यह पोस्ट मारुबेनी पावर इंटरनेशनल में सीनियर मैनेजर डेटा साइंस हर्नान फिगुएरोआ के साथ सह-लेखक है।

मारुबेनी पावर इंटरनेशनल इंक (MPII) अमेरिका में पावर बिजनेस प्लेटफॉर्म का मालिक है और इसमें निवेश करता है। MPII के लिए एक महत्वपूर्ण कार्यक्षेत्र नवीकरणीय ऊर्जा और ऊर्जा भंडारण संपत्तियों के लिए परिसंपत्ति प्रबंधन है, जो हमारे बिजली बुनियादी ढांचे की कार्बन तीव्रता को कम करने के लिए महत्वपूर्ण हैं। अक्षय ऊर्जा संपत्तियों के साथ काम करने के लिए भविष्यवाणी और उत्तरदायी डिजिटल समाधानों की आवश्यकता होती है, क्योंकि अक्षय ऊर्जा उत्पादन और बिजली बाजार की स्थिति लगातार बदल रही है। MPII पावर एसेट मैनेजमेंट और ट्रेडिंग में अपस्ट्रीम निर्णय लेने की प्रक्रियाओं को सूचित करने के लिए मशीन लर्निंग (ML) बिड ऑप्टिमाइज़ेशन इंजन का उपयोग कर रहा है। यह समाधान बाज़ार विश्लेषकों को पावर एसेट लाभप्रदता के लिए अनुकूलित डेटा-संचालित बोली-प्रक्रिया रणनीतियों को डिज़ाइन और निष्पादित करने में मदद करता है।

इस पोस्ट में, आप जानेंगे कि मारुबेनी कैसे एक मजबूत और लागत प्रभावी पावर बोली अनुकूलन समाधान बनाने के लिए एडब्ल्यूएस एनालिटिक्स और एमएल सेवाओं के व्यापक सेट का उपयोग करके बाजार निर्णयों का अनुकूलन कर रहा है।

समाधान अवलोकन

बिजली बाजार विद्युत ग्रिड में बिजली की आपूर्ति और मांग को संतुलित करने और विभिन्न विद्युत ग्रिड विश्वसनीयता आवश्यकताओं को पूरा करने के लिए व्यापारिक शक्ति और ऊर्जा को सक्षम बनाता है। मार्केट पार्टिसिपेंट्स, जैसे MPII एसेट ऑपरेटर्स, अपनी पावर एसेट्स से मुनाफा हासिल करने के लिए लगातार इन इलेक्ट्रिसिटी मार्केट्स में पावर और एनर्जी की मात्रा की बोली लगा रहे हैं। एक बाजार प्रतिभागी किसी संपत्ति की लाभप्रदता बढ़ाने के लिए एक साथ विभिन्न बाजारों में बोलियां जमा कर सकता है, लेकिन इसके लिए संपत्ति की शक्ति सीमा और प्रतिक्रिया की गति के साथ-साथ अन्य परिसंपत्ति परिचालन बाधाओं और उन बाजारों की अंतर-क्षमता पर विचार करने की आवश्यकता होती है।

MPII का बोली अनुकूलन इंजन समाधान विभिन्न बाजारों में भागीदारी के लिए इष्टतम बोलियां उत्पन्न करने के लिए ML मॉडल का उपयोग करता है। सबसे आम बोलियां आगे के दिन की ऊर्जा बोलियां हैं, जिन्हें वास्तविक व्यापारिक दिन से 1 दिन पहले प्रस्तुत किया जाना चाहिए, और रीयल-टाइम ऊर्जा बोलियां, जो व्यापारिक घंटे से 75 मिनट पहले प्रस्तुत की जानी चाहिए। समाधान गतिशील बोली-प्रक्रिया और पावर एसेट के संचालन को ऑर्केस्ट्रेट करता है और इसके एमएल मॉडल में उपलब्ध अनुकूलन और भविष्य कहनेवाला क्षमताओं का उपयोग करने की आवश्यकता होती है।

