یہ پوسٹ ماروبینی پاور انٹرنیشنل کے سینئر مینیجر ڈیٹا سائنس ہرنان فیگیرو کے ساتھ شریک تصنیف ہے۔

Marubeni Power International Inc (MPII) امریکہ میں پاور بزنس پلیٹ فارم کا مالک ہے اور ان میں سرمایہ کاری کرتا ہے۔ MPII کے لیے ایک اہم عمودی قابل تجدید توانائی اور توانائی ذخیرہ کرنے والے اثاثوں کے لیے اثاثہ جات کا انتظام ہے، جو ہمارے پاور انفراسٹرکچر کی کاربن کی شدت کو کم کرنے کے لیے اہم ہیں۔ قابل تجدید توانائی کے اثاثوں کے ساتھ کام کرنے کے لیے پیشین گوئی اور جوابی ڈیجیٹل حل کی ضرورت ہوتی ہے، کیونکہ قابل تجدید توانائی کی پیداوار اور بجلی کی مارکیٹ کے حالات مسلسل بدل رہے ہیں۔ MPII ایک مشین لرننگ (ML) بِڈ آپٹیمائزیشن انجن کا استعمال کر رہا ہے تاکہ پاور اثاثہ جات کے انتظام اور تجارت میں فیصلہ سازی کے عمل کو مطلع کیا جا سکے۔ یہ حل مارکیٹ کے تجزیہ کاروں کو ڈیٹا پر مبنی بولی لگانے کی حکمت عملیوں کو ڈیزائن اور انجام دینے میں مدد کرتا ہے جو پاور اثاثہ کے منافع کے لیے موزوں ہے۔

اس پوسٹ میں، آپ جانیں گے کہ Marubeni کس طرح AWS اینالیٹکس اور ML سروسز کے وسیع سیٹ کو استعمال کر کے مارکیٹ کے فیصلوں کو بہتر بنا رہا ہے، تاکہ ایک مضبوط اور سرمایہ کاری مؤثر پاور بِڈ آپٹیمائزیشن حل تیار کیا جا سکے۔

حل جائزہ

بجلی کی منڈیاں الیکٹرک گرڈ میں بجلی کی فراہمی اور طلب کو متوازن کرنے اور مختلف الیکٹرک گرڈ کی بھروسے کی ضروریات کو پورا کرنے کے لیے تجارتی طاقت اور توانائی کو قابل بناتی ہیں۔ مارکیٹ کے شرکاء، جیسے MPII اثاثہ آپریٹرز، اپنے پاور اثاثوں سے منافع حاصل کرنے کے لیے ان بجلی کی منڈیوں میں بجلی اور توانائی کی مقدار کی مسلسل بولی لگا رہے ہیں۔ ایک مارکیٹ کا حصہ دار کسی اثاثے کے منافع میں اضافہ کرنے کے لیے بیک وقت مختلف مارکیٹوں میں بولی جمع کرا سکتا ہے، لیکن اسے اثاثہ کی طاقت کی حدوں اور رسپانس کی رفتار کے ساتھ ساتھ دیگر اثاثہ کی آپریشنل رکاوٹوں اور ان مارکیٹوں کے باہمی تعاون پر غور کرنے کی ضرورت ہے۔

MPII کا بولی کی اصلاح کے انجن کا حل مختلف بازاروں میں شرکت کے لیے بہترین بولیاں پیدا کرنے کے لیے ML ماڈلز کا استعمال کرتا ہے۔ سب سے زیادہ عام بولیاں دن سے آگے کی توانائی کی بولیاں ہیں، جو حقیقی تجارتی دن سے 1 دن پہلے جمع کرائی جانی چاہئیں، اور حقیقی وقت کی توانائی کی بولیاں، جو تجارتی گھنٹے سے 75 منٹ پہلے جمع کرائی جانی چاہئیں۔ حل ایک پاور اثاثہ کی متحرک بولی اور عمل کو ترتیب دیتا ہے اور اس کے ML ماڈلز میں دستیاب اصلاح اور پیشن گوئی کی صلاحیتوں کو استعمال کرنے کی ضرورت ہے۔

پاور بِڈ آپٹیمائزیشن حل میں متعدد اجزاء شامل ہیں جو مخصوص کردار ادا کرتے ہیں۔ آئیے اس میں شامل اجزاء اور ان کے متعلقہ کاروباری فنکشن کے ذریعے چلتے ہیں۔

