یہ پوسٹ ریلی پوائنٹ کے سی ای او ڈیو گوول کے ساتھ مل کر لکھی گئی تھی۔ اپنے الفاظ میں ، "ریلی پوائنٹ سابق فوجیوں، سروس کے ارکان، خاندان کے ارکان، دیکھ بھال کرنے والوں، اور امریکی مسلح افواج کے دیگر سویلین حامیوں کے لیے ایک آن لائن سماجی اور پیشہ ورانہ نیٹ ورک ہے۔ پلیٹ فارم پر XNUMX لاکھ اراکین کے ساتھ، کمپنی اس مستحق آبادی کو ایک دوسرے سے جڑنے کے لیے ایک آرام دہ جگہ اور ان کی مدد کے لیے ڈیزائن کیے گئے پروگرام فراہم کرتی ہے۔".

وہ تمام لوگ جو خدمت کرتے ہیں - اور جو ان کی حمایت کرتے ہیں - اکثر ملازمت کے مختلف چیلنجوں کا سامنا کرتے ہیں جب ایک سروس ممبر شہری زندگی میں واپس آتا ہے۔ RallyPoint نے خودکار اور زبردست ملازمت کی سفارشات تیار کرکے اس آبادی کے معیار زندگی کو بہتر بنانے کے ایک بڑے موقع کے طور پر شہری کیریئر میں منتقلی کی مدت کی نشاندہی کی ہے۔ تاہم، ٹیم نے تاریخی طور پر اپنے صارف کے تجربے میں ملازمتوں کی سفارش کرنے کے لیے ایک اصول پر مبنی کیوریشن کا طریقہ استعمال کیا، جو اراکین کو ان کے انفرادی تجربے، مہارت اور دلچسپیوں کے مطابق ملازمت کی سفارشات حاصل کرنے کی اجازت نہیں دیتا ہے۔

"اپنے اراکین کے لیے اس تجربے کو بہتر بنانے کے لیے، ہم RallyPoint پر یہ دریافت کرنا چاہتے تھے کہ مشین لرننگ (ML) کس طرح مدد کر سکتی ہے۔ ہم نہیں چاہتے کہ ہمارے فوجی، سابق فوجی اور ان کے چاہنے والے فوجی چھوڑنے کا فیصلہ کرتے وقت ایک مکمل شہری کیریئر کی تلاش میں وقت ضائع کریں۔ یہ ایک آسان عمل ہونا چاہئے۔ ہم چاہتے ہیں کہ ہمارے اراکین ہمیں اپنے فوجی تجربات، کسی بھی اسکول میں جہاں انہوں نے تعلیم حاصل کی ہے، اور اپنی ذاتی ترجیحات کے بارے میں بتائیں۔ پھر جو کچھ ہم اپنے لاکھوں فوجی اور تجربہ کار اراکین سے جانتے ہیں اس کا فائدہ اٹھاتے ہوئے، محنت سے تلاش کرنے کے بجائے متعلقہ کھلی ملازمتیں آسانی سے سامنے آنی چاہئیں۔ ہمارے اراکین کے لیے اس مفت سروس سے یہ بھی توقع کی جاتی ہے کہ صحیح فوجی اور تجربہ کار ہنر کی تلاش کرنے والے آجروں سے کم از کم سات اعداد و شمار تک آمدنی بڑھے گی، جس سے ہمیں اپنے اراکین کے لیے مزید مفت صلاحیتیں پیدا کرنے کا موقع ملے گا۔

اس بلاگ پوسٹ کا خلاصہ یہ ہے کہ کیسے ایمیزون مشین لرننگ سلوشن لیب (MLSL) نے RallyPoint کے ساتھ شراکت داری کی تاکہ موجودہ اصول پر مبنی نفاذ سے RallyPoint کے اراکین کے لیے دیگر بہتریوں کے علاوہ ذاتی نوعیت کی کیرئیر کی سفارشات میں 35% بہتری اور کوریج میں 66x اضافہ ہو۔

"MLSL نے RallyPoint کو امریکی فوجی برادری کی زندگیوں کو بچانے اور بہتر بنانے میں مدد کی۔ سب سے زیادہ مستحق آبادی کی مدد کے لیے MLSL کے ساتھ متعدد پیچیدہ اور اثر انگیز منصوبوں پر کام کرنا خوش قسمتی سے، RallyPoint نے اس عمل میں متعدد بنیادی تنظیمی میٹرکس میں ترقی کو تیز کیا۔ MLSL کی اعلیٰ صلاحیتوں، ثقافت، اور مشین لرننگ سرمایہ کاری سے قابل پیمائش اور زبردست نتائج کے حصول میں ہماری مدد کرنے پر توجہ نے ہمیں خودکشی کے خطرے کو کم کرنے، کیریئر کی منتقلی کو بہتر بنانے، اور اپنے سروس ممبران، سابق فوجیوں اور ان کے خاندانوں کے لیے اہم رابطوں کو تیز کرنے کے قابل بنایا۔"

