابلے جیتنے کے امکانات جیسے واقعات کی پیشن گوئی کرنا ایک پیچیدہ کام ہے جس کے لیے معیاری تاریخی ڈیٹا اور ڈیٹا اسٹریمنگ کی قابلیت کی کافی مقدار درکار ہوتی ہے۔ اس طرح کے امیر ڈیٹا ماحول میں اہم سگنلز کی شناخت اور سمجھنے کے لیے، ML ماڈلز کی ترقی کے لیے موضوع کی وسیع مہارت کی ضرورت ہوتی ہے۔ دی ایمیزون مشین لرننگ سلوشنز لیب NHL ہاکی اور ڈیٹا ماہرین کے ساتھ شراکت داری کی تاکہ وہ اپنے مداحوں کے تجربے کو بڑھانے کے اپنے ہدف سے پیچھے ہٹ کر کام کریں۔ NHL کی مہارت کو مسلسل سن کر اور مفروضوں کی جانچ کرتے ہوئے، AWS کے سائنس دانوں نے 100 سے زیادہ خصوصیات تیار کیں جو کہ سامنے آنے والے واقعے سے تعلق رکھتی ہیں۔ خاص طور پر، ٹیم نے اس خصوصیت کو تین زمروں میں سے ایک میں درجہ بندی کیا:
- کھلاڑیوں کی پرفارمنس کے بارے میں تاریخی اعدادوشمار جیسے کہ پچھلے پانچ سیزن میں کسی کھلاڑی نے کتنے فیس آف کیے ہیں اور جیتے ہیں، پچھلے گیمز میں کھلاڑی کے لیے اور جیتنے والے فیس آفز کی تعداد، کئی بار ونڈوز میں کھلاڑی کی جیت کی فیصد، اور آمنے سامنے میں ہر کھلاڑی کی جیت کا فیصد
- کھلاڑی کی خصوصیات جیسے اونچائی، وزن، ہاتھ کا پن، اور لیگ میں سال
- گیم میں حالات کا ڈیٹا جو کھلاڑی کی کارکردگی کو متاثر کر سکتا ہے، جیسے کہ گیم کا سکور، گیم میں اس مقام تک گزرا ہوا وقت، جہاں آمنے سامنے واقع ہے، ہر ٹیم کی طاقت، اور کس کھلاڑی کو رکھنا ہے۔ سب سے پہلے ان کا سامنا کرنے کے لئے نیچے چھڑی
AWS کے ML سائنسدانوں نے اس مسئلے کو بائنری درجہ بندی کے مسئلے کے طور پر سمجھا: یا تو گھریلو کھلاڑی آمنے سامنے جیت جاتا ہے یا دور کھلاڑی آمنے سامنے جیت جاتا ہے۔ 200,000 سے زیادہ تاریخی آمنے سامنے کے ڈیٹا کے ساتھ، انہوں نے a کا استعمال کیا۔ لائٹ جی بی ایم ماڈل پیشین گوئی کرنے کے لیے کہ آمنے سامنے ایونٹ میں شامل دو کھلاڑیوں میں سے کس کے جیتنے کا امکان ہے۔
اس بات کا تعین کرنا کہ آیا آمنے سامنے ہونے والا ہے اور کون سے کھلاڑی اس میں شامل ہیں۔
جب ایک سیٹی بجتی ہے اور ڈرامہ بند ہو جاتا ہے، تو Face-off Probability پیشین گوئیاں کرنا شروع کر دیتی ہے۔ تاہم، Face-off Probability کو پہلے اس بات کا تعین کرنا ہوتا ہے کہ آمنا سامنا کہاں ہو رہا ہے اور ہر ٹیم کا کون سا کھلاڑی آمنے سامنے ہے۔ ڈیٹا سٹریم واقعات کی نشاندہی کرتا ہے جیسا کہ وہ پیش آتے ہیں لیکن اس بارے میں معلومات فراہم نہیں کرتا ہے کہ مستقبل میں واقعہ کب رونما ہونے کا امکان ہے۔ اس طرح، برف پر موجود کھلاڑیوں کے سینسر ڈیٹا کی ضرورت ہوتی ہے تاکہ یہ معلوم کیا جا سکے کہ آمنا سامنا کہاں ہونے والا ہے۔
پی پی ٹی سسٹم 60 ایونٹس فی سیکنڈ میں برف پر موجود کھلاڑیوں کے لیے حقیقی وقت کے مقامات اور رفتار پیدا کرتا ہے۔ ان مقامات اور رفتار کا استعمال اس بات کا تعین کرنے کے لیے کیا گیا تھا کہ برف پر آمنا سامنا کہاں ہو رہا ہے اور اگر یہ جلد ہی ہونے کا امکان ہے۔ یہ جاننے سے کہ کھلاڑی آمنے سامنے کی جگہوں کے کتنے قریب ہیں اور کھلاڑی کتنے مستحکم تھے، Face-off Probability اس بات کا تعین کرنے کے قابل تھا کہ آمنے سامنے ہونے کا امکان ہے اور وہ دو کھلاڑی جو آمنے سامنے ہوں گے۔ .