ڈیٹا اکٹھا کرنا اور ادخال کرنا

ڈیٹا اکٹھا کرنے اور ادخال کی پرت تمام اپ اسٹریم ڈیٹا کے ذرائع سے مربوط ہوتی ہے اور ڈیٹا کو ڈیٹا لیک میں لوڈ کرتی ہے۔ بجلی کی مارکیٹ کی بولی کے لیے کم از کم چار قسم کے ان پٹ کی ضرورت ہوتی ہے:

• بجلی کی طلب کی پیشن گوئی
• موسم پیشگوئی
• مارکیٹ کی قیمت کی تاریخ
• بجلی کی قیمت کی پیشن گوئی

ڈیٹا کے ان ذرائع تک خصوصی طور پر APIs کے ذریعے رسائی حاصل کی جاتی ہے۔ لہذا، ادخال کے اجزاء کو توثیق، پل موڈ میں ڈیٹا سورسنگ، ڈیٹا پری پروسیسنگ، اور ڈیٹا اسٹوریج کا انتظام کرنے کے قابل ہونے کی ضرورت ہے۔ چونکہ ڈیٹا فی گھنٹہ حاصل کیا جا رہا ہے، اس لیے ایک طریقہ کار کی بھی ضرورت ہوتی ہے جس کے لیے انجیکشن کے کاموں کو ترتیب دیا جائے۔

ڈیٹا کی تیاری

جیسا کہ زیادہ تر ML استعمال کے معاملات میں، ڈیٹا کی تیاری ایک اہم کردار ادا کرتی ہے۔ ڈیٹا متعدد فارمیٹس میں مختلف ذرائع سے آتا ہے۔ اس سے پہلے کہ یہ ML ماڈل ٹریننگ کے لیے استعمال ہونے کے لیے تیار ہو، اسے درج ذیل میں سے کچھ مراحل سے گزرنا چاہیے:

• آمد کے وقت کی بنیاد پر فی گھنٹہ ڈیٹا سیٹس کو یکجا کریں۔ ایک مکمل ڈیٹا سیٹ میں تمام ذرائع شامل ہونے چاہئیں۔
• معیاری کاری، نارملائزیشن، یا انٹرپولیشن جیسی تکنیکوں کا استعمال کرکے ڈیٹا کے معیار میں اضافہ کریں۔

اس عمل کے اختتام پر، کیوریٹڈ ڈیٹا کو اسٹیج کیا جاتا ہے اور مزید استعمال کے لیے دستیاب کرایا جاتا ہے۔

ماڈل ٹریننگ اور تعیناتی۔

اگلا مرحلہ ایک ایسے ماڈل کی تربیت اور تعیناتی پر مشتمل ہے جو توانائی کی خرید و فروخت کے لیے بہترین مارکیٹ بولیوں کی پیش گوئی کرنے کے قابل ہو۔ ناقص کارکردگی کے خطرے کو کم کرنے کے لیے، ماروبینی نے ماڈلنگ تکنیک کا استعمال کیا۔ انسمبل ماڈلنگ پیشین گوئی کی کارکردگی کو بڑھانے کے لیے متعدد ML ماڈلز کو یکجا کرنے پر مشتمل ہے۔ Marubeni تمام ماڈلز کی طاقت سے فائدہ اٹھانے کے لیے بیرونی اور اندرونی پیشین گوئی کے ماڈلز کے نتائج کو وزنی اوسط کے ساتھ جوڑتا ہے۔ Marubeni کے اندرونی ماڈلز لانگ شارٹ ٹرم میموری (LSTM) فن تعمیر پر مبنی ہیں، جو اچھی طرح سے دستاویزی اور TensorFlow میں لاگو کرنے اور اپنی مرضی کے مطابق کرنے میں آسان ہیں۔ ایمیزون سیج میکر TensorFlow کی تعیناتیوں اور بہت سے دوسرے ML ماحول کو سپورٹ کرتا ہے۔ بیرونی ماڈل ملکیتی ہے، اور اس کی تفصیل اس پوسٹ میں شامل نہیں کی جا سکتی۔

Marubeni کے استعمال کے معاملے میں، بولی لگانے والے ماڈل اشاعت میں استعمال ہونے والے مقصدی افعال کے ترمیم شدہ ورژن کا استعمال کرتے ہوئے آمدنی کو زیادہ سے زیادہ کرنے کے لیے عددی اصلاح کرتے ہیں۔ CAISO میں توانائی ذخیرہ کرنے کے مواقع.

