At سامبا سیفٹیان کا مشن ڈیٹا بصیرت کے ذریعے خطرے کو کم کرکے محفوظ کمیونٹیز کو فروغ دینا ہے۔ 1998 سے، SambaSafety کمرشل اور غیر تجارتی ڈرائیوروں والی تنظیموں کے لیے کلاؤڈ بیسڈ موبلٹی رسک مینجمنٹ سوفٹ ویئر فراہم کرنے والا شمالی امریکہ کا سب سے بڑا فراہم کنندہ ہے۔ SambaSafety 15,000 سے زیادہ عالمی آجروں اور انشورنس کیریئرز کو ڈرائیور کے خطرے اور تعمیل کی نگرانی، آن لائن تربیت اور خطرے کے گہرے تجزیات کے ساتھ ساتھ خطرے کی قیمتوں کے حل کے ساتھ خدمات فراہم کرتی ہے۔ ڈرائیور ریکارڈ، ٹیلی میٹکس، کارپوریٹ اور دیگر سینسر ڈیٹا کے جمع، ارتباط اور تجزیہ کے ذریعے، SambaSafety نہ صرف آجروں کو حفاظتی پالیسیوں کو بہتر طریقے سے نافذ کرنے اور دعووں کو کم کرنے میں مدد کرتا ہے، بلکہ بیمہ کنندگان کو انڈر رائٹنگ کے باخبر فیصلے کرنے میں مدد کرتا ہے اور بیک گراؤنڈ اسکرینرز کو درست، موثر پری ہائر انجام دینے میں بھی مدد ملتی ہے۔ چیک کرتا ہے
تمام ڈرائیور ایک ہی رسک پروفائل پیش نہیں کرتے۔ وہیل کے پیچھے جتنا زیادہ وقت گزارا جائے گا، آپ کا رسک پروفائل اتنا ہی زیادہ ہوگا۔ ڈیٹا سائنسدانوں کی SambaSafety کی ٹیم نے اس خطرے کے پروفائل کو درست طریقے سے درست کرنے کے لیے ڈیزائن کیے گئے پیچیدہ اور مناسب ماڈلنگ حل تیار کیے ہیں۔ تاہم، انہوں نے اس حل کو بیچ اور ریئل ٹائم انفرنس کے لیے مستقل اور قابل بھروسہ انداز میں تعینات کرنے کے لیے تعاون طلب کیا۔
اس پوسٹ میں، ہم اس بات پر تبادلہ خیال کرتے ہیں کہ سامبا سیفٹی نے کس طرح AWS مشین لرننگ (ML) اور مسلسل انضمام اور مسلسل ڈیلیوری (CI/CD) ٹولز کو بیچ انفرنس کے لیے اپنی موجودہ ڈیٹا سائنس ایپلیکیشن کو تعینات کرنے کے لیے استعمال کیا۔ SambaSafety نے AWS ایڈوانسڈ کنسلٹنگ پارٹنر کے ساتھ کام کیا۔ فائر مائنڈ استعمال کیا گیا ایک حل فراہم کرنے کے لئے AWS CodeStar, AWS اسٹیپ فنکشنز، اور ایمیزون سیج میکر اس کام کے بوجھ کے لیے۔ AWS CI/CD اور AI/ML پروڈکٹس کے ساتھ، SambaSafety کی ڈیٹا سائنس ٹیم کو مسلسل ماڈل ٹریننگ اور اندازہ سے فائدہ اٹھانے کے لیے اپنے موجودہ ترقیاتی ورک فلو کو تبدیل کرنے کی ضرورت نہیں تھی۔
گاہک کے استعمال کا کیس
SambaSafety کی ڈیٹا سائنس ٹیم طویل عرصے سے اپنے کاروبار کو مطلع کرنے کے لیے ڈیٹا کی طاقت کا استعمال کر رہی تھی۔ ان کے پاس کئی ہنر مند انجینئرز اور سائنس داں تھے جو بصیرت سے بھرپور ماڈلز بنا رہے تھے جنہوں نے ان کے پلیٹ فارم پر خطرے کے تجزیہ کے معیار کو بہتر بنایا۔ اس ٹیم کو درپیش چیلنجز کا تعلق ڈیٹا سائنس سے نہیں تھا۔ SambaSafety کی ڈیٹا سائنس ٹیم کو اپنے موجودہ ڈیٹا سائنس ورک فلو کو مسلسل ترسیل کے حل سے مربوط کرنے میں مدد کی ضرورت ہے۔
