Ընդլայնել աշխարհատարածական հարցումները Amazon Athena-ում UDF-ներով և AWS Lambda-ով

Amazon Athena-ն առանց սերվերի և ինտերակտիվ հարցումների ծառայություն է, որը թույլ է տալիս հեշտությամբ վերլուծել տվյալները Amazon Simple Storage Service-ում (Amazon S3) և 25-ից ավել տվյալների աղբյուրներում, ներառյալ ներքին տվյալների աղբյուրները կամ այլ ամպային համակարգեր՝ օգտագործելով SQL կամ Python: Athena-ի ներկառուցված հնարավորությունները ներառում են աշխարհատարածական տվյալների հարցումը. օրինակ, դուք կարող եք հաշվել Կալիֆոռնիայի յուրաքանչյուր շրջանի երկրաշարժերի թիվը: Վարչաշրջանի մակարդակով վերլուծության թերությունն այն է, որ այն կարող է ձեզ ապակողմնորոշիչ տպավորություն ստեղծել, թե Կալիֆոռնիայի որ մասերն են ամենաշատ երկրաշարժերն ունեցել: Դա պայմանավորված է նրանով, որ շրջանները հավասարաչափ չեն. մի կոմսություն կարող է ավելի շատ երկրաշարժեր ունենալ միայն այն պատճառով, որ այն մեծ կոմսություն է: Ի՞նչ կլիներ, եթե մենք ուզենայինք հիերարխիկ համակարգ, որը թույլ կտա մեզ մեծացնել և փոքրացնել՝ տարբեր հավասարաչափ աշխարհագրական տարածքների վերաբերյալ տվյալները համախմբելու համար:

Այս գրառման մեջ մենք ներկայացնում ենք լուծում, որն օգտագործում է Uber-ի վեցանկյուն հիերարխիկ տարածական ինդեքսը (H3)՝ երկրագունդը հավասարաչափ վեցանկյունների բաժանելու համար: Այնուհետև մենք օգտագործում ենք Athena օգտագործողի կողմից սահմանված ֆունկցիան (UDF)՝ որոշելու համար, թե որ վեցանկյունում է տեղի ունեցել յուրաքանչյուր պատմական երկրաշարժ: Քանի որ վեցանկյունները հավասար չափերի են, այս վերլուծությունը տալիս է արդարացի տպավորություն, թե որտեղ են հակված երկրաշարժերը:

Վերջում մենք կներկայացնենք ստորև ներկայացվածի նման պատկերացում, որը ցույց է տալիս պատմական երկրաշարժերի թիվը ԱՄՆ-ի արևմտյան տարբեր շրջաններում:

H3-ը գլոբուսը բաժանում է հավասար չափի կանոնավոր վեցանկյունների։ Վեցանկյունների թիվը կախված է ընտրված լուծաչափից, որը կարող է տատանվել 0-ից (122 վեցանկյուն, յուրաքանչյուրը եզրերի երկարությամբ մոտ 1100 կմ) մինչև 15 (569,707,381,193,162 վեցանկյուն, որոնցից յուրաքանչյուրը եզրերի երկարությամբ մոտ 50 սմ է): H3-ը հնարավորություն է տալիս վերլուծել տարածքի մակարդակով, և յուրաքանչյուր տարածք ունի նույն չափն ու ձևը:

Լուծման ակնարկ

Լուծումը ընդլայնում է Athena-ի ներկառուցված աշխարհատարածական հնարավորությունները՝ ստեղծելով UDF, որը սնուցվում է AWS Lambda-ով: Վերջապես, մենք օգտագործում ենք Amazon SageMaker նոթատետր՝ Athena հարցումները գործարկելու համար, որոնք ներկայացվում են որպես choropleth քարտեզ: Հետևյալ դիագրամը ցույց է տալիս այս ճարտարապետությունը:

Ավարտից մինչև վերջ ճարտարապետությունը հետևյալն է.

