यह पोस्ट लिखा गया था पीडब्ल्यूसी ऑस्ट्रेलिया के क्लाउड और डिजिटल व्यवसाय से अंकुर गोयल और कार्तिकेयन चोकप्पा के सहयोग से।
आर्टिफिशियल इंटेलिजेंस (एआई) और मशीन लर्निंग (एमएल) सिस्टम और प्रक्रियाओं का एक अभिन्न अंग बन रहे हैं, जो वास्तविक समय में निर्णय लेने में सक्षम बनाते हैं, जिससे संगठनों में शीर्ष और निचले स्तर में सुधार हो रहा है। हालाँकि, एमएल मॉडल को बड़े पैमाने पर उत्पादन में लगाना चुनौतीपूर्ण है और इसके लिए सर्वोत्तम प्रथाओं की आवश्यकता होती है। कई व्यवसायों में पहले से ही डेटा वैज्ञानिक और एमएल इंजीनियर हैं जो अत्याधुनिक मॉडल बना सकते हैं, लेकिन मॉडल को उत्पादन तक ले जाना और मॉडल को बड़े पैमाने पर बनाए रखना एक चुनौती बनी हुई है। मैनुअल वर्कफ़्लो विकास प्रक्रिया को धीमा करने, लागत बढ़ाने और अंतिम उत्पाद की गुणवत्ता से समझौता करने के लिए एमएल जीवनचक्र संचालन को सीमित करता है।
मशीन लर्निंग ऑपरेशंस (एमएलओपीएस) एमएल सिस्टम पर डेवऑप्स सिद्धांतों को लागू करता है। जैसे DevOps सॉफ्टवेयर इंजीनियरिंग के लिए विकास और संचालन को जोड़ती है, MLOps एमएल इंजीनियरिंग और IT संचालन को जोड़ती है। एमएल सिस्टम में तेजी से विकास और एमएल इंजीनियरिंग के संदर्भ में, एमएलओपीएस ऐसी क्षमताएं प्रदान करता है जो एमएल सिस्टम के व्यावहारिक अनुप्रयोग की अनूठी जटिलताओं को संभालने के लिए आवश्यक हैं। कुल मिलाकर, एमएल उपयोग के मामलों में औद्योगिकीकरण और प्रक्रिया को सुव्यवस्थित करने के लिए आसानी से उपलब्ध एकीकृत समाधान की आवश्यकता होती है जो एमएलओपीएस का उपयोग करके एमएल मॉडल को विकास से उत्पादन तैनाती तक बड़े पैमाने पर ले जाता है।
इन ग्राहक चुनौतियों का समाधान करने के लिए, पीडब्ल्यूसी ऑस्ट्रेलिया ने एआई/एमएल मॉडल के संचालन में सुधार के लिए मानकीकृत प्रक्रिया और प्रौद्योगिकी क्षमताओं के एक सेट के रूप में मशीन लर्निंग ऑप्स एक्सेलेरेटर विकसित किया है जो पूरे एमएल जीवनचक्र संचालन में टीमों के बीच क्रॉस-फ़ंक्शनल सहयोग को सक्षम बनाता है। AWS मूल सेवाओं के शीर्ष पर निर्मित PwC मशीन लर्निंग ऑप्स एक्सेलेरेटर, एक फिट-फॉर-उद्देश्य समाधान प्रदान करता है जो सभी उद्योगों में ग्राहकों के लिए आसानी से एमएल उपयोग के मामलों में एकीकृत होता है। इस पोस्ट में, हम एक एमएल उपयोग के मामले के निर्माण और तैनाती पर ध्यान केंद्रित करते हैं जो एक एमएल मॉडल के विभिन्न जीवनचक्र घटकों को एकीकृत करता है, जो निरंतर एकीकरण (सीआई), निरंतर वितरण (सीडी), निरंतर प्रशिक्षण (सीटी), और निरंतर निगरानी (सीएम) को सक्षम करता है।