पावर बिड ऑप्टिमाइज़ेशन समाधान में कई घटक शामिल हैं जो विशिष्ट भूमिकाएँ निभाते हैं। आइए शामिल घटकों और उनके संबंधित व्यावसायिक कार्यों के बारे में जानें।

डेटा संग्रह और अंतर्ग्रहण

डेटा संग्रह और अंतर्ग्रहण परत सभी अपस्ट्रीम डेटा स्रोतों से जुड़ती है और डेटा को डेटा लेक में लोड करती है। बिजली बाजार बोली लगाने के लिए कम से कम चार प्रकार के इनपुट की आवश्यकता होती है:

• बिजली की मांग का अनुमान
• मौसम के पूर्वानुमान
• बाजार मूल्य इतिहास
• बिजली की कीमत का पूर्वानुमान

ये डेटा स्रोत विशेष रूप से एपीआई के माध्यम से एक्सेस किए जाते हैं। इसलिए, अंतर्ग्रहण घटकों को प्रमाणीकरण, पुल मोड में डेटा सोर्सिंग, डेटा प्रीप्रोसेसिंग और डेटा स्टोरेज को प्रबंधित करने में सक्षम होना चाहिए। चूंकि डेटा हर घंटे प्राप्त किया जा रहा है, इसलिए अंतर्ग्रहण कार्यों को ऑर्केस्ट्रेट और शेड्यूल करने के लिए भी एक तंत्र की आवश्यकता होती है।

डेटा तैयारी

अधिकांश एमएल उपयोग के मामलों की तरह, डेटा तैयारी एक महत्वपूर्ण भूमिका निभाती है। डेटा कई स्वरूपों में अलग-अलग स्रोतों से आता है। एमएल मॉडल प्रशिक्षण के लिए तैयार होने से पहले, इसे निम्नलिखित चरणों में से कुछ से गुजरना होगा:

• आगमन के समय के आधार पर प्रति घंटा डेटासेट को समेकित करें। एक संपूर्ण डेटासेट में सभी स्रोत शामिल होने चाहिए।
• मानकीकरण, सामान्यीकरण, या प्रक्षेप जैसी तकनीकों का उपयोग करके डेटा की गुणवत्ता में वृद्धि करें।

इस प्रक्रिया के अंत में, क्यूरेटेड डेटा का मंचन किया जाता है और आगे की खपत के लिए उपलब्ध कराया जाता है।

मॉडल प्रशिक्षण और तैनाती

अगले चरण में ऊर्जा खरीदने और बेचने के लिए इष्टतम बाजार बोलियों की भविष्यवाणी करने में सक्षम मॉडल का प्रशिक्षण और तैनाती शामिल है। खराब प्रदर्शन के जोखिम को कम करने के लिए, मारुबेनी ने पहनावा मॉडलिंग तकनीक का इस्तेमाल किया। एन्सेम्बल मॉडलिंग में भविष्यवाणी के प्रदर्शन को बढ़ाने के लिए कई एमएल मॉडल का संयोजन होता है। मारुबेनी सभी मॉडलों की ताकत का लाभ उठाने के लिए भारित औसत के साथ बाहरी और आंतरिक भविष्यवाणी मॉडल के आउटपुट को जोड़ता है। मारुबेनी के आंतरिक मॉडल लॉन्ग शॉर्ट-टर्म मेमोरी (LSTM) आर्किटेक्चर पर आधारित हैं, जो अच्छी तरह से प्रलेखित हैं और TensorFlow में लागू करने और अनुकूलित करने में आसान हैं। अमेज़न SageMaker TensorFlow परिनियोजन और कई अन्य ML वातावरणों का समर्थन करता है। बाहरी मॉडल मालिकाना है, और इसका विवरण इस पोस्ट में शामिल नहीं किया जा सकता।

मारुबेनी के उपयोग मामले में, बोली-प्रक्रिया मॉडल प्रकाशन में उपयोग किए गए उद्देश्य कार्यों के संशोधित संस्करण का उपयोग करके राजस्व को अधिकतम करने के लिए संख्यात्मक अनुकूलन करते हैं। CAISO में ऊर्जा भंडारण के अवसर.

