জ্ঞান এম্বেডিংয়ের জন্য গভীর গ্রাফ লাইব্রেরির সাথে ট্রুমিডে উন্নত মেশিন লার্নিং সিস্টেম তৈরি করা

এটি একটি অতিথি পোস্ট ট্রুমিড থেকে মুতিস্যা এনডুন্দার সাথে সহ-লিখিত।

অনেক শিল্পের মতো, কর্পোরেট বন্ড মার্কেট নিজেকে এক-আকার-ফিট-সমস্ত পদ্ধতিতে ধার দেয় না। এটি বিশাল, তারল্য খণ্ডিত, এবং প্রাতিষ্ঠানিক ক্লায়েন্টরা তাদের নির্দিষ্ট চাহিদা অনুযায়ী সমাধানের দাবি করে। AI এবং মেশিন লার্নিং (ML) এর অগ্রগতিগুলি গ্রাহকের অভিজ্ঞতা উন্নত করতে, কর্মক্ষম কর্মপ্রবাহের দক্ষতা এবং নির্ভুলতা বৃদ্ধি করতে এবং ট্রেডিং প্রক্রিয়ার একাধিক দিক সমর্থন করে কর্মক্ষমতা বাড়াতে ব্যবহার করা যেতে পারে।

ট্রামিড একটি আর্থিক প্রযুক্তি কোম্পানি যা আগামীকালের ক্রেডিট ট্রেডিং নেটওয়ার্ক তৈরি করছে—দক্ষ ট্রেডিং, তথ্য প্রচার, এবং কর্পোরেট বন্ড বাজার অংশগ্রহণকারীদের মধ্যে কার্যকর করার জন্য একটি বাজার। Trumid গভীর বাজারের দক্ষতার সাথে অগ্রণী-প্রান্তের পণ্য ডিজাইন এবং প্রযুক্তি নীতিগুলিকে একত্রিত করে ক্রেডিট ট্রেডিং অভিজ্ঞতাকে অপ্টিমাইজ করছে৷ ফলাফল হল একটি ইন্টিগ্রেটেড ট্রেডিং সলিউশন যা একটি স্বজ্ঞাত প্ল্যাটফর্মের মধ্যে প্রোটোকল এবং এক্সিকিউশন টুলগুলির একটি সম্পূর্ণ ইকোসিস্টেম সরবরাহ করে।

বন্ড ট্রেডিং মার্কেট ঐতিহ্যগতভাবে নিয়ম-ভিত্তিক প্রযুক্তির সাহায্যে অফলাইন ক্রেতা/বিক্রেতার ম্যাচিং প্রক্রিয়ার সাথে জড়িত। ট্রুমিড এই অভিজ্ঞতাকে রূপান্তরিত করার জন্য একটি উদ্যোগ গ্রহণ করেছে। এর ইলেকট্রনিক ট্রেডিং প্ল্যাটফর্মের মাধ্যমে, ব্যবসায়ীরা ক্রয় বা বিক্রয়ের জন্য হাজার হাজার বন্ড অ্যাক্সেস করতে পারে, যোগাযোগের জন্য নিযুক্ত ব্যবহারকারীদের একটি সম্প্রদায় এবং বিভিন্ন ট্রেডিং প্রোটোকল এবং কার্যকরী সমাধান করতে পারে। ব্যবহারকারীদের একটি সম্প্রসারিত নেটওয়ার্কের সাথে, ট্রুমিডের এআই এবং ডেটা স্ট্র্যাটেজি টিম এর সাথে অংশীদারিত্ব করেছে AWS মেশিন লার্নিং সলিউশন ল্যাব. উদ্দেশ্য ছিল এমএল সিস্টেম তৈরি করা যা ট্রামিড-এ উপলব্ধ বন্ডের জন্য ব্যবহারকারীদের আগ্রহ এবং পছন্দের মডেলিং করে আরও ব্যক্তিগতকৃত ট্রেডিং অভিজ্ঞতা প্রদান করতে পারে।

এই ML মডেলগুলি প্রতিটি ব্যবহারকারীর কাছে তথ্য কীভাবে প্রদর্শিত হয় তা ব্যক্তিগতকরণের মাধ্যমে অন্তর্দৃষ্টি এবং ক্রিয়াকলাপের গতি বাড়ানোর জন্য ব্যবহার করা যেতে পারে যাতে নিশ্চিত করা যায় যে একজন ব্যবসায়ীর যত্ন নেওয়া সবচেয়ে প্রাসঙ্গিক এবং কার্যকরী তথ্যকে অগ্রাধিকার দেওয়া এবং অ্যাক্সেসযোগ্য।