समाधान अवलोकन
एमएलओपीएस में, डेटा से एमएल मॉडल से लेकर बिजनेस सिस्टम और प्रक्रियाओं में सिफारिशों और भविष्यवाणियों तक की सफल यात्रा में कई महत्वपूर्ण चरण शामिल होते हैं। इसमें एक प्रयोग या प्रोटोटाइप का परिणाम लेना और इसे मानक नियंत्रण, गुणवत्ता और फीडबैक लूप के साथ उत्पादन प्रणाली में बदलना शामिल है। यह सिर्फ स्वचालन से कहीं अधिक है। यह संगठन प्रथाओं में सुधार लाने और बड़े पैमाने पर दोहराए जाने योग्य और प्रतिलिपि प्रस्तुत करने योग्य परिणाम देने के बारे में है।
वास्तविक दुनिया के एमएल उपयोग के मामले का केवल एक छोटा सा हिस्सा ही मॉडल में शामिल होता है। एक एकीकृत उन्नत एमएल क्षमता बनाने और इसे बड़े पैमाने पर लगातार संचालित करने के लिए आवश्यक विभिन्न घटकों को चित्र 1 में दिखाया गया है। जैसा कि निम्नलिखित चित्र में दिखाया गया है, पीडब्ल्यूसी एमएलओपीएस एक्सेलेरेटर में सात प्रमुख एकीकृत क्षमताएं और पुनरावृत्त चरण शामिल हैं जो सीआई, सीडी, सीटी और सक्षम करते हैं। एमएल उपयोग मामले का सीएम। समाधान AWS की मूल सुविधाओं का लाभ उठाता है अमेज़न SageMaker, इसके चारों ओर एक लचीला और विस्तार योग्य ढांचा तैयार करना।
चित्र 1 - पीडब्ल्यूसी मशीन लर्निंग ऑप्स एक्सेलेरेटर क्षमताएं
वास्तविक उद्यम परिदृश्य में, विभिन्न वातावरणों में मॉडलों की कठोर मान्यता और तैनाती सुनिश्चित करने के लिए परीक्षण के अतिरिक्त चरण और चरण मौजूद हो सकते हैं।
- डेटा और मॉडल प्रबंधन एक केंद्रीय क्षमता प्रदान करें जो एमएल कलाकृतियों को उनके पूरे जीवनचक्र में नियंत्रित करती है। यह ऑडिटेबिलिटी, ट्रैसेबिलिटी और अनुपालन को सक्षम बनाता है। यह एमएल परिसंपत्तियों की साझेदारी, पुन: प्रयोज्यता और खोज योग्यता को भी बढ़ावा देता है।
- एमएल मॉडल विकास विभिन्न व्यक्तियों को एक मजबूत और प्रतिलिपि प्रस्तुत करने योग्य मॉडल प्रशिक्षण पाइपलाइन विकसित करने की अनुमति देता है, जिसमें डेटा सत्यापन और परिवर्तन से लेकर मॉडल प्रशिक्षण और मूल्यांकन तक चरणों का अनुक्रम शामिल है।
- सतत एकीकरण/वितरण मॉडल प्रशिक्षण पाइपलाइन के स्वचालित निर्माण, परीक्षण और पैकेजिंग और इसे लक्ष्य निष्पादन वातावरण में तैनात करने की सुविधा प्रदान करता है। सीआई/सीडी वर्कफ़्लो और डेटा वर्जनिंग के साथ एकीकरण एमएलओपीएस सर्वोत्तम प्रथाओं जैसे शासन और पुनरावृत्त विकास और डेटा वर्जनिंग के लिए निगरानी को बढ़ावा देता है।