SambaSafety کی ڈیٹا سائنس ٹیم نے اپنے ترقیاتی کام کے فلو کے حصے کے طور پر کئی اسکرپٹ نما نمونوں کو برقرار رکھا۔ ان اسکرپٹس نے کئی کام انجام دیے، بشمول ڈیٹا پری پروسیسنگ، فیچر انجینئرنگ، ماڈل تخلیق، ماڈل ٹیوننگ، اور ماڈل کا موازنہ اور توثیق۔ یہ تمام اسکرپٹ دستی طور پر چلائی گئیں جب تربیت کے لیے ان کے ماحول میں نیا ڈیٹا آیا۔ مزید برآں، ان اسکرپٹس نے اندازہ لگانے کے لیے کوئی ماڈل ورژن یا میزبانی نہیں کی۔ SambaSafety کی ڈیٹا سائنس ٹیم نے نئے ماڈلز کو پروڈکشن کے لیے فروغ دینے کے لیے دستی کام تیار کیا تھا، لیکن یہ عمل وقت طلب اور محنت طلب بن گیا۔
نئے ML ورک بوجھ پر اختراع کرنے کے لیے SambaSafety کی انتہائی ہنر مند ڈیٹا سائنس ٹیم کو آزاد کرنے کے لیے، SambaSafety کو موجودہ ماڈلز کو برقرار رکھنے سے منسلک دستی کاموں کو خودکار کرنے کی ضرورت ہے۔ مزید برآں، SambaSafety کی ڈیٹا سائنس ٹیم کے ذریعے استعمال کیے جانے والے دستی ورک فلو کی نقل تیار کرنے اور ان اسکرپٹس کے نتائج کی بنیاد پر آگے بڑھنے کے بارے میں فیصلے کرنے کے لیے درکار حل۔ آخر میں، حل کو ان کے موجودہ کوڈ بیس کے ساتھ ضم کرنا پڑا۔ SambaSafety ڈیٹا سائنس ٹیم نے AWS کے لیے ایک کوڈ ریپوزٹری حل استعمال کیا۔ حتمی پائپ لائن کو ان کے کوڈ بیس کے اپ ڈیٹس کی بنیاد پر متحرک کرنے کے لیے کافی ذہین ہونا چاہیے، جو بنیادی طور پر اس میں لکھا گیا تھا۔ R.
حل جائزہ
مندرجہ ذیل خاکہ حل فن تعمیر کی وضاحت کرتا ہے، جس کی اطلاع SambaSafety کے ڈیلیوری پارٹنر کے زیر انتظام کئی اوپن سورس آرکیٹیکچرز میں سے ایک نے دی تھی۔ فائر مائنڈ.
SambaSafety کی ڈیٹا سائنس ٹیم کے لیے Firemind کی طرف سے فراہم کردہ حل دو ML پائپ لائنوں کے ارد گرد بنایا گیا تھا۔ پہلی ML پائپ لائن SambaSafety کے کسٹم ڈیٹا پری پروسیسنگ، ٹریننگ، اور ٹیسٹنگ اسکرپٹس کا استعمال کرتے ہوئے ایک ماڈل کو تربیت دیتی ہے۔ نتیجے میں آنے والے ماڈل آرٹفیکٹ کو بیچ اور ریئل ٹائم انفرنس کے لیے SageMaker کے زیر انتظام ماڈل اینڈ پوائنٹس کے لیے تعینات کیا جاتا ہے۔ دوسری ML پائپ لائن میزبانی شدہ ماڈل کو تخمینہ کی درخواست کی سہولت فراہم کرتی ہے۔ اس طرح، تربیت کے لیے پائپ لائن کو تخمینہ کے لیے پائپ لائن سے الگ کر دیا جاتا ہے۔
اس پروجیکٹ کی پیچیدگیوں میں سے ایک SambaSafety ڈیٹا سائنسدانوں کے ذریعے اٹھائے گئے دستی اقدامات کو نقل کر رہی ہے۔ فائر مائنڈ کی ٹیم نے اس کام کو مکمل کرنے کے لیے سٹیپ فنکشنز اور سیج میکر پروسیسنگ کا استعمال کیا۔ اسٹیپ فنکشنز آپ کو AWS استعمال کرتے ہوئے مجرد کاموں کو چلانے کی اجازت دیتا ہے۔ او ڈبلیو ایس لامبڈا۔ افعال، ایمیزون لچکدار کبیرنیٹس سروس (ایمیزون ای کے ایس) ورکرز، یا اس معاملے میں سیج میکر۔ سیج میکر پروسیسنگ آپ کو ایسی ملازمتوں کی وضاحت کرنے کی اجازت دیتی ہے جو سیج میکر ماحولیاتی نظام کے اندر منظم ایم ایل مثالوں پر چلتی ہیں۔ سٹیپ فنکشن جاب کا ہر رن اپنے لاگز، رن ہسٹری، اور کام کی کامیابی یا ناکامی کی تفصیلات کو برقرار رکھتا ہے۔