فاصلہ کے مقام سے قربت کے لیے درست کٹ آف فاصلے کا تعین کرنا اور اسٹیشنری کھلاڑیوں کے لیے متعلقہ کٹ آف رفتار کا تعین فیصلہ ٹری ماڈل کا استعمال کرتے ہوئے کیا گیا۔ 2020-2021 کے سیزن کے PPT ڈیٹا کے ساتھ، ہم نے اس امکان کا اندازہ لگانے کے لیے ایک ماڈل بنایا ہے کہ ہر ٹیم کے مقام سے اوسط فاصلے اور کھلاڑیوں کی رفتار کو دیکھتے ہوئے ایک مخصوص مقام پر آمنے سامنے ہونے کا امکان ہے۔ فیصلے کے درخت نے ہر میٹرک کے لیے کٹ آف فراہم کیے، جسے ہم نے سٹریمنگ ایپلیکیشن میں قواعد پر مبنی منطق کے طور پر شامل کیا۔
درست آمنے سامنے کے مقام کے تعین کے ساتھ، ہر ٹیم کے کھلاڑی کا آمنا سامنا کرنے والے کھلاڑی کو ہر ٹیم سے معلوم مقام کے قریب لے جا کر حساب لگایا گیا۔ اس سے ایپلیکیشن کو درست کھلاڑیوں کی شناخت کرنے کے لیے لچک فراہم کی گئی ہے جبکہ موجودہ کھلاڑی کو خلاف ورزی کی وجہ سے دستبردار ہونے کی صورت میں کسی نئے کھلاڑی کے ساتھ سامنا کرنا پڑتا ہے۔ درست کھلاڑی کے لیے پیشین گوئی کرنا اور اس کو اپ ڈیٹ کرنا براڈکاسٹس میں ماڈل کے ریئل ٹائم استعمال کے لیے ایک کلیدی فوکس تھا، جسے ہم اگلے حصے میں مزید بیان کریں گے۔
ماڈل کی ترقی اور تربیت
ماڈل کو تیار کرنے کے لیے، ہم نے 200,000 سے زیادہ تاریخی فیس آف ڈیٹا پوائنٹس کا استعمال کیا، ساتھ ہی موضوع کے ماہرین کے ساتھ کام کرتے ہوئے ڈیزائن کردہ حسب ضرورت انجینئرڈ فیچر سیٹ۔ ہم نے موجودہ سیزن میں اور ان کے لیے کھیل کے اندر حالات، آمنے سامنے ہونے والے کھلاڑیوں کی تاریخی کارکردگی، کھلاڑیوں کی مخصوص خصوصیات، اور آمنے سامنے ہونے والے کھلاڑیوں کی سر توڑ کارکردگی جیسی خصوصیات کو دیکھا۔ کیریئر مجموعی طور پر، اس کے نتیجے میں دستیاب اور اخذ کردہ تکنیکوں کے امتزاج کا استعمال کرتے ہوئے 100 سے زیادہ خصوصیات پیدا ہوئیں۔
مختلف خصوصیات کا اندازہ لگانے اور وہ ماڈل پر کیسے اثر انداز ہو سکتے ہیں، ہم نے تحقیقی مرحلے کے حصے کے طور پر خصوصیت کا وسیع تجزیہ کیا۔ ہم نے غیر متغیر ٹیسٹ اور ملٹی ویریٹیٹ ٹیسٹ کا مرکب استعمال کیا۔ ملٹی ویریٹ ٹیسٹوں کے لیے، تشریح کے لیے، ہم نے فیصلے کے درخت کے تصور کی تکنیک کا استعمال کیا۔ شماریاتی اہمیت کا اندازہ لگانے کے لیے، ہم نے انحصار یا تقسیم کے فرق کو جانچنے کے لیے چی ٹیسٹ اور KS ٹیسٹ کا استعمال کیا۔