- एमएल मॉडल निरंतर प्रशिक्षण क्षमता पुनर्प्रशिक्षण ट्रिगर्स के आधार पर प्रशिक्षण पाइपलाइन को निष्पादित करती है; अर्थात्, जैसे ही नया डेटा उपलब्ध होता है या मॉडल का प्रदर्शन पूर्व निर्धारित सीमा से कम हो जाता है। यह प्रशिक्षित मॉडल को पंजीकृत करता है यदि वह एक सफल मॉडल उम्मीदवार के रूप में अर्हता प्राप्त करता है और प्रशिक्षण कलाकृतियों और संबंधित मेटाडेटा को संग्रहीत करता है।
- मॉडल की तैनाती उत्पादन रिलीज के लिए समीक्षा और अनुमोदन के लिए पंजीकृत प्रशिक्षित मॉडल तक पहुंच की अनुमति देता है और उत्पादन सेवा के लिए पूर्वानुमान सेवा वातावरण में मॉडल पैकेजिंग, परीक्षण और तैनाती को सक्षम बनाता है।
- भविष्यवाणी सेवा क्षमता ऑनलाइन, बैच या स्ट्रीमिंग पैटर्न के माध्यम से भविष्यवाणी प्रदान करने के लिए तैनात मॉडल शुरू करती है। सर्विंग रनटाइम निरंतर निगरानी और सुधार के लिए मॉडल सर्विंग लॉग को भी कैप्चर करता है।
- निरंतर निगरानी मॉडल क्षय और सेवा प्रभावशीलता (विलंबता, संपूर्ण पाइपलाइन और निष्पादन त्रुटियों) का पता लगाने के लिए पूर्वानुमानित प्रभावशीलता के लिए मॉडल की निगरानी करता है।
पीडब्ल्यूसी मशीन लर्निंग ऑप्स एक्सेलेरेटर आर्किटेक्चर
प्रदर्शन और स्केलेबिलिटी को उच्च और चलाने की लागत को कम रखने के लिए अमेज़ॅन सेजमेकर और सर्वर रहित तकनीक का उपयोग करके समाधान एडब्ल्यूएस-मूल सेवाओं के शीर्ष पर बनाया गया है।
चित्र 2 - पीडब्ल्यूसी मशीन लर्निंग ऑप्स एक्सेलेरेटर आर्किटेक्चर
- पीडब्ल्यूसी मशीन लर्निंग ऑप्स एक्सेलेरेटर बिल्ड-आउट, उपयोग और संचालन के लिए एक व्यक्ति-संचालित एक्सेस पात्रता प्रदान करता है जो एमएल इंजीनियरों और डेटा वैज्ञानिकों को पाइपलाइनों की तैनाती (प्रशिक्षण और सेवा) को स्वचालित करने और मॉडल गुणवत्ता परिवर्तनों पर तेजी से प्रतिक्रिया करने में सक्षम बनाता है। अमेज़न सैजमेकर रोल मैनेजर भूमिका-आधारित एमएल गतिविधि को लागू करने के लिए उपयोग किया जाता है, और अमेज़न S3 इनपुट डेटा और कलाकृतियों को संग्रहीत करने के लिए उपयोग किया जाता है।
- समाधान ग्राहक से मौजूदा मॉडल निर्माण संपत्तियों का उपयोग करता है और AWS मूल सेवाओं का उपयोग करके इसके चारों ओर एक लचीला और विस्तार योग्य ढांचा बनाता है। Amazon S3, Git और AWS CodeCommit के बीच एकीकरण बनाया गया है जो न्यूनतम भविष्य प्रबंधन के साथ डेटासेट वर्जनिंग की अनुमति देता है।
- AWS CloudFormation टेम्पलेट का उपयोग करके तैयार किया गया है AWS क्लाउड डेवलपमेंट किट (AWS CDK). AWS CDK संपूर्ण समाधान के लिए परिवर्तनों को प्रबंधित करने की क्षमता प्रदान करता है। स्वचालित पाइपलाइन में आउट-ऑफ-द-बॉक्स मॉडल भंडारण और मीट्रिक ट्रैकिंग के चरण शामिल हैं।