مندرجہ ذیل حصوں میں کاروباری اور تکنیکی چیلنجز، AWS اور RallyPoint ٹیموں کی طرف سے اختیار کردہ نقطہ نظر، اور لاگو حل کی کارکردگی کا احاطہ کیا گیا ہے۔ ایمیزون کو ذاتی بنائیں۔.

Amazon Personalize ڈویلپرز کے لیے ایسی ایپلی کیشنز بنانا آسان بناتا ہے جو ذاتی نوعیت کے تجربات کی ایک وسیع صف فراہم کرنے کے قابل ہو، بشمول مخصوص مصنوعات کی سفارشات، ذاتی نوعیت کی مصنوعات کی دوبارہ درجہ بندی، اور اپنی مرضی کے مطابق براہ راست مارکیٹنگ۔ Amazon Personalize ایک مکمل طور پر منظم کردہ ML سروس ہے جو ریٹیل اور میڈیا اور تفریح ​​جیسی صنعتوں میں صارفین کو انتہائی حسب ضرورت سفارشات فراہم کرنے کے لیے تربیت، ٹیوننگ، اور اپنی مرضی کے مطابق ML ماڈلز کی تعیناتی کے ذریعے سخت، مستحکم اصول پر مبنی سفارشی نظاموں سے آگے جاتی ہے۔

کاروباری اور تکنیکی چیلنجز

متعدد کاروباری چیلنجوں نے اس شراکت داری کو متاثر کیا۔ RallyPoint ویب سائٹ پر سب سے زیادہ مناسب 10 تجویز کردہ ملازمتوں پر کلک ہونے کی شرح تھی۔ RallyPoint نے اپنے پلیٹ فارم کے اندر صارف کی مصروفیت کا تجزیہ کیا اور دریافت کیا کہ انہیں متعلقہ ملازمتوں کی تعداد بڑھانے کی ضرورت ہے جن پر صارفین کلک کر رہے ہیں۔ خیال یہ ہے کہ تجویز کردہ ملازمت جتنی زیادہ متعلقہ ہوگی، ان ملازمتوں کے لیے درخواست دینے والے اراکین کے امکانات اتنے ہی زیادہ ہوں گے، جس سے روزگار کے بہتر نتائج برآمد ہوں گے۔

اگلا چیلنج سائٹ پر پیش کردہ جاب سروسز پر ممبران کی مصروفیت کو بڑھانا تھا۔ RallyPoint لوگوں کو "اپنا برانڈ بنانے اور فوجی برادری کو شامل کرنے، اپنی مصنوعات اور خدمات کی تشہیر کرنے، بھرتی کی مارکیٹنگ کی مہم چلانے، نوکریوں کو پوسٹ کرنے، اور تجربہ کار ہنر کو تلاش کرنے کا موقع فراہم کرتا ہے۔" انہوں نے ایک بار پھر AWS Personalize کو لاگو کرنے کے ایک موقع کی نشاندہی کی تاکہ زیادہ سے زیادہ لوگوں کو شہری زندگی میں منتقل ہونے میں مدد ملے، اور اپنے کلک ٹو کسٹمر کنورژن نمبرز کو بہتر بنانے کی کوشش کی، جس سے RallyPoint کے براہ راست صارفین کے لیے بہتر نتائج برآمد ہوئے۔

تکنیکی نقطہ نظر سے، تجویز کنندہ کے بہت سے روایتی نظام کے مسائل کی طرح، ڈیٹا کی کمی اور لمبی دم پر قابو پانا ایک چیلنج تھا۔ غیر شناخت شدہ، پہلے سے عوامی طور پر اشتراک کردہ ڈیٹا کے نمونے کے سیٹ میں ہزاروں گمنام صارف پروفائلز شامل تھے، جن میں پچاس سے زیادہ صارف کے میٹا ڈیٹا پوائنٹس تھے، لیکن بہت سے لوگوں کے پاس میٹا ڈیٹا/پروفائل کی معلومات متضاد یا غائب تھیں۔ اس سے نمٹنے کے لیے، ٹیم نے متعلقہ صارفین کے لیے Amazon Personalize کولڈ اسٹارٹ کی سفارش کی فعالیت کا فائدہ اٹھایا۔