SageMaker मारुबेनी को एमएल और संख्यात्मक अनुकूलन एल्गोरिदम को एक ही वातावरण में चलाने में सक्षम बनाता है। यह महत्वपूर्ण है, क्योंकि आंतरिक मॉडल प्रशिक्षण के दौरान, संख्यात्मक अनुकूलन के आउटपुट का उपयोग पूर्वानुमान हानि फ़ंक्शन के भाग के रूप में किया जाता है। संख्यात्मक अनुकूलन उपयोग के मामलों को संबोधित करने के तरीके के बारे में अधिक जानकारी के लिए देखें अमेज़ॅन SageMaker प्रसंस्करण के साथ शेड्यूलिंग, रूटिंग और आवंटन जैसी संख्यात्मक अनुकूलन समस्याओं का समाधान.

फिर हम उन मॉडलों को अनुमान समापन बिंदुओं के माध्यम से तैनात करते हैं। चूंकि ताजा डेटा समय-समय पर ग्रहण किया जाता है, इसलिए मॉडलों को फिर से प्रशिक्षित करने की आवश्यकता होती है क्योंकि वे समय के साथ बासी हो जाते हैं। इस पोस्ट में बाद में वास्तुकला अनुभाग मॉडल के जीवनचक्र पर अधिक विवरण प्रदान करता है।

पावर बोली डेटा पीढ़ी

प्रति घंटे के आधार पर, समाधान इष्टतम मात्रा और कीमतों की भविष्यवाणी करता है जिस पर बाजार में बिजली की पेशकश की जानी चाहिए-जिसे भी कहा जाता है बोलियां. मात्राएँ MW में मापी जाती हैं और कीमतें $/MW में मापी जाती हैं। अनुमानित और कथित बाजार स्थितियों के कई संयोजनों के लिए बोलियां उत्पन्न की जाती हैं। निम्न तालिका फाइनल का एक उदाहरण दिखाती है बोली वक्र मारुबेनी के लॉस एंजिल्स कार्यालय के पास एक उदाहरण व्यापार नोड पर परिचालन घंटे 17 के लिए आउटपुट।

यह उदाहरण 1.65 मेगावाट बिजली की बोली लगाने की हमारी इच्छा का प्रतिनिधित्व करता है यदि बिजली की कीमत कम से कम $80.79 है, 5.15 मेगावाट अगर बिजली की कीमत कम से कम $105.34 है, और 8 मेगावाट अगर बिजली की कीमत कम से कम $230.15 है।

स्वतंत्र सिस्टम ऑपरेटर (आईएसओ) अमेरिका में बिजली बाजारों की देखरेख करते हैं और सबसे किफायती तरीके से इलेक्ट्रिक ग्रिड की विश्वसनीयता बनाए रखने के लिए बोलियां देने और अस्वीकार करने के लिए जिम्मेदार हैं। कैलिफ़ोर्निया इंडिपेंडेंट सिस्टम ऑपरेटर (CAISO) कैलिफ़ोर्निया में बिजली बाज़ारों का संचालन करता है और अगली बोली-प्रक्रिया विंडो से हर घंटे पहले बाज़ार के परिणाम प्रकाशित करता है। वक्र पर उनके समतुल्य के साथ मौजूदा बाजार स्थितियों को पार-संदर्भित करके, विश्लेषक इष्टतम राजस्व का अनुमान लगाने में सक्षम हैं। पावर बिड ऑप्टिमाइज़ेशन समाधान नई आने वाली बाज़ार जानकारी और नए मॉडल पूर्वानुमानित आउटपुट का उपयोग करके भविष्य की बोलियों को अपडेट करता है