ہم نے درجہ بندی کی تکنیکوں اور ماڈلز کو اس توقع کے ساتھ دریافت کیا کہ خام امکانات کو پیشین گوئیوں کے طور پر سمجھا جائے گا۔ ہم نے مختلف نمونے لینے کی حکمت عملیوں (فلٹرنگ، بے ترتیب، سطحی، اور وقت پر مبنی نمونے لینے) کی کوشش کرتے ہوئے قریبی پڑوسیوں، فیصلہ سازی کے درختوں، نیورل نیٹ ورکس، اور الگورتھم کے لحاظ سے باہمی تعاون کے ساتھ فلٹرنگ کو بھی دریافت کیا اور ایریا انڈر دی کرو (AUC) پر کارکردگی کا جائزہ لیا اور برئیر سکور کے نقصان کے ساتھ انشانکن کی تقسیم۔ آخر میں، ہم نے پایا کہ لائٹ جی بی ایم ماڈل نے اچھی طرح سے کیلیبریٹڈ درستگی میٹرکس کے ساتھ بہترین کام کیا۔
ماڈلز کی کارکردگی کا جائزہ لینے کے لیے، ہم نے متعدد تکنیکوں کا استعمال کیا۔ ہم نے ایک ٹیسٹ سیٹ استعمال کیا جس کا تربیت یافتہ ماڈل کبھی سامنے نہیں آیا تھا۔ مزید برآں، ٹیموں نے نتائج کے وسیع پیمانے پر دستی جائزے کیے، ایج کیسز کو دیکھتے ہوئے اور اس بات کی باریکیوں کو سمجھنے کی کوشش کی کہ ماڈل کیسا لگتا ہے اس بات کا تعین کرنے کے لیے کہ کسی خاص کھلاڑی کو کیوں مقابلہ جیتنا چاہیے یا ہارنا چاہیے۔
دستی جائزہ لینے والوں سے جمع کی گئی معلومات کے ساتھ، ہم ضرورت پڑنے پر خصوصیات کو ایڈجسٹ کریں گے، یا ماڈل پر تکرار چلائیں گے کہ آیا ماڈل کی کارکردگی توقع کے مطابق تھی۔
قومی ٹیلی ویژن کی نشریات کے دوران حقیقی وقت کے استعمال کے لیے فیس آف امکان کو تعینات کرنا
پروجیکٹ کے مقاصد میں سے ایک صرف مقابلہ جیتنے والے کی پیشین گوئی کرنا نہیں تھا، بلکہ اس سے ملتے جلتے متعدد مسائل کو حقیقی وقت اور لاگت سے موثر طریقے سے حل کرنے کی بنیاد بنانا تھا۔ اس مقصد نے اس بات کا تعین کرنے میں مدد کی کہ حتمی فن تعمیر میں کون سے اجزاء استعمال کیے جائیں۔
پہلا اہم جزو ہے۔ Amazon Kinesis ڈیٹا اسٹریمز, ایک سرور لیس سٹریمنگ ڈیٹا سروس جو PPT ڈیٹا فراہم کنندہ کے مخصوص نفاذ اور استعمال کرنے والی ایپلیکیشنز کے درمیان ایک ڈیکپلر کے طور پر کام کرتی ہے، اس طرح مؤخر الذکر کو سابق میں ہونے والی رکاوٹوں سے بچاتی ہے۔ اس نے فین آؤٹ فیچر کو بھی بڑھایا ہے، جو کہ 20 متوازی صارفین کو جوڑنے اور 70 ملی سیکنڈ کی کم لیٹنسی کو برقرار رکھنے اور ان سب کے درمیان بیک وقت 2MB/s فی شارڈ کا ایک ہی تھرو پٹ فراہم کرتا ہے۔
پی پی ٹی ایونٹس ایک ساتھ تمام کھلاڑیوں کے لیے نہیں آتے، لیکن ہر کھلاڑی کے ساتھ ساتھ گیم کے دیگر ایونٹس کے لیے احتیاط سے پہنچتے ہیں۔ لہذا، آنے والے چہرے سے پتہ لگانے والے الگورتھم کو لاگو کرنے کے لیے، درخواست کو ایک حالت برقرار رکھنے کی ضرورت ہے۔