حل جائزہ

مسئلے کو حل کرنے کے لیے، MLSL نے RallyPoint کے لیے اپنی مرضی کے مطابق Amazon Personalize پائپ لائن بنانے کے لیے RallyPoint کے ساتھ تعاون کیا۔ استعمال کی جانے والی کچھ خدمات میں شامل ہیں۔ ایمیزون سادہ اسٹوریج سروس (ایمیزون S3)، ایمیزون سیج میکر نوٹ بک مثالیں۔، اور ایمیزون پرسنلائز۔ مندرجہ ذیل خاکہ حل کے فن تعمیر کی وضاحت کرتا ہے۔

حل کے لیے استعمال کیے گئے گمنام خام ڈیٹا میں یوزر پروفائلز اور جاب پوزیشنز پر میٹا ڈیٹا کے ساتھ ملازمت کی پوسٹنگ کے ساتھ تعاملات کی تاریخ شامل ہے۔ یہ S3 میں محفوظ تھا۔ ایم ایل ایس ایل ٹیم نے ایمیزون سیج میکر نوٹ بک انسٹینس کا استعمال ایمیزون پرسنلائز میں ڈیٹا کے بطور ان پٹ تیار کرنے کے لیے کیا۔ اس قدم میں ڈیٹا پری پروسیسنگ، فیچر انجینئرنگ، اور ڈیٹا سیٹ گروپس بنانا اور Amazon Personalize کے لیے درکار اسکیمے شامل تھے۔ مزید معلومات کے لیے رجوع کریں۔ اپنی مرضی کے مطابق ڈیٹاسیٹ گروپ بنانا.

اگلا مرحلہ ایمیزون پرسنلائز میں حل بنانا تھا۔ ایک حل سے مراد ایک Amazon Personalize ترکیب، حسب ضرورت پیرامیٹرز، اور ایک یا زیادہ حل ورژن کا مجموعہ ہے۔ مزید معلومات کے لیے رجوع کریں۔ حل پیدا کرنا. ٹیم نے استعمال کیا۔ صارف کو ذاتی بنانے کی ترکیب ایک توثیق سیٹ میں صارفین کے لیے مخصوص کام کی سفارشات تیار کرنے کے لیے۔ ایمیزون پرسنلائز آؤٹ پٹس، بشمول ملازمت کی سفارشات اور کارکردگی کے میٹرکس، مزید تجزیہ کے لیے ایک Amazon S3 بالٹی میں محفوظ کیے جاتے ہیں۔

آخری مرحلے میں، ٹیم نے انسانی تشریح کاروں کے ذریعے بیرونی تشخیص کے لیے آؤٹ پٹ سفارشات تیار کرنے کے لیے ایک نوٹ بک مثال کا استعمال کیا، جیسا کہ اس میں بیان کیا گیا ہے۔ ڈومین ماہرین کا استعمال سیکشن پر ایک اقتصادی کینڈر سکین کر لیں۔

ایمیزون پرسنلائز کے نتائج کا اندازہ

ایمیزون پرسنلائز سلوشن ورژن کی کارکردگی کا استعمال کرتے ہوئے اندازہ کیا جا سکتا ہے۔ آف لائن میٹرکس, آن لائن میٹرکس، اور اے / بی ٹیسٹ. آف لائن میٹرکس آپ کو اپنے ماڈلز کو تربیت دینے کے لیے استعمال کیے جانے والے ہائپر پیرامیٹرس اور الگورتھم میں ترمیم کے اثرات دیکھنے کی اجازت دیتے ہیں، جن کا حساب تاریخی ڈیٹا سے ہوتا ہے۔ آن لائن میٹرکس وہ تجرباتی نتائج ہیں جو آپ کے صارف کے تعاملات میں مشاہدہ کرتے ہیں جو کہ لائیو ماحول میں فراہم کردہ ریئل ٹائم سفارشات کے ساتھ ہوتے ہیں (جیسے کلک تھرو ریٹ)۔ A/B ٹیسٹنگ ایک سے زیادہ حل ورژن کی کارکردگی کا ڈیفالٹ حل سے موازنہ کرنے کا ایک آن لائن طریقہ ہے۔ صارفین کو تصادفی طور پر یا تو کنٹرول (پہلے سے طے شدہ) گروپ یا علاج (ٹیسٹ) گروپوں میں سے ایک کو تفویض کیا جاتا ہے۔ کنٹرول گروپ کے صارفین کو پہلے سے طے شدہ حل (بیس لائن) سے سفارشات موصول ہوتی ہیں، جبکہ علاج گروپوں میں سے ہر ایک مختلف حل ورژن کے ساتھ تعامل کرتا ہے۔ اعداد و شمار کی اہمیت کے ٹیسٹ کا استعمال کارکردگی کے میٹرکس (جیسے کلک کرنے کی شرح یا تاخیر) اور کاروباری میٹرکس (جیسے محصول) کا ڈیفالٹ حل سے موازنہ کرنے کے لیے کیا جاتا ہے۔