Պատմական երկրաշարժերի CSV ֆայլը վերբեռնվում է S3 դույլի մեջ:
AWS Glue արտաքին աղյուսակը ստեղծվել է երկրաշարժի CSV-ի հիման վրա:
Lambda ֆունկցիան հաշվարկում է H3 վեցանկյունները պարամետրերի համար (լայնություն, երկայնություն, լուծում): Ֆունկցիան գրված է Java-ով և կարելի է անվանել որպես UDF՝ օգտագործելով հարցումները Athena-ում:
SageMaker նոթատետրը օգտագործում է AWS SDK պանդաների փաթեթ՝ Athena-ում SQL հարցումը գործարկելու համար, ներառյալ UDF-ը:
Plotly Express փաթեթը ներկայացնում է յուրաքանչյուր վեցանկյունում երկրաշարժերի քանակի խորոպլետ քարտեզ:

Նախադրյալներ

Այս գրառման համար մենք օգտագործում ենք Athena-ն՝ կարդալու տվյալները Amazon S3-ում՝ օգտագործելով AWS Glue Data Catalog-ում սահմանված աղյուսակը՝ կապված մեր երկրաշարժերի տվյալների հետ: Թույլտվությունների առումով երկու հիմնական պահանջ կա.

Կարգավորեք Amazon S3-ը

Առաջին քայլը երկրաշարժերի տվյալների բազան պահելու համար S3 դույլ ստեղծելն է, հետևյալ կերպ.

Ներբեռնեք պատմական երկրաշարժերի CSV ֆայլը GitHub-ից:
Amazon S3 վահանակի վրա ընտրեք Դույլեր նավիգացիոն վահանակում:
Ընտրեք Ստեղծեք դույլ.
Համար Դույլի անվանումըմուտքագրեք գլոբալ եզակի անուն ձեր տվյալների դույլի համար:
Ընտրեք Ստեղծել թղթապանակև մուտքագրեք թղթապանակի անունը earthquakes.
Վերբեռնեք ֆայլը S3 դույլ: Այս օրինակում մենք վերբեռնում ենք earthquakes.csv ֆայլը դեպի earthquakes նախածանց.

Ստեղծեք սեղան Աթենայում

Սեղան ստեղծելու համար անցեք Athena կոնսոլ: Լրացրեք հետևյալ քայլերը.

Athena վահանակի վրա ընտրեք Հարցման խմբագիր.
Ընտրեք ձեր նախընտրած աշխատանքային խումբը՝ օգտագործելով բացվող ընտրացանկը:

SQL խմբագրիչում օգտագործեք հետևյալ կոդը՝ կանխադրված տվյալների բազայում աղյուսակ ստեղծելու համար.

CREATE external TABLE earthquakes
(
  earthquake_date STRING,
  latitude DOUBLE,
  longitude DOUBLE,
  depth DOUBLE,
  magnitude DOUBLE,
  magtype STRING,
  mbstations STRING,
  gap STRING,
  distance STRING,
  rms STRING,
  source STRING,
  eventid STRING
)
ROW FORMAT DELIMITED FIELDS TERMINATED BY ','
STORED AS TEXTFILE LOCATION 's3://<MY-DATA-BUCKET>/earthquakes/';

Ստեղծեք Lambda ֆունկցիա Athena UDF-ի համար

Athena UDF-ների կառուցման վերաբերյալ մանրամասն բացատրության համար տե՛ս «Հարցումներ օգտատիրոջ կողմից սահմանված գործառույթներով»: Մենք օգտագործում ենք Java 11 և Uber H3 Java binding՝ H3 UDF-ը կառուցելու համար: Մենք տրամադրում ենք UDF-ի իրականացումը GitHub-ում:

Լամբդայի միջոցով UDF-ի տեղակայման մի քանի տարբերակ կա: Այս օրինակում մենք օգտագործում ենք AWS Management Console-ը: Արտադրության տեղակայման համար դուք հավանաբար ցանկանում եք օգտագործել ենթակառուցվածքը որպես կոդ, ինչպիսին է AWS Cloud Development Kit-ը (AWS CDK): AWS CDK-ն օգտագործելու Lambda ֆունկցիան գործարկելու համար տեղեկության համար այցելեք նախագծի կոդերի շտեմարան: Տեղակայման մեկ այլ հնարավոր տարբերակ է AWS Serverless Application Repository (SAR) օգտագործումը:

Տեղադրեք UDF-ը

Տեղադրեք Uber H3 պարտադիր UDF-ը, օգտագործելով վահանակը հետևյալ կերպ.

