আমরা এর ওপেন সোর্স রিলিজ ঘোষণা করতে পেরে আনন্দিত গ্রাফস্টর্ম 0.1, একটি লো-কোড এন্টারপ্রাইজ গ্রাফ মেশিন লার্নিং (ML) ফ্রেমওয়ার্ক যা মাসের পরিবর্তে দিনে জটিল এন্টারপ্রাইজ-স্কেল গ্রাফগুলিতে গ্রাফ এমএল সমাধান তৈরি, প্রশিক্ষণ এবং স্থাপন করতে। GraphStorm-এর সাহায্যে, আপনি এমন সমাধান তৈরি করতে পারেন যা সরাসরি কোটি কোটি সত্তার মধ্যে সম্পর্ক বা মিথস্ক্রিয়াগুলির গঠনকে বিবেচনা করে, যা প্রতারণা সনাক্তকরণের পরিস্থিতি, সুপারিশ, সম্প্রদায় সনাক্তকরণ এবং অনুসন্ধান/পুনরুদ্ধার সমস্যা সহ বেশিরভাগ বাস্তব-বিশ্বের ডেটাতে অন্তর্নিহিতভাবে এম্বেড করা হয়।
এখন অবধি, জটিল এন্টারপ্রাইজ গ্রাফের জন্য গ্রাফ এমএল সমাধানগুলি তৈরি করা, প্রশিক্ষণ দেওয়া এবং স্থাপন করা কুখ্যাতভাবে কঠিন ছিল যাতে সহজেই কোটি কোটি নোড, শত বিলিয়ন প্রান্ত এবং কয়েক ডজন বৈশিষ্ট্য রয়েছে—শুধু Amazon.com পণ্যগুলি ক্যাপচার করা একটি গ্রাফ সম্পর্কে চিন্তা করুন , পণ্য বৈশিষ্ট্য, গ্রাহক, এবং আরো. GraphStorm-এর সাহায্যে, আমরা এমন সরঞ্জামগুলি প্রকাশ করি যা Amazon অভ্যন্তরীণভাবে ব্যবহার করে উৎপাদনে বড় আকারের গ্রাফ এমএল সমাধান আনতে। GraphStorm-এর জন্য আপনাকে গ্রাফ ML-এ বিশেষজ্ঞ হতে হবে না এবং এটি GitHub-এ Apache v2.0 লাইসেন্সের অধীনে উপলব্ধ। GraphStorm সম্পর্কে আরও জানতে, দেখুন GitHub সংগ্রহস্থল.
এই পোস্টে, আমরা গ্রাফস্টর্মের একটি ভূমিকা, এর স্থাপত্য, এবং এটি কীভাবে ব্যবহার করতে হয় তার একটি উদাহরণ ব্যবহার করি।
গ্রাফস্টর্ম উপস্থাপন করা হচ্ছে
গ্রাফ অ্যালগরিদম এবং গ্রাফ এমএল অনেক গুরুত্বপূর্ণ ব্যবসায়িক সমস্যার জন্য অত্যাধুনিক সমাধান হিসাবে আবির্ভূত হচ্ছে যেমন লেনদেনের ঝুঁকির পূর্বাভাস দেওয়া, গ্রাহকের পছন্দগুলি অনুমান করা, অনুপ্রবেশ সনাক্ত করা, সাপ্লাই চেইন অপ্টিমাইজ করা, সামাজিক নেটওয়ার্ক বিশ্লেষণ এবং ট্রাফিক পূর্বাভাস। উদাহরণ স্বরূপ, অ্যামাজন গার্ডডিউটি, স্থানীয় AWS হুমকি সনাক্তকরণ পরিষেবা, এর হুমকি বুদ্ধিমত্তার কভারেজ এবং নির্ভুলতা উন্নত করতে কোটি কোটি প্রান্ত সহ একটি গ্রাফ ব্যবহার করে৷ এটি GuardDuty কে পূর্বে অদেখা ডোমেনগুলিকে দূষিত বা সৌম্য হিসাবে শ্রেণীবদ্ধ করার অনুমতি দেয় পরিচিত দূষিত ডোমেনের সাথে তাদের সংযোগের ভিত্তিতে। গ্রাফ নিউরাল নেটওয়ার্ক (GNNs) ব্যবহার করে, GuardDuty গ্রাহকদের সতর্ক করার ক্ষমতা বাড়াতে সক্ষম।