SageMaker Marubeni کو ایک ہی ماحول میں ML اور عددی اصلاح کے الگورتھم چلانے کے قابل بناتا ہے۔ یہ اہم ہے، کیونکہ اندرونی ماڈل کی تربیت کے دوران، عددی اصلاح کے آؤٹ پٹ کو پیشن گوئی نقصان کے فنکشن کے حصے کے طور پر استعمال کیا جاتا ہے۔ عددی اصلاح کے استعمال کے معاملات کو کیسے حل کیا جائے اس بارے میں مزید معلومات کے لیے، رجوع کریں۔ ایمیزون سیج میکر پروسیسنگ کے ساتھ شیڈولنگ، روٹنگ، اور مختص جیسے عددی اصلاح کے مسائل کو حل کرنا.

پھر ہم ان ماڈلز کو انفرنس اینڈ پوائنٹس کے ذریعے تعینات کرتے ہیں۔ چونکہ تازہ ڈیٹا وقتاً فوقتاً کھایا جاتا ہے، اس لیے ماڈلز کو دوبارہ تربیت دینے کی ضرورت ہے کیونکہ وہ وقت کے ساتھ ساتھ باسی ہو جاتے ہیں۔ بعد میں اس پوسٹ میں آرکیٹیکچر سیکشن ماڈلز کے لائف سائیکل پر مزید تفصیلات فراہم کرتا ہے۔

پاور بولی ڈیٹا جنریشن

فی گھنٹہ کی بنیاد پر، حل ان بہترین مقداروں اور قیمتوں کی پیشین گوئی کرتا ہے جن پر مارکیٹ میں بجلی کی پیشکش کی جانی چاہیے — اسے بھی کہا جاتا ہے۔ بولی. مقدار کو MW میں ماپا جاتا ہے اور قیمتیں $/MW میں ناپی جاتی ہیں۔ پیشین گوئی اور سمجھی جانے والی مارکیٹ کے حالات کے متعدد مجموعوں کے لیے بولیاں تیار کی جاتی ہیں۔ مندرجہ ذیل جدول فائنل کی ایک مثال دکھاتا ہے۔ بولی وکر ماروبینی کے لاس اینجلس آفس کے قریب ایک مثالی تجارتی نوڈ پر آپریٹنگ گھنٹے 17 کے لیے آؤٹ پٹ۔

تاریخ	گھنٹہ	مارکیٹ	جگہ	MW	قیمت
11/7/2022	17	آر ٹی انرجی	LCIENEGA_6_N001	0	$0
11/7/2022	17	آر ٹی انرجی	LCIENEGA_6_N001	1.65	$80.79
11/7/2022	17	آر ٹی انرجی	LCIENEGA_6_N001	5.15	$105.34
11/7/2022	17	آر ٹی انرجی	LCIENEGA_6_N001	8	$230.15

اگر بجلی کی قیمت کم از کم $1.65 ہے تو یہ مثال 80.79 میگاواٹ بجلی کی بولی لگانے کی ہماری رضامندی کی نمائندگی کرتی ہے، اگر بجلی کی قیمت کم از کم $5.15 ہے تو 105.34 میگاواٹ، اور اگر بجلی کی قیمت کم از کم $8 ہے تو 230.15 میگاواٹ۔

آزاد سسٹم آپریٹرز (ISOs) امریکہ میں بجلی کی منڈیوں کی نگرانی کرتے ہیں اور انتہائی اقتصادی طریقے سے الیکٹرک گرڈ کی وشوسنییتا کو برقرار رکھنے کے لیے بولی دینے اور مسترد کرنے کے ذمہ دار ہیں۔ California Independent System Operator (CAISO) کیلی فورنیا میں بجلی کی منڈیوں کو چلاتا ہے اور اگلی بولی کی ونڈو سے ہر گھنٹے پہلے مارکیٹ کے نتائج شائع کرتا ہے۔ منحنی خطوط پر ان کے مساوی کے ساتھ موجودہ مارکیٹ کے حالات کا حوالہ دے کر، تجزیہ کار زیادہ سے زیادہ آمدنی کا اندازہ لگا سکتے ہیں۔ پاور بِڈ آپٹیمائزیشن سلوشن نئی آنے والی مارکیٹ کی معلومات اور نئے ماڈل کی پیش گوئی کرنے والے آؤٹ پٹس کا استعمال کرتے ہوئے مستقبل کی بولیوں کو اپ ڈیٹ کرتا ہے۔