Գնացեք GitHub պահեստի երկուական գրացուցակ և ներբեռնեք aws-h3-athena-udf-*.jar ձեր տեղական աշխատասեղանին:
Ստեղծեք Lambda ֆունկցիա, որը կոչվում է H3UDF հետ Runtime սահմանված է Java 11 (Corretto)և Ճարտարապետություն սահմանված է x86_64.
Վերբեռնեք aws-h3-athena-udf*.jar ֆայլ։
Փոխեք մշակողի անունը com.aws.athena.udf.h3.H3AthenaHandler.
Մեջ Ընդհանուր կոնֆիգուրացիա բաժին, ընտրիր Խմբագրել Lambda ֆունկցիայի հիշողությունը սահմանելու համար 4096 ՄԲ, որը հիշողության քանակն է, որն աշխատում է մեր օրինակների համար: Հնարավոր է, որ ձեզ անհրաժեշտ լինի հիշողության չափն ավելի մեծ սահմանել ձեր օգտագործման դեպքերի համար:

Օգտագործեք Lambda ֆունկցիան որպես Athena UDF

Lambda ֆունկցիան ստեղծելուց հետո դուք պատրաստ եք այն օգտագործել որպես UDF: Հետևյալ սքրինշոթը ցույց է տալիս գործառույթի մանրամասները:

Այժմ դուք կարող եք օգտագործել գործառույթը որպես Athena UDF: Athena վահանակի վրա գործարկեք հետևյալ հրամանը.

USING EXTERNAL FUNCTION lat_lng_to_cell_address(lat DOUBLE, lng DOUBLE, res INTEGER)
RETURNS VARCHAR
LAMBDA '<MY-LAMBDA-ARN>'-- Replace with ARN of your Lambda function.
SELECT *,
       lat_lng_to_cell_address(latitude, longitude, 4) AS h3_cell
FROM earthquakes
WHERE latitude BETWEEN 18 AND 70;

Այն udf/examples GitHub պահոցի թղթապանակը ներառում է Athena հարցումների ավելի շատ օրինակներ:

UDF-ների մշակում

Այժմ, երբ մենք ձեզ ցույց տվեցինք, թե ինչպես տեղադրել UDF-ը Athena-ի համար՝ օգտագործելով Lambda, եկեք ավելի խորանանք, թե ինչպես զարգացնել այս տեսակի UDF-ները: Ինչպես բացատրվում է Querying with user-ի սահմանված գործառույթներով, UDF մշակելու համար մենք նախ պետք է ներդրենք մի դաս, որը ժառանգում է. UserDefinedFunctionHandler. Այնուհետև մենք պետք է դասի ներսում իրականացնենք գործառույթները, որոնք կարող են օգտագործվել որպես Athena-ի UDF-ներ:

Մենք սկսում ենք UDF-ի իրականացումը դասի սահմանմամբ H3AthenaHandler որը ժառանգում է UserDefinedFunctionHandler. Այնուհետև մենք իրականացնում ենք գործառույթներ, որոնք գործում են որպես Uber H3 Java կապում սահմանված գործառույթների փաթեթավորում: Մենք համոզվում ենք, որ H3 Java binding API-ում սահմանված բոլոր գործառույթները քարտեզագրված են, որպեսզի դրանք կարողանան օգտագործվել Athena-ում որպես UDF: Օրինակ, մենք քարտեզագրում ենք lat_lng_to_cell_address ֆունկցիան, որն օգտագործվում է նախորդ օրինակում latLngToCell H3 Java կապի մասին:

Java-ի պարտադիր զանգի գագաթին, շատ գործառույթներ են H3AthenaHandler ստուգեք, թե արդյոք մուտքային պարամետրը զրոյական է: Զեղչի ստուգումը օգտակար է, քանի որ մենք չենք ենթադրում, որ մուտքագրումը ոչ զրո է: Գործնականում զրոյական արժեքները H3 ինդեքսի կամ հասցեի համար արտասովոր չեն:

Հետևյալ կոդը ցույց է տալիս ծրագրի իրականացումը get_resolution գործառույթ:

/** Returns the resolution of an index.
     *  @param h3 the H3 index.
     *  @return the resolution. Null when h3 is null.
     *  @throws IllegalArgumentException when index is out of range.
     */
    public Integer get_resolution(Long h3){
        final Integer result;
        if (h3 == null) {
            result = null;
        } else {
            result = h3Core.getResolution(h3);
        }
        return result;
    }