- PwC MLOps एक्सेलेरेटर को मॉड्यूलर बनाने के लिए डिज़ाइन किया गया है और स्वचालित तैनाती की अनुमति देने के लिए इसे इंफ्रास्ट्रक्चर-एज़-कोड (IaC) के रूप में वितरित किया गया है। परिनियोजन प्रक्रिया का उपयोग करता है AWS कोडकॉमिट, एडब्ल्यूएस कोडबिल्ड, AWS कोडपिपलीन, और AWS क्लाउडफ़ॉर्मेशन टेम्पलेट। एमएल मॉडल को संचालित करने के लिए संपूर्ण एंड-टू-एंड समाधान परिनियोजन योग्य कोड के रूप में उपलब्ध है।
- IaC टेम्प्लेट की एक श्रृंखला के माध्यम से, तीन अलग-अलग घटकों को तैनात किया जाता है: मॉडल निर्माण, मॉडल परिनियोजन, और मॉडल निगरानी और भविष्यवाणी सेवा, का उपयोग करना अमेज़न SageMaker पाइपलाइन
- मॉडल बिल्ड पाइपलाइन मॉडल प्रशिक्षण और मूल्यांकन प्रक्रिया को स्वचालित करती है और प्रशिक्षित मॉडल के अनुमोदन और पंजीकरण को सक्षम बनाती है।
- मॉडल परिनियोजन पाइपलाइन बैच और वास्तविक समय अनुमान के लिए एमएल मॉडल को तैनात करने के लिए आवश्यक बुनियादी ढांचे का प्रावधान करती है।
- मॉडल निगरानी और भविष्यवाणी सेवा पाइपलाइन भविष्यवाणियों की सेवा और मॉडल प्रदर्शन की निगरानी के लिए आवश्यक बुनियादी ढांचे को तैनात करती है।
- पीडब्ल्यूसी एमएलओपीएस एक्सेलेरेटर को एमएल मॉडल, एमएल फ्रेमवर्क और रनटाइम वातावरण के प्रति अज्ञेयवादी होने के लिए डिज़ाइन किया गया है। समाधान कॉन्फ़िगरेशन फ़ाइल के माध्यम से पायथन और आर जैसी प्रोग्रामिंग भाषाओं, ज्यूपिटर नोटबुक जैसे विकास उपकरण और एमएल फ्रेमवर्क के परिचित उपयोग की अनुमति देता है। यह लचीलापन डेटा वैज्ञानिकों के लिए मॉडलों को लगातार परिष्कृत करना और उन्हें अपनी पसंदीदा भाषा और वातावरण का उपयोग करके तैनात करना आसान बनाता है।
- समाधान में लेबलिंग कार्यों को निर्दिष्ट करने के लिए पूर्व-निर्मित या कस्टम टूल का उपयोग करने के लिए अंतर्निहित एकीकरण हैं अमेज़ॅन सैजमेकर ग्राउंड ट्रुथ निरंतर प्रशिक्षण और निगरानी प्रदान करने के लिए प्रशिक्षण डेटासेट के लिए।
- एंड-टू-एंड एमएल पाइपलाइन को सेजमेकर की मूल विशेषताओं का उपयोग करके तैयार किया गया है (अमेज़ॅन सैजमेकर स्टूडियो , अमेज़ॅन सेजमेकर मॉडल बिल्डिंग पाइपलाइन, अमेज़न SageMaker प्रयोग, तथा अमेज़ॅन सेजमेकर एंडपॉइंट्स).
- समाधान मॉडल संस्करण, मॉडल वंशावली ट्रैकिंग, मॉडल साझाकरण और सर्वर रहित अनुमान के लिए अमेज़ॅन सेजमेकर की अंतर्निहित क्षमताओं का उपयोग करता है अमेज़न सैजमेकर मॉडल रजिस्ट्री.