فن تعمیر کا دوسرا اہم جزو ہے۔ Amazon Kinesis ڈیٹا تجزیات لیے اپاچی فلنک. Apache Flink ایک تقسیم شدہ سٹریمنگ، ہائی تھرو پٹ، کم لیٹنسی ڈیٹا فلو انجن ہے جو ڈیٹا اسٹریم API کو استعمال کرنے کا ایک آسان اور آسان طریقہ فراہم کرتا ہے، اور یہ اسٹیٹفول پروسیسنگ فنکشنز، چیک پوائنٹنگ، اور متوازی پروسیسنگ کو باکس سے باہر سپورٹ کرتا ہے۔ یہ ترقی کو تیز کرنے میں مدد کرتا ہے اور نچلی سطح کے معمولات اور اجزاء تک رسائی فراہم کرتا ہے، جو ایپلیکیشنز کے لچکدار ڈیزائن اور نفاذ کی اجازت دیتا ہے۔
Kinesis Data Analytics آپ کے Apache Flink ایپلیکیشنز کے لیے بنیادی ڈھانچہ فراہم کرتا ہے۔ یہ فلنک کلسٹر کو تعینات اور ترتیب دینے کی ضرورت کو ختم کرتا ہے۔ ایمیزون لچکدار کمپیوٹ کلاؤڈ (ایمیزون ای سی 2) یا Kubernetes، جو دیکھ بھال کی پیچیدگی اور اخراجات کو کم کرتا ہے۔
تیسرا اہم جز ہے۔ ایمیزون سیج میکر. اگرچہ ہم نے ایک ماڈل بنانے کے لیے SageMaker کا استعمال کیا، لیکن ہمیں پروجیکٹ کے ابتدائی مراحل میں فیصلہ کرنے کی بھی ضرورت تھی: کیا اسکورنگ کو فیس آف ڈیٹیکٹنگ ایپلی کیشن کے اندر ہی لاگو کیا جانا چاہیے اور عمل درآمد کو پیچیدہ بنانا چاہیے، یا فیس آف ڈٹیکٹنگ ایپلیکیشن کال کرنا چاہیے۔ SageMaker دور سے اور نیٹ ورک پر مواصلات کی وجہ سے کچھ تاخیر کی قربانی؟ ایک باخبر فیصلہ کرنے کے لیے، ہم نے SageMaker میں تاخیر اور اسکیل ایبلٹی کی توثیق کرنے کے لیے بینچ مارکس کا ایک سلسلہ انجام دیا، اور اس بات کی توثیق کی کہ اوسط تاخیر بوجھ کے تحت 100 ملی سیکنڈ سے کم تھی، جو ہماری توقعات کے اندر تھی۔
اعلیٰ سطح کے فن تعمیر کے اہم حصوں کا فیصلہ کرنے کے ساتھ، ہم نے چہرے سے باہر کا پتہ لگانے والی ایپلی کیشن کے اندرونی ڈیزائن پر کام کرنا شروع کر دیا۔ ایپلیکیشن کا ایک کمپیوٹیشن ماڈل درج ذیل خاکہ میں دکھایا گیا ہے۔
فیس آف کا پتہ لگانے والی ایپلی کیشن کے کمپیوٹ ماڈل کو ایک سادہ محدود ریاست کی مشین کے طور پر بنایا جا سکتا ہے، جہاں ہر آنے والا پیغام نظام کو ایک حالت سے دوسری حالت میں منتقل کرتا ہے جبکہ اس منتقلی کے ساتھ ساتھ کچھ حساب کتاب بھی کرتا ہے۔ ایپلیکیشن درج ذیل کو ٹریک رکھنے کے لیے کئی ڈیٹا ڈھانچے کو برقرار رکھتی ہے:
- کھیل کی حالت میں تبدیلیاں - موجودہ مدت نمبر، کھیل گھڑی کی حیثیت اور قدر، اور سکور
- کھلاڑی کی حالت میں تبدیلیاں - اگر کھلاڑی فی الحال برف پر یا بینچ پر ہے، تو میدان میں موجودہ نقاط، اور موجودہ رفتار