AWS فن تعمیر کا جائزہ

مندرجہ ذیل تصویر میں بیان کردہ حل فن تعمیر پہلے پیش کی گئی تمام پرتوں کو لاگو کرتا ہے۔ یہ حل کے حصے کے طور پر درج ذیل AWS خدمات کا استعمال کرتا ہے:

• ایمیزون سادہ اسٹوریج سروس (ایمیزون S3) درج ذیل ڈیٹا کو ذخیرہ کرنے کے لیے:
  • مختلف ذرائع سے قیمتوں کا تعین، موسم اور لوڈ کی پیشن گوئی کا ڈیٹا۔
  • ماڈل ٹریننگ کے لیے استعمال کیے جانے کے لیے مربوط اور بڑھا ہوا ڈیٹا۔
  • آؤٹ پٹ بولی کے منحنی خطوط کو فی گھنٹہ تازہ کیا جاتا ہے۔
• ایمیزون سیج میکر انفرنس اینڈ پوائنٹس کے ذریعے بہترین بولی پیش کرنے کے لیے ماڈلز کی تربیت، جانچ اور تعیناتی کرنا۔
• AWS اسٹیپ فنکشنز ڈیٹا اور ایم ایل پائپ لائنز دونوں کو آرکیسٹریٹ کرنے کے لیے۔ ہم دو ریاستی مشینیں استعمال کرتے ہیں:
  • ڈیٹا اکٹھا کرنے کے لیے ایک ریاستی مشین اور اس بات کو یقینی بنانے کے لیے کہ تمام ذرائع استعمال کیے گئے ہیں۔
  • ML پائپ لائن کے ساتھ ساتھ آپٹمائزڈ بِڈنگ جنریشن ورک فلو کو آرکیسٹریٹ کرنے کے لیے ایک ریاستی مشین۔
• او ڈبلیو ایس لامبڈا۔ ادخال، پری پروسیسنگ، اور پوسٹ پروسیسنگ فعالیت کو نافذ کرنے کے لیے:
  • ان پٹ ڈیٹا فیڈز کو داخل کرنے کے لیے تین فنکشنز، فی ماخذ ایک فنکشن کے ساتھ۔
  • تربیت کے لیے ڈیٹا کو مضبوط اور تیار کرنے کے لیے ایک فنکشن۔
  • ایک فنکشن جو SageMaker کے اندر تعینات ماڈل کے اینڈ پوائنٹ کو کال کرکے قیمت کی پیشن گوئی پیدا کرتا ہے۔
• ایمیزون ایتینا ڈیولپرز اور کاروباری تجزیہ کاروں کو ایس کیو ایل کو تجزیہ اور خرابیوں کا سراغ لگانے کے لیے تیار کردہ ڈیٹا تک رسائی فراہم کرنے کے لیے۔
• ایمیزون ایونٹ برج ڈیٹا کے ادخال اور ML پائپ لائن کو شیڈول پر اور واقعات کے جواب میں متحرک کرنے کے لیے۔

مندرجہ ذیل حصوں میں، ہم ورک فلو پر مزید تفصیل سے بات کرتے ہیں۔

ڈیٹا اکٹھا کرنا اور تیاری

ہر گھنٹے، ڈیٹا کی تیاری سٹیپ فنکشنز سٹیٹ مشین کو طلب کیا جاتا ہے۔ یہ ہر ایک ڈیٹا کے ادخال لیمبڈا کے افعال کو متوازی طور پر کال کرتا ہے، اور چاروں کے مکمل ہونے کا انتظار کرتا ہے۔ ڈیٹا اکٹھا کرنے کے فنکشنز اپنے متعلقہ سورس API کو کال کرتے ہیں اور پچھلے گھنٹے کا ڈیٹا بازیافت کرتے ہیں۔ ہر فنکشن پھر موصولہ ڈیٹا کو اپنے متعلقہ S3 بالٹی میں محفوظ کرتا ہے۔