एडब्ल्यूएस वास्तुकला अवलोकन

निम्नलिखित चित्र में दिखाया गया समाधान आर्किटेक्चर पहले प्रस्तुत सभी परतों को लागू करता है। यह समाधान के भाग के रूप में निम्नलिखित AWS सेवाओं का उपयोग करता है:

• अमेज़न सरल भंडारण सेवा (अमेज़न S3) निम्नलिखित डेटा स्टोर करने के लिए:
  • विभिन्न स्रोतों से मूल्य निर्धारण, मौसम और लोड पूर्वानुमान डेटा।
  • मॉडल प्रशिक्षण के लिए उपयोग किए जाने के लिए तैयार समेकित और संवर्धित डेटा।
  • आउटपुट बिड कर्व्स को हर घंटे रीफ्रेश किया जाता है।
• अमेज़न SageMaker अनुमान समापन बिंदुओं के माध्यम से अनुकूलित बोलियों को प्रस्तुत करने के लिए मॉडल को प्रशिक्षित, परीक्षण और परिनियोजित करना।
• AWS स्टेप फ़ंक्शंस डेटा और एमएल पाइपलाइन दोनों को ऑर्केस्ट्रेट करने के लिए। हम दो राज्य मशीनों का उपयोग करते हैं:
  • एक राज्य मशीन डेटा संग्रह को ऑर्केस्ट्रेट करने और यह सुनिश्चित करने के लिए कि सभी स्रोतों को निगल लिया गया है।
  • एमएल पाइपलाइन के साथ-साथ अनुकूलित बोली-प्रक्रिया जनरेशन वर्कफ़्लो को ऑर्केस्ट्रेट करने के लिए एक राज्य मशीन।
• AWS लाम्बा अंतर्ग्रहण, प्रीप्रोसेसिंग और पोस्टप्रोसेसिंग कार्यक्षमता को लागू करने के लिए:
  • प्रति स्रोत एक कार्य के साथ, इनपुट डेटा फ़ीड को अंतर्ग्रहण करने के लिए तीन कार्य।
  • प्रशिक्षण के लिए डेटा को समेकित और तैयार करने के लिए एक कार्य।
  • एक फ़ंक्शन जो सैजमेकर के भीतर तैनात मॉडल के समापन बिंदु को कॉल करके मूल्य पूर्वानुमान उत्पन्न करता है।
• अमेज़न एथेना डेवलपर्स और व्यापार विश्लेषकों को विश्लेषण और समस्या निवारण के लिए जेनरेट किए गए डेटा तक SQL पहुंच प्रदान करने के लिए।
• अमेज़न EventBridge एक समय पर और घटनाओं के जवाब में डेटा अंतर्ग्रहण और एमएल पाइपलाइन को ट्रिगर करने के लिए।

निम्नलिखित अनुभागों में, हम कार्यप्रवाह पर अधिक विस्तार से चर्चा करते हैं।

डेटा संग्रह और तैयारी

हर घंटे, डेटा तैयार करने वाले स्टेप फंक्शंस स्टेट मशीन को लागू किया जाता है। यह प्रत्येक डेटा अंतर्ग्रहण लैम्ब्डा फ़ंक्शन को समानांतर में कॉल करता है, और चारों के पूरा होने की प्रतीक्षा करता है। डेटा संग्रह कार्य अपने संबंधित स्रोत एपीआई को कॉल करते हैं और पिछले घंटे के लिए डेटा पुनर्प्राप्त करते हैं। प्रत्येक फ़ंक्शन तब प्राप्त डेटा को उनके संबंधित S3 बकेट में संग्रहीत करता है।

ये कार्य एक सामान्य कार्यान्वयन आधार रेखा साझा करते हैं जो सामान्यीकरण या अनुक्रमण जैसे मानक डेटा हेरफेर के लिए बिल्डिंग ब्लॉक प्रदान करता है। इसे प्राप्त करने के लिए, हम लैम्ब्डा लेयर्स और का उपयोग करते हैं एडब्ल्यूएस प्यालामें वर्णित है AWS चालिस के साथ AWS लैम्ब्डा लेयर्स का उपयोग करना. यह सुनिश्चित करता है कि सभी डेवलपर नए डेटा तैयारी लॉजिक्स बनाने और कार्यान्वयन को गति देने के लिए समान आधार पुस्तकालयों का उपयोग कर रहे हैं।