এই চ্যালেঞ্জটি সমাধান করার জন্য, ট্রুমিড এবং এমএল সলিউশন ল্যাব জ্ঞান এম্বেডিংয়ের জন্য ডিপ গ্রাফ লাইব্রেরি ব্যবহার করে নির্মিত একটি গভীর নিউরাল নেটওয়ার্ক মডেলের উপর ভিত্তি করে একটি শেষ থেকে শেষ ডেটা প্রস্তুতি, মডেল প্রশিক্ষণ এবং অনুমান প্রক্রিয়া তৈরি করেছে (DGL-KE) সঙ্গে একটি শেষ থেকে শেষ সমাধান আমাজন সেজমেকার এছাড়াও মোতায়েন করা হয়েছিল।

গ্রাফ মেশিন লার্নিং এর সুবিধা

বাস্তব-বিশ্বের ডেটা জটিল এবং আন্তঃসংযুক্ত, এবং প্রায়শই নেটওয়ার্ক কাঠামো ধারণ করে। উদাহরণগুলির মধ্যে রয়েছে প্রকৃতির অণু, সামাজিক নেটওয়ার্ক, ইন্টারনেট, রাস্তাঘাট এবং আর্থিক ট্রেডিং প্ল্যাটফর্ম।

গ্রাফগুলি সত্তার মধ্যে সম্পর্কের মধ্যে এমবেড করা গুরুত্বপূর্ণ এবং সমৃদ্ধ তথ্য আহরণ করে এই জটিলতাকে মডেল করার একটি প্রাকৃতিক উপায় প্রদান করে।

প্রথাগত ML অ্যালগরিদমের জন্য ডেটা সারণি বা ক্রম হিসাবে সংগঠিত করা প্রয়োজন। এটি সাধারণত ভাল কাজ করে, তবে কিছু ডোমেন আরও স্বাভাবিকভাবে এবং কার্যকরভাবে গ্রাফ দ্বারা উপস্থাপিত হয় (যেমন একে অপরের সাথে সম্পর্কিত বস্তুর নেটওয়ার্ক, এই পোস্টে পরে দেখানো হয়েছে)। এই গ্রাফ ডেটাসেটগুলিকে সারণি বা ক্রমগুলিতে জোর করার পরিবর্তে, আপনি গ্রাফ এমএল অ্যালগরিদমগুলিকে উপস্থাপন করতে এবং গ্রাফ আকারে উপস্থাপিত ডেটা থেকে শিখতে উভয়ই ব্যবহার করতে পারেন, যার মধ্যে উপাদান নোড, প্রান্ত এবং অন্যান্য বৈশিষ্ট্যগুলির তথ্য রয়েছে৷

এই বিবেচনায় যে বন্ড ট্রেডিং সহজাতভাবে ক্রেতা এবং বিক্রেতাদের মধ্যে মিথস্ক্রিয়াগুলির একটি নেটওয়ার্ক হিসাবে উপস্থাপন করা হয় যার মধ্যে বিভিন্ন ধরণের বন্ড যন্ত্র জড়িত, একটি কার্যকর সমাধানের জন্য বাজারে অংশগ্রহণকারী ব্যবসায়ীদের সম্প্রদায়ের নেটওয়ার্ক প্রভাবগুলিকে কাজে লাগাতে হবে৷ চলুন দেখি কিভাবে আমরা ট্রেডিং নেটওয়ার্কের প্রভাবগুলিকে লিভারেজ করেছি এবং এই ভিশনটি এখানে বাস্তবায়ন করেছি।

সমাধান

বন্ড ট্রেডিং বিভিন্ন কারণ দ্বারা চিহ্নিত করা হয়, যার মধ্যে ট্রেড সাইজ, টার্ম, ইস্যুকারী, রেট, কুপন ভ্যালু, বিড/আস্ক অফার, এবং ট্রেডিং প্রোটোকলের ধরন জড়িত। অর্ডার এবং ট্রেড ছাড়াও, ট্রুমিড "সুদের ইঙ্গিত" (IOIs) ক্যাপচার করে। ঐতিহাসিক মিথস্ক্রিয়া ডেটা ট্রেডিং আচরণ এবং সময়ের সাথে বিকশিত বাজারের অবস্থাকে মূর্ত করে। আমরা ট্রেডার, বন্ড এবং ইস্যুকারীদের মধ্যে টাইমস্ট্যাম্পড ইন্টারঅ্যাকশনের একটি গ্রাফ তৈরি করতে এই ডেটা ব্যবহার করেছি এবং ভবিষ্যতের ইন্টারঅ্যাকশনের পূর্বাভাস দিতে গ্রাফ ML ব্যবহার করেছি।