- کھلاڑی کے ذاتی چہرے کے اعدادوشمار میں تبدیلیاں - ایک کھلاڑی کی کامیابی کی شرح بمقابلہ دوسرے، وغیرہ
الگورتھم کسی کھلاڑی کے مقام کی تازہ کاری کے ہر ایونٹ کی جانچ پڑتال کرتا ہے تاکہ یہ فیصلہ کیا جا سکے کہ آیا کوئی آمنے سامنے کی پیشین گوئی کی جانی چاہیے اور آیا نتیجہ براڈکاسٹروں کو جمع کرایا جانا چاہیے۔ اس بات کو مدنظر رکھتے ہوئے کہ ہر کھلاڑی کا مقام تقریباً ہر 80 ملی سیکنڈ میں اپ ڈیٹ ہوتا ہے اور کھلاڑی کھیل کے دوران کھیل کے وقفوں کے دوران بہت سست حرکت کرتے ہیں، ہم یہ نتیجہ اخذ کر سکتے ہیں کہ دو اپ ڈیٹس کے درمیان کی صورتحال بڑی حد تک تبدیل نہیں ہوتی ہے۔ اگر ایپلیکیشن نے سیج میکر کو پیشین گوئیوں کے لیے بلایا اور براڈکاسٹروں کو پیشین گوئیاں بھیجیں جب بھی کوئی نیا مقام اپ ڈیٹ ایونٹ موصول ہوا اور تمام شرائط پوری ہو جائیں تو سیج میکر اور براڈکاسٹر متعدد نقل کی درخواستوں سے مغلوب ہو جائیں گے۔
اس تمام غیر ضروری شور سے بچنے کے لیے، ایپلی کیشن پیرامیٹرز کے مجموعہ کا پتہ لگاتی ہے جن کے لیے پیشین گوئیاں پہلے سے کی گئی تھیں، پیشین گوئی کے نتیجے کے ساتھ، اور انہیں میموری میں محفوظ کر لیتی ہے تاکہ سیج میکر کو مہنگی ڈپلیکیٹ درخواستوں سے بچا جا سکے۔ اس کے علاوہ، یہ اس بات پر نظر رکھتا ہے کہ براڈکاسٹروں کو پہلے سے کون سی پیشین گوئیاں بھیجی گئی تھیں اور اس بات کو یقینی بناتا ہے کہ صرف نئی پیشین گوئیاں بھیجی جائیں یا پہلے بھیجی گئی پیشین گوئیاں صرف ضروری ہونے پر دوبارہ بھیجی جائیں۔ جانچ سے پتہ چلتا ہے کہ یہ نقطہ نظر باہر جانے والے ٹریفک کی مقدار کو 100 گنا سے زیادہ کم کر دیتا ہے۔
ایک اور اصلاحی تکنیک جسے ہم نے استعمال کیا وہ سیج میکر کے لیے درخواستوں کو گروپ کرنا اور متوازی طور پر ان کو متوازی طور پر انجام دینا تھا۔ مثال کے طور پر، اگر ہمارے پاس فیس آف پیرامیٹرز کے چار نئے مجموعے ہیں جن کے لیے ہمیں SageMaker سے پیشین گوئیاں حاصل کرنے کی ضرورت ہے، تو ہم جانتے ہیں کہ ہر درخواست میں 100 ملی سیکنڈ سے کم وقت لگے گا۔ اگر ہم ہر درخواست کو ایک ایک کرکے ہم وقت سازی سے انجام دیتے ہیں، تو کل جوابی وقت 400 ملی سیکنڈ سے کم ہوگا۔ لیکن اگر ہم چاروں درخواستوں کو گروپ کرتے ہیں، انہیں متضاد طور پر جمع کراتے ہیں، اور آگے بڑھنے سے پہلے پورے گروپ کے نتائج کا انتظار کرتے ہیں، تو ہم درخواستوں کو مؤثر طریقے سے متوازی بناتے ہیں اور کل جوابی وقت 100 ملی سیکنڈ سے کم ہوگا، بالکل اسی طرح جیسے صرف ایک درخواست کے لیے۔