Որոշ H3 API գործառույթներ, ինչպիսիք են cellToLatLng վերադարձ List<Double> երկու տարրերից, որտեղ առաջին տարրը լայնությունն է, իսկ երկրորդը` երկայնությունը: H3 UDF-ը, որը մենք իրականացնում ենք, ապահովում է գործառույթ, որը վերադարձնում է հայտնի տեքստի (WKT) ներկայացումը: Օրինակ՝ մենք տրամադրում ենք cell_to_lat_lng_wktորը վերադարձնում է ա Point WKT տողի փոխարեն List<Double>. Այնուհետև մենք կարող ենք օգտագործել ելքը cell_to_lat_lng_wkt ներկառուցված Athena ST_GeometryFromText ֆունկցիայի հետ համատեղ՝ հետևյալ կերպ.

USING EXTERNAL FUNCTION cell_to_lat_lng_wkt(h3 BIGINT) 
RETURNS VARCHAR
LAMBDA '<MY-LAMBDA-ARN>'
SELECT ST_GeometryFromText(cell_to_lat_lng_wkt(622506764662964223))

Athena UDF-ն աջակցում է միայն սկալային տվյալների տեսակներին և չի աջակցում ներդիր տիպերին: Այնուամենայնիվ, որոշ H3 API-ներ վերադարձնում են ներկառուցված տեսակներ: Օրինակ, ի polygonToCells ֆունկցիան H3-ում վերցնում է ա List<List<List<GeoCoord>>>. Մեր իրականացումը polygon_to_cells UDF-ն ստանում է ա Polygon Փոխարենը WKT: Հետևյալը ցույց է տալիս Athena հարցման օրինակ՝ օգտագործելով այս UDF-ը.

-- get all h3 hexagons that cover Toulouse, Nantes, Lille, Paris, Nice 
USING EXTERNAL FUNCTION polygon_to_cells(polygonWKT VARCHAR, res INT)
RETURNS ARRAY(BIGINT)
LAMBDA '<MY-LAMBDA-ARN>'
SELECT polygon_to_cells('POLYGON ((43.604652 1.444209, 47.218371 -1.553621, 50.62925 3.05726, 48.864716 2.349014, 43.6961 7.27178, 3.604652 1.444209))', 2)

Վիզուալիզացիայի համար օգտագործեք SageMaker նոթատետրերը

SageMaker նոութբուքը կառավարվող մեքենայական ուսուցման հաշվարկային օրինակ է, որն աշխատում է Jupyter-ի նոութբուքի հավելվածով: Այս օրինակում մենք կօգտագործենք SageMaker նոթատետրը՝ գրելու և գործարկելու մեր կոդը՝ մեր արդյունքները պատկերացնելու համար, բայց եթե ձեր օգտագործման դեպքը ներառում է Apache Spark-ը, ապա Amazon Athena-ի օգտագործումը Apache Spark-ի համար հիանալի ընտրություն կլինի: SageMaker-ի անվտանգության լավագույն փորձի վերաբերյալ խորհրդատվության համար տե՛ս Amazon SageMaker-ի հետ անվտանգ մեքենայական ուսուցման միջավայրերի կառուցում: Դուք կարող եք ստեղծել ձեր սեփական SageMaker նոթատետրը՝ հետևելով հետևյալ հրահանգներին.

SageMaker վահանակում ընտրեք Տետր նավիգացիոն վահանակում:
Ընտրեք Նոթատետրի օրինակներ.
Ընտրեք Ստեղծեք նոթատետրի օրինակ.
Մուտքագրեք նոթատետրի օրինակի անունը:
Ընտրեք գոյություն ունեցող IAM դերը կամ ստեղծեք դեր, որը թույլ է տալիս գործարկել SageMaker-ը և թույլ է տալիս մուտք գործել Amazon S3 և Athena:
Ընտրեք Ստեղծեք նոթատետրի օրինակ.
Սպասեք, մինչև նոթատետրի կարգավիճակը փոխվի Creating դեպի InService.
Բացեք նոթատետրի օրինակը՝ ընտրելով Յուպիտեր կամ JupyterLab.