सभी चार स्रोतों के अंतर्ग्रहण और संग्रहीत होने के बाद, राज्य मशीन डेटा तैयारी लैम्ब्डा फ़ंक्शन को ट्रिगर करती है। बिजली की कीमत, मौसम, और लोड पूर्वानुमान डेटा JSON और वर्ण सीमांकित फ़ाइलों में प्राप्त होता है। प्रत्येक फ़ाइल के प्रत्येक रिकॉर्ड भाग में एक टाइमस्टैम्प होता है जिसका उपयोग 1 घंटे की समय सीमा को कवर करने वाले एक डेटासेट में डेटा फीड को समेकित करने के लिए किया जाता है।

यह निर्माण पूरी तरह से ईवेंट-संचालित कार्यप्रवाह प्रदान करता है। सभी अपेक्षित डेटा के अंतर्ग्रहण होते ही प्रशिक्षण डेटा तैयार करना शुरू कर दिया जाता है।

एमएल पाइपलाइन

डेटा तैयार करने के बाद, नए डेटासेट Amazon S3 में स्टोर किए जाते हैं। एक इवेंटब्रिज नियम एमएल पाइपलाइन को स्टेप फंक्शंस स्टेट मशीन के माध्यम से ट्रिगर करता है। राज्य मशीन दो प्रक्रियाओं को चलाती है:

• जांचें कि बोली वक्र जनरेशन मॉडल चालू है या नहीं
• प्रदर्शन में गिरावट या मॉडल के कुछ दिनों से अधिक पुराने होने पर स्वचालित रूप से मॉडल रीट्रेनिंग को ट्रिगर करें

यदि वर्तमान में परिनियोजित मॉडल की आयु एक निश्चित सीमा से नवीनतम डेटासेट से अधिक पुरानी है - 7 दिनों का कहना है - स्टेप फ़ंक्शंस स्टेट मशीन सेजमेकर पाइपलाइन को बंद कर देती है जो एक नए निष्कर्ष समापन बिंदु को प्रशिक्षित, परीक्षण और तैनात करती है। यदि मॉडल अभी भी अद्यतित हैं, तो कार्यप्रवाह ML पाइपलाइन को छोड़ देता है और बोली निर्माण चरण पर चला जाता है। मॉडल की स्थिति पर ध्यान दिए बिना, नए प्रति घंटा डेटासेट के वितरण पर एक नया बोली वक्र उत्पन्न होता है। निम्न आरेख इस वर्कफ़्लो को दिखाता है। डिफ़ॉल्ट रूप से, StartPipelineExecution क्रिया अतुल्यकालिक है। 'का उपयोग करके बोलियां बनाने के चरण को लागू करने से पहले हम राज्य मशीन को पाइपलाइन के अंत तक प्रतीक्षा करवा सकते हैं।कॉलबैक के लिए प्रतीक्षा करें'विकल्प।

पायलट समाधान के निर्माण में लागत और बाजार में लगने वाले समय को कम करने के लिए, मारुबेनी ने उपयोग किया अमेज़ॅन सेजमेकर सर्वर रहित अनुमान. यह सुनिश्चित करता है कि प्रशिक्षण और परिनियोजन के लिए उपयोग की जाने वाली अंतर्निहित अवसंरचना पर केवल आवश्यकता पड़ने पर ही शुल्क लगता है। इससे पाइपलाइन बनाने की प्रक्रिया भी आसान हो जाती है क्योंकि डेवलपर्स को अब बुनियादी ढांचे का प्रबंधन करने की आवश्यकता नहीं होती है। यह वर्कलोड के लिए एक बढ़िया विकल्प है जिसमें ट्रैफिक स्पर्ट्स के बीच निष्क्रिय अवधि होती है। जैसे ही समाधान परिपक्व होता है और उत्पादन में परिवर्तन होता है, मारुबेनी उनके डिजाइन की समीक्षा करेगा और अनुमानित और स्थिर उपयोग के लिए अधिक उपयुक्त कॉन्फ़िगरेशन को अपनाएगा।