خلاصہ
NHL Edge IQ، AWS کے ذریعے تقویت یافتہ، جدید تجزیات اور نئے ML اعدادوشمار کے ساتھ شائقین کو ایکشن کے قریب لا رہا ہے۔ اس پوسٹ میں، ہم نے نئے Face-off Probability ماڈل کی تعمیر اور تعیناتی کے بارے میں بصیرتیں دکھائیں، جو NHL کے لیے پہلا آن ایئر ML شماریات ہے۔ آئندہ NHL گیمز میں Face-off Probability کے ذریعے پیدا ہونے والے امکانات پر نظر رکھنا یقینی بنائیں۔
SageMaker کے لیے اپنی مرضی کے مطابق تربیتی ملازمتیں بنانے کی مکمل مثالیں تلاش کرنے کے لیے، ملاحظہ کریں۔ اپنی مرضی کے مطابق کنٹینر بنا کر SageMaker کے ساتھ اپنا تربیت مکمل شدہ ماڈل لائیں۔. استعمال کرنے کی مثالوں کے لیے ایمیزون کنیسیس سلسلہ بندی کے لیے رجوع کریں۔ ایمیزون کائنسس ڈویلپمنٹ سیکھنا.
AWS اور NHL کے درمیان شراکت کے بارے میں مزید جاننے کے لیے، ملاحظہ کریں۔ NHL AWS کلاؤڈ سروسز کے ساتھ اختراع کرتا ہے۔. اگر آپ اپنی تنظیم میں ML حل لانے کے لیے ماہرین کے ساتھ تعاون کرنا چاہتے ہیں، تو رابطہ کریں۔ ایمیزون ایم ایل حل لیب.
مصنفین کے بارے میں
ریان گلیسپی۔ AWS پروفیشنل سروسز کے ساتھ ایک سینئر ڈیٹا سائنٹسٹ ہے۔ انہوں نے نارتھ ویسٹرن یونیورسٹی سے ایم ایس سی اور یونیورسٹی آف ٹورنٹو سے ایم بی اے کیا ہے۔ ان کے پاس ریٹیل اور کان کنی کی صنعتوں کا سابقہ تجربہ ہے۔
یش شاہ میں سائنس مینیجر ہے۔ ایمیزون ایم ایل حل لیب۔ وہ اور اس کی اپلائیڈ سائنسدانوں اور مشین لرننگ انجینئرز کی ٹیم صحت کی دیکھ بھال، کھیلوں، آٹوموٹو اور مینوفیکچرنگ سے مشین لرننگ کے استعمال کے کیسز کی ایک رینج پر کام کرتی ہے۔
الیگزینڈر ایگوروف ایک پرنسپل اسٹریمنگ آرکیٹیکٹ ہے، جو اسٹریمنگ ٹیکنالوجیز میں مہارت رکھتا ہے۔ وہ تنظیموں کو حقیقی وقت میں اسٹریمنگ ڈیٹا کی پروسیسنگ اور تجزیہ کرنے کے لیے پلیٹ فارم ڈیزائن اور بنانے میں مدد کرتا ہے۔
میگوئل رومیرو کالوو میں ایک اپلائیڈ سائنٹسٹ ہے۔ ایمیزون ایم ایل حل لیب جہاں وہ ML اور کلاؤڈ اپنانے کے ذریعے اپنے کاروبار کو تیز کرنے کے لیے AWS کی اندرونی ٹیموں اور اسٹریٹجک صارفین کے ساتھ شراکت کرتا ہے۔
ایرک مارٹنیز میڈیا اور تفریح پر توجہ کے ساتھ 25+ سال کا تجربہ رکھنے والا ایک سینئر میڈیا ایپلیکیشن آرکیٹیکٹ ہے۔ وہ دریافت، ضروریات کو جمع کرنے، ڈیزائن، عمل درآمد، جانچ، تعیناتی، اور آپریشن سے لے کر نظام کی ترقی کے لائف سائیکل کے تمام پہلوؤں میں تجربہ کار ہے۔