যাইহোক, গ্রাফ এমএল সমাধানগুলি বিকাশ, চালু এবং পরিচালনা করতে কয়েক মাস সময় লাগে এবং গ্রাফ এমএল দক্ষতার প্রয়োজন হয়। প্রথম পদক্ষেপ হিসাবে, একজন গ্রাফ এমএল বিজ্ঞানীকে ডিপ গ্রাফ লাইব্রেরির (ডিজিএল) মতো একটি কাঠামো ব্যবহার করে প্রদত্ত ব্যবহারের ক্ষেত্রে একটি গ্রাফ এমএল মডেল তৈরি করতে হবে। এন্টারপ্রাইজ অ্যাপ্লিকেশনগুলিতে গ্রাফের আকার এবং জটিলতার কারণে এই ধরনের মডেলগুলিকে প্রশিক্ষণ দেওয়া চ্যালেঞ্জিং, যা নিয়মিতভাবে বিলিয়ন নোড, শত বিলিয়ন প্রান্ত, বিভিন্ন নোড এবং প্রান্তের ধরন এবং শত শত নোড এবং প্রান্ত বৈশিষ্ট্যগুলিতে পৌঁছায়। এন্টারপ্রাইজ গ্রাফের জন্য টেরাবাইট মেমরি স্টোরেজ প্রয়োজন হতে পারে, জটিল প্রশিক্ষণ পাইপলাইন তৈরি করতে গ্রাফ এমএল বিজ্ঞানীদের প্রয়োজন। অবশেষে, একটি মডেল প্রশিক্ষিত হওয়ার পরে, তাদের অনুমানের জন্য মোতায়েন করতে হবে, যার জন্য অনুমানের পাইপলাইন প্রয়োজন যা প্রশিক্ষণ পাইপলাইনগুলির মতোই তৈরি করা কঠিন।
GraphStorm 0.1 হল একটি লো-কোড এন্টারপ্রাইজ গ্রাফ ML ফ্রেমওয়ার্ক যা ML অনুশীলনকারীদের সহজেই পূর্বনির্ধারিত গ্রাফ এমএল মডেলগুলি বেছে নিতে দেয় যা কার্যকর বলে প্রমাণিত হয়েছে, বিলিয়ন নোড সহ গ্রাফগুলিতে বিতরণ করা প্রশিক্ষণ চালাতে এবং মডেলগুলিকে উত্পাদনে স্থাপন করতে দেয়৷ GraphStorm বিল্ট-ইন গ্রাফ এমএল মডেলের একটি সংগ্রহ অফার করে, যেমন রিলেশনাল গ্রাফ কনভোলিউশনাল নেটওয়ার্কস (RGCN), রিলেশনাল গ্রাফ অ্যাটেনশন নেটওয়ার্ক (RGAT), এবং ভিন্নধর্মী গ্রাফের সাথে এন্টারপ্রাইজ অ্যাপ্লিকেশনের জন্য Heterogeneous Graph Transformer (HGT), যা ML ইঞ্জিনিয়ারদের সামান্য সহকারে অনুমতি দেয়। গ্রাফ এমএল দক্ষতা তাদের টাস্কের জন্য বিভিন্ন মডেল সমাধান চেষ্টা করে দেখুন এবং দ্রুত সঠিকটি নির্বাচন করুন। এন্ড-টু-এন্ড ডিস্ট্রিবিউটেড ট্রেনিং এবং ইনফারেন্স পাইপলাইন, যা বিলিয়ন-স্কেল এন্টারপ্রাইজ গ্রাফে স্কেল করে, এটিকে প্রশিক্ষণ, স্থাপন এবং অনুমান চালানো সহজ করে। আপনি যদি সাধারণভাবে GraphStorm বা গ্রাফ ML-এ নতুন হন, তাহলে আপনি পূর্ব-নির্ধারিত মডেল এবং পাইপলাইনগুলি থেকে উপকৃত হবেন। আপনি যদি একজন বিশেষজ্ঞ হন, আপনার কাছে সেরা পারফরম্যান্স পেতে প্রশিক্ষণ পাইপলাইন এবং মডেল আর্কিটেকচার টিউন করার সমস্ত বিকল্প রয়েছে। GraphStorm DGL-এর উপরে তৈরি করা হয়েছে, GNN মডেল তৈরির জন্য একটি ব্যাপক জনপ্রিয় ফ্রেমওয়ার্ক, এবং Apache v2.0 লাইসেন্সের অধীনে ওপেন-সোর্স কোড হিসাবে উপলব্ধ।
অ্যামাজন এআই/এমএল গবেষণার সিনিয়র প্রিন্সিপাল সায়েন্টিস্ট জর্জ ক্যারিপিস বলেছেন, “গ্রাফস্টর্মকে গ্রাফ এমএল গ্রহণকে ত্বরান্বিত করার জন্য শিল্প অ্যাপ্লিকেশনের জন্য গ্রাহকদের গ্রাফ এমএল পদ্ধতিগুলি পরীক্ষা এবং কার্যকর করতে সাহায্য করার জন্য ডিজাইন করা হয়েছে৷ "আমাজনের অভ্যন্তরে এটি প্রকাশের পর থেকে, গ্রাফস্টর্ম গ্রাফ এমএল-ভিত্তিক সমাধানগুলি তৈরি করার প্রচেষ্টাকে পাঁচ গুণ পর্যন্ত কমিয়ে দিয়েছে।"