बोलियां बनाना और डेटा क्वेरी करना

बोली जनरेशन लैम्ब्डा फ़ंक्शन समय-समय पर प्रति घंटा पूर्वानुमान उत्पन्न करने के लिए इंट्रेंस एंडपॉइंट को आमंत्रित करता है और आउटपुट को Amazon S3 में संग्रहीत करता है।

इसके बाद डेवलपर और व्यवसाय विश्लेषक विज़ुअलाइज़ेशन के लिए एथेना और Microsoft Power BI का उपयोग करके डेटा का अन्वेषण कर सकते हैं। डेटा को डाउनस्ट्रीम व्यावसायिक अनुप्रयोगों के लिए एपीआई के माध्यम से भी उपलब्ध कराया जा सकता है। पायलट चरण में, ऑपरेटर्स बाज़ारों पर अपनी शक्ति लेनदेन गतिविधियों का समर्थन करने के लिए विज़ुअल रूप से बिड कर्व से परामर्श करते हैं। हालांकि, मारुबेनी भविष्य में इस प्रक्रिया को स्वचालित करने पर विचार कर रही है, और यह समाधान ऐसा करने के लिए आवश्यक आधार प्रदान करता है।

निष्कर्ष

इस समाधान ने मारुबेनी को उनके डेटा प्रोसेसिंग और अंतर्ग्रहण पाइपलाइनों को पूरी तरह से स्वचालित करने के साथ-साथ उनके पूर्वानुमान और अनुकूलन मॉडल की तैनाती के समय को घंटों से घटाकर मिनटों में सक्षम कर दिया। बोली वक्र अब स्वचालित रूप से उत्पन्न होते हैं और बाजार की स्थितियों में परिवर्तन के रूप में अद्यतित रहते हैं। प्रावधानित निष्कर्ष समापन बिंदु से सर्वर रहित समापन बिंदु पर स्विच करने पर उन्हें 80% लागत में कमी का भी एहसास हुआ।

MPII का पूर्वानुमान समाधान मारुबेनी कॉरपोरेशन द्वारा बिजली क्षेत्र में हाल ही में शुरू की जा रही डिजिटल परिवर्तन पहलों में से एक है। MPII नए पावर बिजनेस प्लेटफॉर्म का समर्थन करने के लिए अतिरिक्त डिजिटल समाधान बनाने की योजना बना रहा है। MPII कई उपयोग मामलों में अपनी डिजिटल परिवर्तन रणनीति का समर्थन करने के लिए AWS सेवाओं पर भरोसा कर सकता है।

"यह जानते हुए कि AWS हमारे समाधानों के अंतर्निहित डिजिटल बुनियादी ढांचे का प्रबंधन कर रहा है, हम नए व्यापार प्लेटफार्मों के लिए मूल्य श्रृंखला के प्रबंधन पर ध्यान केंद्रित कर सकते हैं।"

- हर्नान फिगेरोआ, मारुबेनी पावर इंटरनेशनल में सीनियर मैनेजर डेटा साइंस।

AWS कैसे ऊर्जा संगठनों को उनके डिजिटल परिवर्तन और स्थिरता पहल में मदद कर रहा है, इस बारे में अधिक जानकारी के लिए देखें एडब्ल्यूएस ऊर्जा.