- एक बार जब मॉडल उत्पादन में आ जाता है, तो समाधान वास्तविक समय में एमएल मॉडल की गुणवत्ता की लगातार निगरानी करता है। अमेज़ॅन सैजमेकर मॉडल मॉनिटर उत्पादन में मॉडलों की निरंतर निगरानी के लिए उपयोग किया जाता है। अमेज़ॅन क्लाउडवॉच लॉग्स का उपयोग मॉडल की स्थिति की निगरानी करने वाली लॉग फ़ाइलों को एकत्र करने के लिए किया जाता है, और जब मॉडल की गुणवत्ता निश्चित सीमा तक पहुंचती है तो अमेज़ॅन एसएनएस का उपयोग करके सूचनाएं भेजी जाती हैं। देशी लकड़हारा जैसे (boto3) का उपयोग समस्या निवारण में तेजी लाने के लिए रन स्थिति को कैप्चर करने के लिए किया जाता है।
समाधान वॉकथ्रू
निम्नलिखित वॉकथ्रू PwC MLOps एक्सेलेरेटर का उपयोग करके एक मॉडल के लिए MLOps प्रक्रिया बनाने के लिए मानक चरणों में गोता लगाता है। यह वॉकथ्रू एक एमएलओपीएस इंजीनियर के उपयोग के मामले का वर्णन करता है जो एक सरल परिभाषा/कॉन्फ़िगरेशन फ़ाइल का उपयोग करके हाल ही में विकसित एमएल मॉडल के लिए पाइपलाइन को तैनात करना चाहता है जो सहज है।
चित्र 3 - पीडब्ल्यूसी मशीन लर्निंग ऑप्स एक्सेलेरेटर प्रक्रिया जीवनचक्र
- आरंभ करने के लिए, नामांकन करें पीडब्ल्यूसी एमएलओपीएस त्वरक समाधान कलाकृतियों तक पहुंच प्राप्त करने के लिए। संपूर्ण समाधान एक कॉन्फ़िगरेशन YAML फ़ाइल से संचालित होता है (
config.yaml) प्रति मॉडल. समाधान को चलाने के लिए आवश्यक सभी विवरण उस कॉन्फ़िगरेशन फ़ाइल में समाहित हैं और मॉडल के साथ Git रिपॉजिटरी में संग्रहीत हैं। कॉन्फ़िगरेशन फ़ाइल कोड के बाहर महत्वपूर्ण मापदंडों और सेटिंग्स को बाहरी करके वर्कफ़्लो चरणों को स्वचालित करने के लिए इनपुट के रूप में काम करेगी। - एमएल इंजीनियर को आबाद करना आवश्यक है
config.yamlफ़ाइल करें और MLOps पाइपलाइन को ट्रिगर करें। ग्राहक एक AWS खाता, रिपॉजिटरी, मॉडल, उपयोग किया गया डेटा, पाइपलाइन नाम, प्रशिक्षण ढांचा, प्रशिक्षण के लिए उपयोग किए जाने वाले उदाहरणों की संख्या, अनुमान ढांचा, और किसी भी पूर्व और बाद के प्रसंस्करण चरण और कई अन्य को कॉन्फ़िगर कर सकते हैं। मॉडल की गुणवत्ता, पूर्वाग्रह और व्याख्यात्मकता की जांच करने के लिए कॉन्फ़िगरेशन।
चित्र 4 - मशीन लर्निंग ऑप्स एक्सेलेरेटर कॉन्फ़िगरेशन YAML
- प्रत्येक मॉडल के प्रशिक्षण, परिनियोजन, निगरानी और रनटाइम आवश्यकताओं को कॉन्फ़िगर करने के लिए एक सरल YAML फ़ाइल का उपयोग किया जाता है। एक बार
config.yamlउचित रूप से कॉन्फ़िगर किया गया है और अपने स्वयं के Git रिपॉजिटरी में मॉडल के साथ सहेजा गया है, मॉडल-बिल्डिंग ऑर्केस्ट्रेटर को लागू किया गया है। यह ब्रिंग-योर-ओन-मॉडल से भी पढ़ सकता है जिसे मॉडल बिल्ड पाइपलाइन की तैनाती को ट्रिगर करने के लिए YAML के माध्यम से कॉन्फ़िगर किया जा सकता है। - इस बिंदु के बाद सब कुछ समाधान द्वारा स्वचालित है और इसमें एमएल इंजीनियर या डेटा वैज्ञानिक की भागीदारी की आवश्यकता नहीं है। एमएल मॉडल के