Ուսումնասիրեք տվյալները

Այժմ մենք պատրաստ ենք ուսումնասիրել տվյալները:

Jupyter վահանակի վրա, տակ Նորընտրիր Տետր.
Վրա Ընտրեք միջուկը բացվող ընտրացանկ, ընտրեք conda_python3.
Ավելացրեք նոր բջիջներ՝ ընտրելով գումարած նշանը:
Ձեր առաջին բջիջում ներբեռնեք հետևյալ Python մոդուլները, որոնք ներառված չեն ստանդարտ SageMaker միջավայրում.
```
!pip install geojson
!pip install awswrangler
!pip install geomet
!pip install shapely
```
GeoJSON-ը տարածական տվյալները JSON ձևաչափով պահելու հայտնի ձևաչափ է: Այն geojson մոդուլը թույլ է տալիս հեշտությամբ կարդալ և գրել GeoJSON տվյալները Python-ով: Երկրորդ մոդուլը, որը մենք տեղադրում ենք, awswrangler, AWS SDK-ն է պանդաների համար: Սա AWS տվյալների տարբեր աղբյուրներից Pandas-ի տվյալների շրջանակների մեջ կարդալու շատ հեշտ միջոց է: Մենք այն օգտագործում ենք Աթենայի աղյուսակից երկրաշարժի տվյալները կարդալու համար:
Հաջորդը, մենք ներմուծում ենք բոլոր փաթեթները, որոնք օգտագործում ենք տվյալների ներմուծման, ձևափոխելու և պատկերացնելու համար.
```
from geomet import wkt
import plotly.express as px
from shapely.geometry import Polygon, mapping
import awswrangler as wr
import pandas as pd
from shapely.wkt import loads
import geojson
import ast
```

Մենք սկսում ենք ներմուծել մեր տվյալները՝ օգտագործելով athena.read_sql._query գործառույթը AWS SDK-ում պանդաների համար: Athena հարցումն ունի ենթահարկ, որն օգտագործում է UDF-ը՝ սյունակ ավելացնելու համար h3_cell յուրաքանչյուր շարքում earthquakes Աղյուսակ՝ հիմնված երկրաշարժի լայնության և երկայնության վրա։ Անալիտիկ ֆունկցիա COUNT Այնուհետև օգտագործվում է յուրաքանչյուր H3 բջիջում երկրաշարժերի քանակը պարզելու համար: Այս վիզուալիզացիայի համար մեզ հետաքրքրում են միայն ԱՄՆ-ի տարածքում երկրաշարժերը, ուստի մենք զտում ենք տվյալների շրջանակի տողերը, որոնք գտնվում են հետաքրքրության տարածքից դուրս.

def run_query(lambda_arn, db, resolution):
    query = f"""USING EXTERNAL FUNCTION cell_to_boundary_wkt(cell VARCHAR)
                    RETURNS ARRAY(VARCHAR)
                    LAMBDA '{lambda_arn}'
                       SELECT h3_cell, cell_to_boundary_wkt(h3_cell) as boundary, quake_count FROM(
                        USING EXTERNAL FUNCTION lat_lng_to_cell_address(lat DOUBLE, lng DOUBLE, res INTEGER)
                         RETURNS VARCHAR
                        LAMBDA '{lambda_arn}'
                    SELECT h3_cell, COUNT(*) AS quake_count
                      FROM
                        (SELECT *,
                           lat_lng_to_cell_address(latitude, longitude, {resolution}) AS h3_cell
                         FROM earthquakes
                         WHERE latitude BETWEEN 18 AND 70        -- For this visualisation, we're only interested in earthquakes within the USA.
                           AND longitude BETWEEN -175 AND -50
                         )
                       GROUP BY h3_cell ORDER BY quake_count DESC) cell_quake_count"""
    return wr.athena.read_sql_query(query, database=db)

lambda_arn = '<MY-LAMBDA-ARN>' # Replace with ARN of your lambda.
db_name="<MY-DATABASE-NAME>" # Replace with name of your Glue database.
earthquakes_df = run_query(lambda_arn=lambda_arn,db=db_name, resolution=4)
earthquakes_df.head()

Հետևյալ սքրինշոթը ցույց է տալիս մեր արդյունքները:

Հետևեք մեր Jupyter նոթատետրում մնացած քայլերին, որպեսզի տեսնեք, թե ինչպես ենք մենք վերլուծում և պատկերացնում մեր օրինակը H3 UDF տվյալների հետ:

Պատկերացրեք արդյունքները

Մեր արդյունքները պատկերացնելու համար մենք օգտագործում ենք Plotly Express մոդուլը՝ ստեղծելու մեր տվյալների choropleth քարտեզը: Չորոպլեթ քարտեզը վիզուալիզացիայի տեսակ է, որը ստվերվում է քանակական արժեքների հիման վրա: Սա հիանալի պատկերացում է մեր օգտագործման դեպքի համար, քանի որ մենք ստվերում ենք տարբեր շրջաններ՝ հիմնվելով երկրաշարժերի հաճախականության վրա:

Ստացված վիզուալում մենք կարող ենք տեսնել Հյուսիսային Ամերիկայի տարբեր տարածքներում երկրաշարժերի հաճախականության միջակայքերը: Նկատի ունեցեք, որ այս քարտեզում H3 լուծաչափը ավելի ցածր է, քան նախկինում, ինչը ստիպում է յուրաքանչյուր վեցանկյուն ծածկել երկրագնդի ավելի մեծ տարածք:

Մաքրել

Ձեր հաշվի վրա հավելյալ գանձումներից խուսափելու համար ջնջեք ձեր ստեղծած ռեսուրսները.

SageMaker վահանակում ընտրեք նոթատետրը և վրա Գործողություններ ընտրացանկ, ընտրեք Դադարեցրեք.
Սպասեք, մինչև նոթատետրի կարգավիճակը փոխվի Stoppedապա նորից ընտրեք նոթատետրը և վրա Գործողություններ ընտրացանկ, ընտրեք Ջնջել.
Amazon S3 վահանակում ընտրեք ձեր ստեղծած դույլը և ընտրեք Դատարկ.
Մուտքագրեք դույլի անունը և ընտրեք Դատարկ.
Կրկին ընտրեք դույլը և ընտրեք Ջնջել.
Մուտքագրեք դույլի անունը և ընտրեք Ջնջել դույլը.
Lambda վահանակում ընտրեք ֆունկցիայի անունը և վրա Գործողություններ ընտրացանկ, ընտրեք Ջնջել.

Եզրակացություն

Այս գրառման մեջ դուք տեսաք, թե ինչպես կարելի է ընդլայնել գործառույթները Աթենայում աշխարհատարածական վերլուծության համար՝ ավելացնելով ձեր օգտագործողի կողմից սահմանված գործառույթը: Չնայած այս ցուցադրության ժամանակ մենք օգտագործել ենք Uber-ի H3 աշխարհատարածական ինդեքսը, դուք կարող եք բերել ձեր սեփական աշխարհատարածական ինդեքսը ձեր սեփական աշխարհատարածական վերլուծության համար:

Այս գրառման մեջ մենք օգտագործեցինք Athena, Lambda և SageMaker նոթատետրերը՝ պատկերացնելու մեր UDF-ների արդյունքները արևմտյան ԱՄՆ-ում: Կոդի օրինակները գտնվում են h3-udf-for-athena GitHub ռեպո-ում:

Որպես հաջորդ քայլ, դուք կարող եք փոփոխել այս գրառման կոդը և հարմարեցնել այն ձեր սեփական կարիքների համար՝ ձեր սեփական աշխարհագրական տվյալներից հետագա պատկերացումներ ձեռք բերելու համար: Օրինակ, դուք կարող եք պատկերացնել այլ դեպքեր, ինչպիսիք են երաշտները, ջրհեղեղները և անտառահատումները:

Հեղինակների մասին

Ջոն Թելֆորդ Amazon Web Services-ի ավագ խորհրդատու է: Նա մեծ տվյալների և տվյալների պահեստների մասնագետ է։ Ջոնն ունի համակարգչային գիտության աստիճան Բրունելի համալսարանից:

Անվար Ռիզալ մեքենայական ուսուցման ավագ խորհրդատու է՝ հիմնված Փարիզում: Նա աշխատում է AWS հաճախորդների հետ՝ մշակելու տվյալների և AI լուծումներ՝ իրենց բիզնեսը կայուն զարգացնելու համար:

Փոլին Թինգ AWS Professional Services թիմում տվյալների գիտնական է: Նա աջակցում է հաճախորդներին հասնելու և արագացնելու իրենց բիզնեսի արդյունքը՝ զարգացնելով կայուն AI/ML լուծումներ: Ազատ ժամանակ Փոլինը սիրում է ճանապարհորդել, ճամփորդել և փորձել նոր աղանդերային վայրեր։

Source by [author_name]