मारुबेनी पावर इंटरनेशनल मारुबेनी कॉर्पोरेशन की सहायक कंपनी है। मारुबेनी कॉर्पोरेशन एक प्रमुख जापानी व्यापार और निवेश व्यवसाय समूह है। मारुबेनी पावर इंटरनेशनल का मिशन नए बिजनेस प्लेटफॉर्म विकसित करना, नई ऊर्जा प्रवृत्तियों और प्रौद्योगिकियों का आकलन करना और अमेरिका में मारुबेनी के पावर पोर्टफोलियो का प्रबंधन करना है। यदि आप मारुबेनी पावर के बारे में अधिक जानना चाहते हैं, तो देखें https://www.marubeni-power.com/.

लेखक के बारे में

हर्नान फ़िगुएरोआ मारुबेनी पावर इंटरनेशनल में डिजिटल परिवर्तन पहल का नेतृत्व करता है। उनकी टीम मारुबेनी पावर विकास रणनीतियों का समर्थन करने के लिए डेटा साइंस और डिजिटल तकनीकों को लागू करती है। मारुबेनी में शामिल होने से पहले, हर्नन कोलंबिया विश्वविद्यालय में डेटा वैज्ञानिक थे। उन्होंने पीएच.डी. इलेक्ट्रिकल इंजीनियरिंग में और कंप्यूटर इंजीनियरिंग में बीएस।

लिनो ब्रेशिया NYC में स्थित प्रधान खाता कार्यकारी है। उनके पास प्रौद्योगिकी का 25 से अधिक वर्षों का अनुभव है और 2018 में एडब्ल्यूएस में शामिल हुए हैं। वे वैश्विक उद्यम ग्राहकों का प्रबंधन करते हैं क्योंकि वे अपने व्यवसाय को एडब्ल्यूएस क्लाउड सेवाओं के साथ बदलते हैं और बड़े पैमाने पर प्रवासन करते हैं।

नारसीसे ज़ेक्पास बोस्टन में स्थित एक वरिष्ठ समाधान वास्तुकार हैं। वह AWS क्लाउड पर नॉर्थईस्ट यूएस में ग्राहकों को इनोवेटिव और स्केलेबल सॉल्यूशंस के जरिए अपने बिजनेस ट्रांसफॉर्मेशन को तेज करने में मदद करता है। जब नार्सिसस निर्माण नहीं कर रहा होता है, तो उसे अपने परिवार के साथ समय बिताना, यात्रा करना, खाना बनाना, बास्केटबॉल खेलना और दौड़ना अच्छा लगता है।

पदराम जहांगीरी इलेक्ट्रिकल इंजीनियरिंग में पीएचडी के साथ एडब्ल्यूएस के साथ एंटरप्राइज सॉल्यूशन आर्किटेक्ट हैं। उनके पास ऊर्जा और आईटी उद्योग में 10+ वर्ष का अनुभव है। पेडराम के पास क्लाउड प्रौद्योगिकियों का लाभ उठाकर उद्यमों के लिए मात्रात्मक और बड़े पैमाने पर समाधान बनाने के लिए उन्नत विश्लेषिकी के सभी पहलुओं में कई वर्षों का व्यावहारिक अनुभव है।

सारा चाइल्डर्स वाशिंगटन डीसी में स्थित एक खाता प्रबंधक है। वह एक पूर्व विज्ञान शिक्षिका हैं, जो क्लाउड उत्साही बनीं और ग्राहकों को उनकी क्लाउड यात्रा के माध्यम से समर्थन देने पर ध्यान केंद्रित किया। सारा को एक प्रेरित टीम के साथ काम करने में आनंद आता है जो विविध विचारों को प्रोत्साहित करती है ताकि ग्राहकों को सबसे नवीन और व्यापक समाधानों से सुसज्जित किया जा सके।

• एसईओ संचालित सामग्री और पीआर वितरण। आज ही प्रवर्धित हो जाओ।
• प्लेटोब्लॉकचैन। Web3 मेटावर्स इंटेलिजेंस। ज्ञान प्रवर्धित। यहां पहुंचें।
• स्रोत: https://aws.amazon.com/blogs/machine-learning/how-marubeni-is-optimizing-market-decisions-using-aws-machine-learning-and-analytics/