یہ فنکشنز ایک مشترکہ نفاذ کی بنیادی لائن کا اشتراک کرتے ہیں جو معیاری ڈیٹا ہیرا پھیری جیسے کہ نارملائزیشن یا انڈیکسیشن کے لیے بلڈنگ بلاکس مہیا کرتی ہے۔ اس کو حاصل کرنے کے لیے، ہم لیمبڈا پرتوں کا استعمال کرتے ہیں۔ AWS چالیسجیسا کہ میں بیان کیا گیا ہے۔ AWS Chalice کے ساتھ AWS Lambda Layers کا استعمال. یہ یقینی بناتا ہے کہ تمام ڈویلپرز ڈیٹا کی تیاری کی نئی منطقیں بنانے اور عمل درآمد کو تیز کرنے کے لیے ایک ہی بیس لائبریریوں کا استعمال کر رہے ہیں۔

چاروں ذرائع کے اندراج اور ذخیرہ کرنے کے بعد، ریاستی مشین ڈیٹا کی تیاری لیمبڈا فنکشن کو متحرک کرتی ہے۔ بجلی کی قیمت، موسم، اور لوڈ کی پیشن گوئی کا ڈیٹا JSON اور کریکٹر ڈیلمیٹڈ فائلوں میں موصول ہوتا ہے۔ ہر فائل کے ہر ریکارڈ کے حصے میں ایک ٹائم اسٹیمپ ہوتا ہے جو ڈیٹا فیڈز کو 1 گھنٹے کے ٹائم فریم پر محیط ایک ڈیٹاسیٹ میں اکٹھا کرنے کے لیے استعمال ہوتا ہے۔

یہ تعمیر مکمل طور پر ایونٹ پر مبنی ورک فلو فراہم کرتی ہے۔ ٹریننگ ڈیٹا کی تیاری کا آغاز جیسے ہی تمام متوقع ڈیٹا ہضم ہو جاتا ہے۔

ایم ایل پائپ لائن

ڈیٹا کی تیاری کے بعد، نئے ڈیٹاسیٹس کو Amazon S3 میں محفوظ کیا جاتا ہے۔ ایک EventBridge قاعدہ ML پائپ لائن کو سٹیپ فنکشنز سٹیٹ مشین کے ذریعے متحرک کرتا ہے۔ ریاستی مشین دو عمل چلاتی ہے:

• چیک کریں کہ کیا بولی وکر جنریشن ماڈل موجودہ ہے۔
• جب کارکردگی میں کمی آتی ہے یا ماڈلز مخصوص دنوں سے زیادہ پرانے ہوتے ہیں تو ماڈل کی دوبارہ تربیت کو خودکار طور پر متحرک کریں۔

اگر فی الحال تعینات کردہ ماڈل کی عمر ایک مخصوص حد کے لحاظ سے تازہ ترین ڈیٹاسیٹ سے زیادہ پرانی ہے—کہیں کہ 7 دن—اسٹیپ فنکشنز سٹیٹ مشین سیج میکر پائپ لائن کو شروع کرتی ہے جو ایک نئے انفرنس اینڈ پوائنٹ کو ٹرین، ٹیسٹ اور تعینات کرتی ہے۔ اگر ماڈلز ابھی تک اپ ٹو ڈیٹ ہیں، تو ورک فلو ML پائپ لائن کو چھوڑ کر بولی کی تیاری کے مرحلے پر چلا جاتا ہے۔ ماڈل کی حالت سے قطع نظر، ایک نیا فی گھنٹہ ڈیٹا سیٹ کی ترسیل پر بولی کا ایک نیا وکر پیدا ہوتا ہے۔ درج ذیل خاکہ اس ورک فلو کو واضح کرتا ہے۔ پہلے سے طے شدہ طور پر، StartPipelineExecution کارروائی غیر مطابقت پذیر ہے۔ ہم ریاستی مشین کو پائپ لائن کے اختتام کا انتظار کر سکتے ہیں 'کال بیک کے لیے انتظار کریں۔'اختیار.