সুপারিশ সমাধান চারটি প্রধান পদক্ষেপ নিয়ে গঠিত:

• একটি গ্রাফ ডেটাসেট হিসাবে ট্রেডিং ডেটা প্রস্তুত করা হচ্ছে
• একটি জ্ঞান গ্রাফ এমবেডিং মডেল প্রশিক্ষণ
• নতুন ব্যবসার পূর্বাভাস
• একটি পরিমাপযোগ্য কর্মপ্রবাহ হিসাবে সমাধান প্যাকেজিং

নিম্নলিখিত বিভাগে, আমরা আরও বিস্তারিতভাবে প্রতিটি ধাপ আলোচনা.

একটি গ্রাফ ডেটাসেট হিসাবে ট্রেডিং ডেটা প্রস্তুত করা হচ্ছে

গ্রাফ হিসাবে ট্রেডিং ডেটা উপস্থাপন করার অনেক উপায় রয়েছে। একটি বিকল্প হ'ল নোড, প্রান্ত এবং বৈশিষ্ট্য সহ সম্পূর্ণরূপে ডেটা উপস্থাপন করা: ব্যবসায়ীরা বৈশিষ্ট্য সহ নোড (যেমন নিয়োগকর্তা বা মেয়াদ), বৈশিষ্ট্য সহ নোড হিসাবে বন্ড (ইস্যুকারী, বকেয়া পরিমাণ, পরিপক্কতা, হার, কুপন মান) এবং ট্রেড বৈশিষ্ট্য সহ প্রান্ত হিসাবে (তারিখ, প্রকার, আকার)। আরেকটি বিকল্প হল ডেটা সরল করা এবং শুধুমাত্র নোড এবং সম্পর্ক ব্যবহার করা (সম্পর্কগুলি টাইপ করা প্রান্তগুলি যেমন ট্রেড করা বা জারি করা হয়)। এই পরবর্তী পদ্ধতিটি আমাদের ক্ষেত্রে আরও ভাল কাজ করেছে এবং আমরা নিম্নলিখিত চিত্রে উপস্থাপিত গ্রাফটি ব্যবহার করেছি।

উপরন্তু, আমরা অপ্রচলিত বলে বিবেচিত কিছু প্রান্ত সরিয়ে দিয়েছি: যদি একজন ব্যবসায়ী 100 টিরও বেশি বিভিন্ন বন্ডের সাথে যোগাযোগ করে, আমরা শুধুমাত্র শেষ 100টি বন্ড রাখতাম।

অবশেষে, আমরা গ্রাফ ডেটাসেটটিকে প্রান্তের তালিকা হিসাবে সংরক্ষণ করেছি টিএসভি বিন্যাস:

t987	trade-old		i55198
t995	trade-old		i55306
t987	trade-recent	i24528
t995	trade-recent	i49181
t987	ioi-recent		i24523
t995	ioi-old 		i49178
…
i49611	issued-by		XXX
i46569	issued-by		YYY
i46507	issued-by		ZZZ

একটি জ্ঞান গ্রাফ এমবেডিং মডেল প্রশিক্ষণ

শুধুমাত্র নোড এবং সম্পর্কের সমন্বয়ে গঠিত গ্রাফের জন্য (প্রায়শই নলেজ গ্রাফ বলা হয়), ডিজিএল দল নলেজ গ্রাফ এমবেডিং ফ্রেমওয়ার্ক তৈরি করেছে DGL-KE. KE এর অর্থ হল নলেজ এম্বেডিং, ধারণাটি হল স্থানাঙ্ক (এম্বেডিং) দ্বারা নোড এবং সম্পর্ক (জ্ঞান) প্রতিনিধিত্ব করা এবং স্থানাঙ্কগুলিকে অপ্টিমাইজ করা (প্রশিক্ষণ) যাতে স্থানাঙ্কগুলি থেকে মূল গ্রাফ কাঠামো পুনরুদ্ধার করা যায়। উপলব্ধ এমবেডিং মডেলের তালিকায়, আমরা TransE (অনুবাদমূলক এম্বেডিং) নির্বাচন করেছি। TransE নিম্নলিখিত সমতা আনুমানিক লক্ষ্যে এম্বেডিং প্রশিক্ষণ দেয়:

সোর্স নোড এম্বেডিং + রিলেশন এম্বেডিং = টার্গেট নোড এম্বেডিং (1)

আমরা আমন্ত্রণ জানিয়ে মডেলকে প্রশিক্ষণ দিয়েছি dglke_train আদেশ প্রশিক্ষণের আউটপুট হল একটি মডেল ফোল্ডার যাতে প্রশিক্ষিত এমবেডিং থাকে।

TransE সম্পর্কে আরো বিস্তারিত জানার জন্য, পড়ুন মাল্টি-রিলেশনাল ডেটা মডেলিংয়ের জন্য এম্বেডিং অনুবাদ করা.

নতুন ব্যবসার পূর্বাভাস

আমাদের মডেলের সাথে একজন ব্যবসায়ীর কাছ থেকে নতুন ট্রেডের পূর্বাভাস দিতে, আমরা সমতা ব্যবহার করেছি (1): ট্রেডার এম্বেডিংকে ট্রেড-সাম্প্রতিক এম্বেডিং-এ যোগ করুন এবং ফলস্বরূপ এমবেডিং-এর সবচেয়ে কাছাকাছি বন্ডের সন্ধান করুন।

আমরা দুটি ধাপে এটি করেছি:

1. সাথে সমস্ত সম্ভাব্য বাণিজ্য-সাম্প্রতিক সম্পর্কের জন্য স্কোর গণনা করুন dglke_predict.
2. প্রতিটি ব্যবসায়ীর জন্য শীর্ষ 100 সর্বোচ্চ স্কোর গণনা করুন।

কিভাবে DGL-KE ব্যবহার করবেন তার বিস্তারিত নির্দেশাবলীর জন্য, পড়ুন ডিপ গ্রাফ লাইব্রেরির সাথে স্কেলে জ্ঞান গ্রাফ এম্বেডিংয়ের প্রশিক্ষণ এবং DGL-KE ডকুমেন্টেশন.

একটি পরিমাপযোগ্য কর্মপ্রবাহ হিসাবে সমাধান প্যাকেজিং

আমরা আমাদের কোড বিকাশ এবং ডিবাগ করতে SageMaker নোটবুক ব্যবহার করেছি। উত্পাদনের জন্য, আমরা মডেলটিকে একটি সাধারণ API কল হিসাবে আহ্বান করতে চেয়েছিলাম। আমরা দেখেছি যে আমাদের ডেটা প্রস্তুতি, মডেল প্রশিক্ষণ এবং ভবিষ্যদ্বাণী আলাদা করার দরকার নেই এবং পুরো পাইপলাইনটিকে একটি একক স্ক্রিপ্ট হিসাবে প্যাকেজ করা এবং সেজমেকার প্রক্রিয়াকরণ ব্যবহার করা সুবিধাজনক। সেজমেকার প্রসেসিং আপনাকে রিসোর্স বরাদ্দ এবং ডেটা স্থানান্তর সম্পর্কে চিন্তা না করেই একটি নির্বাচিত উদাহরণ টাইপ এবং ডকার ইমেজে দূরবর্তীভাবে একটি স্ক্রিপ্ট চালানোর অনুমতি দেয়। এটি আমাদের জন্য সহজ এবং সাশ্রয়ী ছিল, কারণ স্ক্রিপ্টটি চালানোর জন্য প্রয়োজনীয় 15 মিনিটের সময় GPU দৃষ্টান্ত ব্যবহার করা হয় এবং অর্থ প্রদান করা হয়।

সেজমেকার প্রসেসিং কীভাবে ব্যবহার করবেন তার বিস্তারিত নির্দেশাবলীর জন্য, দেখুন অ্যামাজন সেজমেকার প্রসেসিং - সম্পূর্ণরূপে পরিচালিত ডেটা প্রসেসিং এবং মডেল মূল্যায়ন এবং প্রসেসিং.