ٹیم نے لیمبڈا کے ساتھ مل کر اسٹیپ فنکشنز اور سیج میکر کا استعمال ٹریننگ، ٹیوننگ، تعیناتی، اور انفرنس ورک بوجھ کے آٹومیشن کو سنبھالنے کے لیے کیا۔ اس تعیناتی پائپ لائن میں کوڈ کی تبدیلیوں کا مسلسل انضمام صرف باقی بچا تھا۔ Firemind نے CodeStar پروجیکٹ کو نافذ کیا جس نے SambaSafety کے موجودہ کوڈ ریپوزٹری سے تعلق برقرار رکھا۔ جب SambaSafety میں محنتی ڈیٹا سائنس ٹیم اپنے کوڈ بیس کی ایک مخصوص برانچ میں اپ ڈیٹ پوسٹ کرتی ہے، CodeStar تبدیلیاں اٹھاتا ہے اور آٹومیشن کو متحرک کرتا ہے۔
نتیجہ
SambaSafety کی نئی سرور لیس MLOps پائپ لائن نے ڈیلیور کرنے کی ان کی صلاحیت پر نمایاں اثر ڈالا۔ ڈیٹا سائنس اور سافٹ ویئر ڈویلپمنٹ کا انضمام ان کی ٹیموں کو بغیر کسی رکاوٹ کے مل کر کام کرنے کے قابل بناتا ہے۔ ان کے خودکار ماڈل کی تعیناتی کے حل نے ڈیلیوری کا وقت 70% تک کم کر دیا۔
سامبا سیفٹی کا یہ بھی کہنا تھا:
"اپنے ڈیٹا سائنس ماڈلز کو خودکار کرکے اور انہیں ان کے سافٹ ویئر ڈویلپمنٹ لائف سائیکل میں ضم کرکے، ہم اپنی خدمات میں کارکردگی اور درستگی کی ایک نئی سطح حاصل کرنے میں کامیاب ہوئے ہیں۔ اس نے ہمیں مقابلہ سے آگے رہنے اور گاہکوں کو جدید حل فراہم کرنے کے قابل بنایا ہے۔ ہمارے کلائنٹس کو تیز تر تبدیلی کے اوقات اور ہمارے حل کی بہتر درستگی کے ساتھ اس سے بہت فائدہ ہوگا۔
SambaSafety AWS اکاؤنٹ ٹیموں کے ساتھ ان کے مسئلے کے ساتھ منسلک ہے۔ AWS اکاؤنٹ اور سلوشنز آرکیٹیکچر ٹیموں نے ہمارے مضبوط پارٹنر نیٹ ورک سے سورسنگ کے ذریعے اس حل کی نشاندہی کرنے کے لیے کام کیا۔ اپنے کاروبار کے لیے ایسے ہی تبدیلی کے مواقع کی نشاندہی کرنے کے لیے اپنی AWS اکاؤنٹ ٹیم سے جڑیں۔
مصنفین کے بارے میں
ڈین فرگوسن Amazon Web Services میں پرائیویٹ ایکویٹی سلوشنز آرکیٹیکچر پر ایک AI/ML سپیشلسٹ سولیوشن آرکیٹیکٹ (SA) ہے۔ ڈین پرائیویٹ ایکویٹی کی حمایت یافتہ پورٹ فولیو کمپنیوں کو اپنے کاروباری مقاصد کے حصول کے لیے AI/ML ٹیکنالوجیز کا فائدہ اٹھانے میں مدد کرتا ہے۔
خلیل ادیب فائر مائنڈ میں ڈیٹا سائنٹسٹ ہیں، فائر مائنڈ جدت کو چلاتے ہوئے اپنے صارفین کو AI اور ML کی جادوئی دنیا میں فراہم کر سکتے ہیں۔ خلیل جدید ترین اور بہترین ٹیک اور ماڈلز کے ساتھ ٹنکر کرتا ہے، اس بات کو یقینی بناتا ہے کہ فائر مائنڈ ہمیشہ خون بہنے والے کنارے پر ہے۔
جیسن میتھیو فائر مائنڈ میں ایک کلاؤڈ انجینئر ہے، جو صارفین کے لیے IaC کے ساتھ پائپ لائنز لکھنے، Python کے ساتھ ڈیٹا انجینئرنگ بنانے، اور ML کی حدود کو آگے بڑھانے سے لے کر آخر تک پروجیکٹس کی ترسیل کی قیادت کرتا ہے۔ جیسن فائر مائنڈ کے اوپن سورس پروجیکٹس میں کلیدی معاون بھی ہے۔
- SEO سے چلنے والا مواد اور PR کی تقسیم۔ آج ہی بڑھا دیں۔
- ای وی ایم فنانس۔ وکندریقرت مالیات کے لیے متحد انٹرفیس۔ یہاں تک رسائی حاصل کریں۔
- کوانٹم میڈیا گروپ۔ آئی آر/پی آر ایمپلیفائیڈ۔ یہاں تک رسائی حاصل کریں۔
- پلیٹوآئ اسٹریم۔ ویب 3 ڈیٹا انٹیلی جنس۔ علم میں اضافہ۔ یہاں تک رسائی حاصل کریں۔
- ماخذ: https://aws.amazon.com/blogs/machine-learning/samba-safety-automates-custom-r-workload-improving-driver-safety-with-amazon-sagemaker-and-aws-step-functions/