ایک پائلٹ حل کی تعمیر میں لاگت اور وقت کو کم کرنے کے لیے، ماروبینی نے استعمال کیا۔ ایمیزون سیج میکر سرور لیس انفرنس. یہ اس بات کو یقینی بناتا ہے کہ تربیت اور تعیناتی کے لیے استعمال ہونے والا بنیادی ڈھانچہ صرف ضرورت پڑنے پر ہی چارجز وصول کرتا ہے۔ یہ پائپ لائن کی تعمیر کے عمل کو بھی آسان بناتا ہے کیونکہ ڈویلپرز کو اب انفراسٹرکچر کا انتظام کرنے کی ضرورت نہیں ہے۔ یہ کام کے بوجھ کے لیے ایک بہترین آپشن ہے جس میں ٹریفک کی رفتار کے درمیان وقفہ وقفہ ہوتا ہے۔ جیسے جیسے حل پختہ ہوتا ہے اور پیداوار میں منتقل ہوتا ہے، Marubeni ان کے ڈیزائن کا جائزہ لے گا اور ایک ایسی ترتیب کو اپنائے گا جو پیشین گوئی اور مستقل استعمال کے لیے زیادہ موزوں ہو۔

بولی پیدا کرنا اور ڈیٹا سے استفسار کرنا

بولی جنریشن لیمبڈا فنکشن وقتاً فوقتاً فی گھنٹہ کے حساب سے پیشین گوئیاں پیدا کرنے اور آؤٹ پٹ کو Amazon S3 میں اسٹور کرنے کے لیے انفرنس اینڈ پوائنٹ کو طلب کرتا ہے۔

ڈیولپرز اور کاروباری تجزیہ کار پھر ویژولائزیشن کے لیے ایتھینا اور مائیکروسافٹ پاور BI کا استعمال کرتے ہوئے ڈیٹا کو تلاش کر سکتے ہیں۔ ڈیٹا کو API کے ذریعے ڈاؤن اسٹریم بزنس ایپلی کیشنز کے لیے بھی دستیاب کیا جا سکتا ہے۔ پائلٹ مرحلے میں، آپریٹرز مارکیٹوں میں اپنی پاور ٹرانزیکشن کی سرگرمیوں کو سپورٹ کرنے کے لیے بصری طور پر بولی کے وکر سے مشورہ کرتے ہیں۔ تاہم، Marubeni مستقبل میں اس عمل کو خودکار کرنے پر غور کر رہا ہے، اور یہ حل ایسا کرنے کے لیے ضروری بنیادیں فراہم کرتا ہے۔

نتیجہ

اس حل نے ماروبینی کو اپنی ڈیٹا پروسیسنگ اور انجیکشن پائپ لائنوں کو مکمل طور پر خودکار کرنے کے ساتھ ساتھ ان کے پیشن گوئی اور اصلاحی ماڈلز کی تعیناتی کے وقت کو گھنٹوں سے منٹ تک کم کرنے کے قابل بنایا۔ بولی کے منحنی خطوط اب خود بخود پیدا ہوتے ہیں اور مارکیٹ کے حالات بدلتے ہی تازہ ترین رہتے ہیں۔ انہوں نے لاگت میں 80% کمی کا احساس بھی کیا جب فراہم کردہ انفرنس اینڈ پوائنٹ سے سرور لیس اینڈ پوائنٹ پر سوئچ کیا۔

MPII کا پیشن گوئی حل حالیہ ڈیجیٹل تبدیلی کے اقدامات میں سے ایک ہے جو ماروبینی کارپوریشن پاور سیکٹر میں شروع کر رہا ہے۔ MPII نئے پاور بزنس پلیٹ فارمز کو سپورٹ کرنے کے لیے اضافی ڈیجیٹل حل تیار کرنے کا ارادہ رکھتا ہے۔ MPII استعمال کے بہت سے معاملات میں اپنی ڈیجیٹل تبدیلی کی حکمت عملی کو سپورٹ کرنے کے لیے AWS سروسز پر انحصار کر سکتا ہے۔

"ہم نئے کاروباری پلیٹ فارمز کے لیے ویلیو چین کے انتظام پر توجہ مرکوز کر سکتے ہیں، یہ جانتے ہوئے کہ AWS ہمارے حل کے بنیادی ڈیجیٹل انفراسٹرکچر کا انتظام کر رہا ہے۔"

– Hernan Figueroa، Marubeni Power International میں سینئر منیجر ڈیٹا سائنس۔

اس بارے میں مزید معلومات کے لیے کہ کس طرح AWS توانائی کی تنظیموں کی ڈیجیٹل تبدیلی اور پائیداری کے اقدامات میں مدد کر رہا ہے، ملاحظہ کریں۔ AWS انرجی.