ফলাফল

আমাদের কাস্টম গ্রাফ মডেল অন্যান্য পদ্ধতির তুলনায় খুব ভালো পারফর্ম করেছে: কর্মক্ষমতা 80% দ্বারা উন্নত হয়েছে, সব ধরনের ট্রেডার জুড়ে আরও স্থিতিশীল ফলাফল সহ। আমরা গড় প্রত্যাহার দ্বারা পারফরম্যান্স পরিমাপ করেছি (সুপারিশকারী দ্বারা পূর্বাভাসিত প্রকৃত ট্রেডের শতাংশ, সমস্ত ব্যবসায়ীর গড়)। অন্যান্য স্ট্যান্ডার্ড মেট্রিক্সের সাথে, উন্নতি 50-130% পর্যন্ত ছিল।

এই পারফরম্যান্স আমাদেরকে ট্রেডার এবং বন্ডকে আরও ভালোভাবে মেলাতে সক্ষম করেছে, যা মডেলের মধ্যে একটি উন্নত ট্রেডার অভিজ্ঞতার ইঙ্গিত দেয়, মেশিন লার্নিং হার্ড-কোডেড নিয়ম থেকে একটি বড় ধাপ এগিয়ে নিয়ে যায়, যা স্কেল করা কঠিন হতে পারে।

উপসংহার

Trumid তাদের ব্যবহারকারীদের সম্প্রদায়ের উদ্ভাবনী পণ্য এবং কর্মপ্রবাহ দক্ষতা প্রদানের উপর দৃষ্টি নিবদ্ধ করে। আগামীকালের ক্রেডিট ট্রেডিং নেটওয়ার্ক তৈরি করার জন্য AWS ML সলিউশন ল্যাব-এর মতো সমবয়সীদের এবং শিল্প বিশেষজ্ঞদের সাথে ক্রমাগত সহযোগিতার প্রয়োজন, আপনাকে দ্রুত উদ্ভাবন করতে সাহায্য করার জন্য ডিজাইন করা হয়েছে।

আরও তথ্যের জন্য, নিম্নলিখিত সংস্থানগুলি দেখুন:

লেখক সম্পর্কে

মার্ক ভ্যান ওডেউসডেন অ্যামাজন ওয়েব সার্ভিসে অ্যামাজন এমএল সলিউশন ল্যাব টিমের একজন সিনিয়র ডেটা সায়েন্টিস্ট। তিনি কৃত্রিম বুদ্ধিমত্তা এবং মেশিন লার্নিং দিয়ে ব্যবসায়িক সমস্যা সমাধানের জন্য AWS গ্রাহকদের সাথে কাজ করেন। কাজের বাইরে আপনি তাকে সমুদ্র সৈকতে, তার বাচ্চাদের সাথে খেলতে, সার্ফিং বা কাইটসার্ফিং করতে পারেন।

মুতিস্যা এনদুন্ডা ট্রুমিডের ডেটা স্ট্র্যাটেজি এবং এআই-এর প্রধান। তিনি একজন পাকা আর্থিক পেশাদার যিনি পুঁজিবাজার, ট্রেডিং এবং আর্থিক প্রযুক্তিতে 20 বছরেরও বেশি বিস্তৃত প্রাতিষ্ঠানিক অভিজ্ঞতার সাথে। কৃত্রিম বুদ্ধিমত্তা, মেশিন লার্নিং এবং বিগ ডেটা অ্যানালিটিক্সে এক দশকেরও বেশি অভিজ্ঞতার সাথে মুতিস্যার একটি শক্তিশালী পরিমাণগত এবং বিশ্লেষণাত্মক পটভূমি রয়েছে। ট্রুমিডের আগে, তিনি আলফা ভার্টেক্সের সিইও ছিলেন, একটি আর্থিক প্রযুক্তি কোম্পানি যা আর্থিক প্রতিষ্ঠানগুলিতে মালিকানাধীন এআই অ্যালগরিদম দ্বারা চালিত বিশ্লেষণাত্মক সমাধান সরবরাহ করে। মুতিস্যা কর্নেল বিশ্ববিদ্যালয় থেকে বৈদ্যুতিক প্রকৌশলে স্নাতক এবং কর্নেল বিশ্ববিদ্যালয় থেকে আর্থিক প্রকৌশলে স্নাতকোত্তর ডিগ্রি অর্জন করেছেন।

আইজাক প্রিভিটেরা তিনি আমাজন মেশিন লার্নিং সলিউশন ল্যাবের একজন সিনিয়র ডেটা সায়েন্টিস্ট, যেখানে তিনি গ্রাহকদের ব্যবসায়িক সমস্যা সমাধানের জন্য বেসপোক মেশিন লার্নিং এবং গভীর শিক্ষার সমাধান তৈরি করেন। তিনি প্রাথমিকভাবে কম্পিউটার ভিশন স্পেসে কাজ করেন, AWS গ্রাহকদের বিতরণ করা প্রশিক্ষণ এবং সক্রিয় শিক্ষার সাথে সক্ষম করার উপর দৃষ্টি নিবদ্ধ করে।