ایمیزون پرسنلائز حل ورژن کی تربیت کے دوران آف لائن میٹرکس کی پیمائش کرتا ہے۔ ٹیم نے آف لائن میٹرکس کا استعمال کیا جیسے Mean Reciprocal Rank (MRR)، نارملائزڈ ڈسکاؤنٹڈ مجموعی فائدہ (NCDG@k)، Precision@k، اور کوریج۔ تمام دستیاب آف لائن میٹرکس کی تعریف کے لیے، رجوع کریں۔ میٹرک تعریفیں.

اگرچہ Amazon Personalize آف لائن میٹرکس کی ایک وسیع فہرست فراہم کرتا ہے جسے ٹیم تربیت کے دوران حل کی کارکردگی کو معروضی طور پر ماپنے کے لیے استعمال کر سکتی ہے، لیکن ماڈل کی کارکردگی کو ٹریک کرنے اور اس کی توثیق کرنے کے لیے آن لائن میٹرکس اور A/B ٹیسٹنگ کی سفارش کی جاتی ہے۔ ان ٹیسٹوں کا ایک انتباہ یہ ہے کہ وہ صارفین کو حقیقی وقت میں Amazon Personalize کی سفارشات کے ساتھ تعامل کرنے کی ضرورت ہے۔ چونکہ RallyPoint Amazon Personalize ماڈل کو اس اشاعت سے پہلے تعینات نہیں کیا گیا تھا، اس لیے ٹیم کے پاس ان ٹیسٹوں کی اطلاع دینے کے لیے نتائج نہیں تھے۔

ڈومین ماہرین کا استعمال

A/B ٹیسٹنگ سفارشی نظام کے معیار کا تجزیہ کرنے کا ترجیحی طریقہ ہے تاہم، سفارشات کی تشریح کے لیے ڈومین ماہرین کا استعمال ایک قابل عمل پیش رو ہے۔ چونکہ آن لائن ٹیسٹنگ کوئی آپشن نہیں تھا، اس لیے سفارشات کی مضبوطی کو جانچنے کے لیے، ٹیم نے RallyPoint میں ڈومین کے ماہرین سے کہا کہ وہ ماڈلز کے ذریعے تیار کردہ سفارشات کی تشریح کریں اور ان ملازمتوں کی تعداد کو شمار کریں جن پر ماہرین نے اتفاق کیا ہے کہ سفارش کی جائے (صارف کی معلومات اور اشارہ کردہ ترجیحات) بطور "درست" سفارشات کی تعداد. یہ میٹرک حل کے ورژن کا موازنہ کرنے کے لیے استعمال کیا گیا تھا۔ اے مقبولیت کا حل (موجودہ اصول پر مبنی معیار) کو ایک بیس لائن کے طور پر استعمال کیا گیا تھا جس میں ہر صارف کو سب سے زیادہ مقبول ملازمت کی پانچ پوزیشنوں کی سفارش کی گئی تھی۔ مزید برآں، پہلے سے طے شدہ ترتیبات کے ساتھ ایک حل استعمال کیا جاتا تھا جسے ایک اور بیس لائن ماڈل کہا جاتا ہے۔ ایمیزون پرسنلائز بیس لائن حل.

نتائج کی نمائش

بہترین کارکردگی کا مظاہرہ کرنے والے ماڈل کے استعمال کے نتیجے میں ایمیزون پرسنلائز بیس لائن حل پر "درست" سفارشات کی تعداد میں 35% اور مقبولیت کے حل کے مقابلے میں 54% بہتری آئی۔ مقبولیت کے حل کے مقابلے میں ٹیم کوریج میں 66x بہتری، MRR میں 30x بہتری، اور precision@2 میں 10x بہتری بھی حاصل کر سکتی ہے۔ مقبولیت کے حل کے علاوہ، ٹیم نے Amazon Personalize بیس لائن سلوشن کے مقابلے میں MRR اور precision@2 میں 10x تک اضافہ دیکھا۔