Marubeni Power International Marubeni Corporation کا ذیلی ادارہ ہے۔ ماروبینی کارپوریشن ایک بڑا جاپانی تجارتی اور سرمایہ کاری کا کاروبار ہے۔ Marubeni Power International مشن کا مقصد نئے کاروباری پلیٹ فارم تیار کرنا، توانائی کے نئے رجحانات اور ٹیکنالوجیز کا جائزہ لینا اور امریکہ میں Marubeni کے پاور پورٹ فولیو کا انتظام کرنا ہے۔ اگر آپ ماروبینی پاور کے بارے میں مزید جاننا چاہتے ہیں، تو چیک کریں۔ https://www.marubeni-power.com/.

---

مصنفین کے بارے میں

ہرنان فیگیرو ماروبینی پاور انٹرنیشنل میں ڈیجیٹل تبدیلی کے اقدامات کی قیادت کرتا ہے۔ ان کی ٹیم ماروبینی پاور کی ترقی کی حکمت عملیوں کو سپورٹ کرنے کے لیے ڈیٹا سائنس اور ڈیجیٹل ٹیکنالوجیز کا اطلاق کرتی ہے۔ ماروبینی میں شامل ہونے سے پہلے، ہرنان کولمبیا یونیورسٹی میں ڈیٹا سائنٹسٹ تھے۔ انہوں نے پی ایچ ڈی کی ڈگری حاصل کی۔ الیکٹریکل انجینئرنگ میں اور کمپیوٹر انجینئرنگ میں بی ایس۔

لینو بریشیا۔ NYC میں مقیم ایک پرنسپل اکاؤنٹ ایگزیکٹو ہے۔ اس کے پاس ٹیکنالوجی کا 25 سال سے زیادہ کا تجربہ ہے اور وہ 2018 میں AWS میں شامل ہوا ہے۔ وہ عالمی کاروباری صارفین کا انتظام کرتا ہے کیونکہ وہ AWS کلاؤڈ سروسز کے ساتھ اپنے کاروبار کو تبدیل کرتے ہیں اور بڑے پیمانے پر نقل مکانی کرتے ہیں۔

نرگس زیکپا بوسٹن میں مقیم ایک سینئر سولیوشن آرکیٹیکٹ ہے۔ وہ شمال مشرقی امریکہ میں صارفین کو AWS کلاؤڈ پر اختراعی، اور قابل توسیع حل کے ذریعے اپنی کاروباری تبدیلی کو تیز کرنے میں مدد کرتا ہے۔ جب Narcisse تعمیر نہیں کر رہا ہے، وہ اپنے خاندان کے ساتھ وقت گزارنے، سفر کرنے، کھانا پکانے، باسکٹ بال کھیلنے اور دوڑنا پسند کرتا ہے۔

پدرام جہانگیری۔ الیکٹریکل انجینئرنگ میں پی ایچ ڈی کے ساتھ، AWS کے ساتھ ایک انٹرپرائز سلوشن آرکیٹیکٹ ہے۔ ان کے پاس توانائی اور آئی ٹی انڈسٹری میں 10+ سال کا تجربہ ہے۔ Pedram کے پاس کلاؤڈ ٹیکنالوجیز کا فائدہ اٹھا کر کاروباری اداروں کے لیے مقداری اور بڑے پیمانے پر حل تیار کرنے کے لیے Advanced Analytics کے تمام پہلوؤں میں کئی سالوں کا تجربہ ہے۔

سارہ چائلڈرز واشنگٹن ڈی سی میں مقیم ایک اکاؤنٹ مینیجر ہے۔ وہ ایک سابقہ ​​سائنس معلم ہے جو کلاؤڈ پرجوش بنی ہوئی ہے جس نے اپنے کلاؤڈ سفر کے ذریعے صارفین کی مدد کرنے پر توجہ مرکوز کی ہے۔ سارہ ایک حوصلہ افزا ٹیم کے ساتھ مل کر کام کرنے سے لطف اندوز ہوتی ہے جو متنوع خیالات کی حوصلہ افزائی کرتی ہے تاکہ صارفین کو جدید ترین اور جامع حلوں سے آراستہ کیا جا سکے۔

• SEO سے چلنے والا مواد اور PR کی تقسیم۔ آج ہی بڑھا دیں۔
• پلیٹو بلاک چین۔ Web3 Metaverse Intelligence. علم میں اضافہ۔ یہاں تک رسائی حاصل کریں۔
• ماخذ: https://aws.amazon.com/blogs/machine-learning/how-marubeni-is-optimizing-market-decisions-using-aws-machine-learning-and-analytics/