निर्माण के लिए जिम्मेदार पाइपलाइन में डेटा प्रीप्रोसेसिंग, मॉडल प्रशिक्षण, मॉडल मूल्यांकन और ओस्ट-प्रोसेसिंग शामिल है। यदि मॉडल स्वचालित गुणवत्ता और प्रदर्शन परीक्षण पास कर लेता है, तो मॉडल को एक रजिस्ट्री में सहेजा जाता है, और कलाकृतियों को YAML फ़ाइलों में परिभाषाओं के अनुसार अमेज़ॅन S3 स्टोरेज में लिखा जाता है। यह उस एमएल मॉडल के लिए मॉडल परिनियोजन पाइपलाइन के निर्माण को ट्रिगर करता है।
चित्र 5 - नमूना मॉडल परिनियोजन वर्कफ़्लो
- इसके बाद, एक स्वचालित परिनियोजन टेम्पलेट एक लाइव एंडपॉइंट के साथ स्टेजिंग वातावरण में मॉडल का प्रावधान करता है। अनुमोदन पर, मॉडल स्वचालित रूप से उत्पादन परिवेश में तैनात हो जाता है।
- समाधान दो जुड़ी हुई पाइपलाइनों को तैनात करता है। पूर्वानुमान सेवा एक सुलभ लाइव समापन बिंदु को तैनात करती है जिसके माध्यम से भविष्यवाणियां प्रस्तुत की जा सकती हैं। मॉडल मॉनिटरिंग एक सतत निगरानी उपकरण बनाता है जो प्रमुख मॉडल प्रदर्शन और गुणवत्ता मेट्रिक्स की गणना करता है, यदि मॉडल गुणवत्ता में महत्वपूर्ण परिवर्तन का पता चलता है तो मॉडल पुनः प्रशिक्षण शुरू हो जाता है।
- अब जब आप निर्माण और प्रारंभिक तैनाती से गुजर चुके हैं, तो एमएलओपीएस इंजीनियर मुद्दों के लिए सतर्क रहने के लिए विफलता अलर्ट को कॉन्फ़िगर कर सकता है, उदाहरण के लिए, जब कोई पाइपलाइन अपना इच्छित कार्य करने में विफल हो जाती है।
- एमएलओपीएस अब पारंपरिक सीआई/सीडी परिनियोजन के समान क्लाउड सेवा घटकों की पैकेजिंग, परीक्षण और तैनाती के बारे में नहीं है; यह एक ऐसी प्रणाली है जिसे स्वचालित रूप से दूसरी सेवा तैनात करनी चाहिए। उदाहरण के लिए, मॉडल प्रशिक्षण पाइपलाइन भविष्यवाणी सेवा को सक्षम करने के लिए मॉडल परिनियोजन पाइपलाइन को स्वचालित रूप से तैनात करती है, जो बदले में मॉडल निगरानी सेवा को सक्षम करती है।
निष्कर्ष
संक्षेप में, एमएलओपीएस किसी भी संगठन के लिए महत्वपूर्ण है जिसका लक्ष्य बड़े पैमाने पर उत्पादन प्रणालियों में एमएल मॉडल को तैनात करना है। PwC ने मॉडल विकास प्रक्रिया में DevOps टूल को एकीकृत करके एमएल मॉडल के निर्माण, तैनाती और रखरखाव को स्वचालित करने के लिए एक त्वरक विकसित किया।
इस पोस्ट में, हमने पता लगाया कि कैसे PwC समाधान AWS मूल ML सेवाओं द्वारा संचालित है और MLOps प्रथाओं को अपनाने में मदद करता है ताकि व्यवसाय अपनी AI यात्रा को तेज़ कर सकें और अपने ML मॉडल से अधिक मूल्य प्राप्त कर सकें। हमने उन चरणों का पालन किया जो एक उपयोगकर्ता पीडब्ल्यूसी मशीन लर्निंग ऑप्स एक्सेलेरेटर तक पहुंचने, पाइपलाइन चलाने और एक एमएल उपयोग केस को तैनात करने के लिए उठाएगा जो एक एमएल मॉडल के विभिन्न जीवनचक्र घटकों को एकीकृत करता है।
बड़े पैमाने पर AWS क्लाउड पर अपनी MLOps यात्रा शुरू करने और अपने ML उत्पादन कार्यभार को चलाने के लिए, इसमें नामांकन करें पीडब्ल्यूसी मशीन लर्निंग ऑपरेशंस.