خلاصہ

RallyPoint نے ایک موقع کو تسلیم کیا ہے کہ وہ اپنے کسٹمرز کی زیادہ ذاتی نوعیت کی کیرئیر کی سفارشات کے ساتھ بہتر خدمت کریں۔ انہوں نے اپنے صارف کو ذاتی بنانے کے سفر کا آغاز کسٹمر کے جنون کو ذہن میں رکھتے ہوئے، مشین لرننگ سلوشنز لیب کے ساتھ شراکت داری کرتے ہوئے کیا۔ RallyPoint کے پاس اب اس حل کے ذریعے اپنے صارفین کو کیریئر کی مزید قیمتی تجاویز دینے کا موقع ہے۔ اس بہتر سفارشی نظام کو اپنی ویب سائٹ میں شامل کرنے کے نتیجے میں RallyPoint کے صارفین اپنے کیرئیر فیڈ میں مزید متعلقہ ملازمتیں دیکھیں گے، مزید مکمل کیرئیر کی راہیں آسان کریں گے اور اپنے اراکین کے لیے زندگی کا بہتر معیار بنائیں گے۔

استعمال ایمیزون کو ذاتی بنائیں۔ آج اپنے صارفین کو انفرادی تجربہ فراہم کرنے کے لیے! 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.

اضافی وسائل

Amazon Personalize کے بارے میں مزید معلومات کے لیے، درج ذیل دیکھیں:

---

مصنفین کے بارے میں

ڈیو گوول ایک آرمی تجربہ کار اور RallyPoint کے سی ای او ہیں۔ ڈیو ویسٹ پوائنٹ اور یو ایس آرمی رینجر اسکول کا گریجویٹ ہے، عراق میں ٹینک پلاٹون لیڈر کے طور پر خدمات انجام دیتا ہے، اور میساچوسٹس انسٹی ٹیوٹ آف ٹیکنالوجی ROTC پروگرام میں اسسٹنٹ پروفیسر کے طور پر پڑھاتا ہے۔ RallyPoint تیسری ٹیکنالوجی کمپنی ہے جس کے لیے ڈیو سی ای او رہ چکے ہیں۔

میتھیو روڈس میں کام کرنے والا ڈیٹا سائنٹسٹ ہے۔ ایمیزون ایم ایل حل لیب۔ وہ مشین لرننگ پائپ لائنز بنانے میں مہارت رکھتا ہے جس میں قدرتی زبان کی پروسیسنگ اور کمپیوٹر ویژن جیسے تصورات شامل ہیں۔

امین تاجگردون میں ایک اپلائیڈ سائنٹسٹ ہے۔ ایمیزون ایم ایل حل لیب۔ اس کا کمپیوٹر سائنس اور مشین لرننگ میں وسیع پس منظر ہے۔ خاص طور پر، امین کی توجہ گہری سیکھنے اور پیشن گوئی، پیشین گوئی کی وضاحت کے طریقوں، ماڈل ڈرفٹ کا پتہ لگانے، ممکنہ پیدا کرنے والے ماڈلز، اور صحت کی دیکھ بھال کے ڈومین میں AI کے اطلاق پر مرکوز رہی 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۔

ومشی کرشنا اینابوتھلا AWS میں ایک سینئر اپلائیڈ اے آئی سپیشلسٹ آرکیٹیکٹ ہے۔ وہ اعلیٰ اثر والے ڈیٹا، تجزیات، اور مشین لرننگ کے اقدامات کو تیز کرنے کے لیے مختلف شعبوں کے صارفین کے ساتھ کام کرتا ہے۔ وہ AI اور ML میں سفارشی نظام، NLP، اور کمپیوٹر وژن کے شعبوں کے بارے میں پرجوش ہیں۔ کام سے باہر، Vamshi ایک RC پرجوش ہے، RC سازوسامان (ہوائی جہاز، کاریں، اور ڈرون) بناتا ہے، اور باغبانی سے بھی لطف اندوز ہوتا ہے۔

گریگ ٹولمی۔ AWS پبلک سیکٹر ISV پارٹنرز ٹیم میں اکاؤنٹ مینیجر ہے۔ گریگ AWS پبلک سیکٹر ISV پارٹنرز کے پورٹ فولیو کی حمایت کرتا ہے تاکہ AWS پارٹنر نیٹ ورک کے زیادہ سے زیادہ فوائد حاصل کرتے ہوئے AWS سروسز کو اپنانے میں ان کی ترقی اور پختگی میں مدد کی 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۔
• ایڈریین ایشلے کے ساتھ مستقبل کا نقشہ بنانا۔ یہاں تک رسائی حاصل کریں۔
• ماخذ: https://aws.amazon.com/blogs/machine-learning/how-rallypoint-and-aws-are-personalizing-job-recommendations-to-help-military-veterans-and-service-providers-transition-back-into-civilian-life-using-amazon-personalize/