लेखक के बारे में
किरण कुमार बल्लारी अमेज़ॅन वेब सर्विसेज (एडब्ल्यूएस) में एक प्रिंसिपल सॉल्यूशंस आर्किटेक्ट हैं। वह एक प्रचारक हैं जो ग्राहकों को नई प्रौद्योगिकियों का लाभ उठाने और उनकी समस्याओं को हल करने के लिए दोहराए जाने योग्य उद्योग समाधान बनाने में मदद करना पसंद करते हैं। उन्हें विशेष रूप से सॉफ्टवेयर इंजीनियरिंग, जेनेरेटिव एआई और एआई/एमएल उत्पाद विकास में कंपनियों की मदद करने का शौक है।
अंकुर गोयल पीडब्ल्यूसी ऑस्ट्रेलिया के क्लाउड और डिजिटल प्रैक्टिस में निदेशक हैं, जो डेटा, एनालिटिक्स और एआई पर केंद्रित है। अंकुर के पास सार्वजनिक और निजी क्षेत्र के संगठनों को प्रौद्योगिकी परिवर्तन लाने और डेटा परिसंपत्तियों और प्रौद्योगिकियों का लाभ उठाकर नवीन समाधान डिजाइन करने में समर्थन करने का व्यापक अनुभव है।
कार्तिकेयन चोकप्पा (केसी) पीडब्ल्यूसी ऑस्ट्रेलिया के क्लाउड और डिजिटल प्रैक्टिस में प्रबंधक है, जो डेटा, एनालिटिक्स और एआई पर केंद्रित है। केसी को एंड-टू-एंड एनालिटिक्स समाधानों को डिजाइन करने, विकसित करने और तैनात करने का शौक है जो प्रदर्शन और उपयोग को बेहतर बनाने और कनेक्टेड और इंटेलिजेंट चीजों के स्वामित्व की कुल लागत को कम करने के लिए डेटा को मूल्यवान निर्णय संपत्तियों में बदल देता है।
राम लंकालापल्ली AWS में एक सीनियर पार्टनर सॉल्यूशंस आर्किटेक्ट हैं, जो AWS में अपने ग्राहकों के प्रवासन और आधुनिकीकरण में तेजी लाने के लिए PwC के साथ काम कर रहे हैं। वह AWS क्लाउड को अपनाने में तेजी लाने के लिए विभिन्न उद्योगों में काम करता है। उनकी विशेषज्ञता कुशल और स्केलेबल क्लाउड समाधान तैयार करने, एडब्ल्यूएस सेवाओं का लाभ उठाकर ग्राहक अनुप्रयोगों के नवाचार और आधुनिकीकरण को बढ़ावा देने और लचीले क्लाउड फाउंडेशन स्थापित करने में निहित है।
जीजी उनवाला AWS में एक वरिष्ठ समाधान वास्तुकार हैं जिन्हें चुनौतियों को हल करने और रणनीतिक रूप से सोचने में ग्राहकों का मार्गदर्शन करने में आनंद आता है। उन्हें तकनीक और डेटा तथा नवाचार को सक्षम करने का शौक है।
- एसईओ संचालित सामग्री और पीआर वितरण। आज ही प्रवर्धित हो जाओ।
- प्लेटोडेटा.नेटवर्क वर्टिकल जेनरेटिव एआई। स्वयं को शक्तिवान बनाएं। यहां पहुंचें।
- प्लेटोआईस्ट्रीम। Web3 इंटेलिजेंस। ज्ञान प्रवर्धित। यहां पहुंचें।
- प्लेटोईएसजी. कार्बन, क्लीनटेक, ऊर्जा, पर्यावरण, सौर, कचरा प्रबंधन। यहां पहुंचें।
- प्लेटोहेल्थ। बायोटेक और क्लिनिकल परीक्षण इंटेलिजेंस। यहां पहुंचें।
- स्रोत: https://aws.amazon.com/blogs/machine-learning/driving-advanced-analytics-outcomes-at-scale-using-amazon-sagemaker-powered-pwcs-machine-learning-ops-accelerator/