"গ্রাফস্টর্ম আমাদের দলকে 288 মিলিয়ন নোড এবং 2 বিলিয়ন প্রান্ত সহ একটি গ্রাফে একটি স্ব-তত্ত্বাবধানে GNN এম্বেডিংকে প্রশিক্ষণ দিতে সক্ষম করে," বলেছেন হাইনিং ইউ, অ্যামাজন পরিমাপ, অ্যাড টেক এবং ডেটা সায়েন্সের প্রধান ফলিত বিজ্ঞানী৷ "প্রাক-প্রশিক্ষিত GNN এম্বেডিংগুলি একটি অত্যাধুনিক BERT-ভিত্তিক বেসলাইনের তুলনায় ক্রেতাদের কার্যকলাপের পূর্বাভাস কার্যে 24% উন্নতি দেখায়; এটি অন্যান্য বিজ্ঞাপন অ্যাপ্লিকেশনে বেঞ্চমার্ক পারফরম্যান্সকেও ছাড়িয়ে যায়।"
আমাজন নেপচুন এবং অ্যামাজন টাইমস্ট্রিমের জিএম ব্র্যাড বেবি বলেছেন, "গ্রাফস্টর্মের আগে, গ্রাহকরা 500 মিলিয়ন প্রান্তের গ্রাফগুলি পরিচালনা করার জন্য কেবল উল্লম্বভাবে স্কেল করতে পারতেন।" "গ্রাফস্টর্ম গ্রাহকদের কোটি কোটি প্রান্তের বিশাল আমাজন নেপচুন গ্রাফগুলিতে GNN মডেল প্রশিক্ষণ স্কেল করতে সক্ষম করে।"
গ্রাফস্টর্ম প্রযুক্তিগত আর্কিটেকচার
নিচের চিত্রটি গ্রাফস্টর্মের প্রযুক্তিগত স্থাপত্য দেখায়।
গ্রাফস্টর্ম পাইটর্চের উপরে তৈরি করা হয়েছে এবং এটি একটি একক GPU, একাধিক GPU এবং একাধিক GPU মেশিনে চলতে পারে। এটি তিনটি স্তর নিয়ে গঠিত (পূর্ববর্তী চিত্রে হলুদ বাক্সে চিহ্নিত):
- নীচের স্তর (জেলা গ্রাফ ইঞ্জিন) - নীচের স্তরটি বিতরণ করা গ্রাফ এমএল সক্ষম করতে মৌলিক উপাদানগুলি সরবরাহ করে, যার মধ্যে বিতরণ করা গ্রাফ, বিতরণ করা টেনসর, বিতরণ করা এমবেডিং এবং বিতরণ করা নমুনা রয়েছে৷ গ্রাফস্টর্ম বিলিয়ন-নোড গ্রাফে গ্রাফ এমএল প্রশিক্ষণ স্কেল করার জন্য এই উপাদানগুলির দক্ষ বাস্তবায়ন প্রদান করে।
- মধ্য স্তর (জিএস প্রশিক্ষণ/অনুমান পাইপলাইন) - মধ্যম স্তরটি অন্তর্নির্মিত মডেল এবং আপনার কাস্টম মডেল উভয়ের জন্য মডেল প্রশিক্ষণ এবং অনুমান সহজ করার জন্য প্রশিক্ষক, মূল্যায়নকারী এবং ভবিষ্যদ্বাণী প্রদান করে। মূলত, এই স্তরের API ব্যবহার করে, আপনি মডেল প্রশিক্ষণ কিভাবে স্কেল করতে হবে তা নিয়ে চিন্তা না করে মডেল উন্নয়নে ফোকাস করতে পারেন।
- শীর্ষ স্তর (জিএস সাধারণ মডেল চিড়িয়াখানা) - উপরের স্তরটি হল একটি মডেল চিড়িয়াখানা যেখানে জনপ্রিয় GNN এবং নন-GNN মডেলগুলি বিভিন্ন গ্রাফ প্রকারের জন্য। এই লেখার মতো, এটি ভিন্নধর্মী গ্রাফের জন্য RGCN, RGAT, এবং HGT এবং পাঠ্য গ্রাফের জন্য BERTGNN প্রদান করে। ভবিষ্যতে, আমরা টেম্পোরাল গ্রাফ মডেলের জন্য সমর্থন যোগ করব যেমন টেম্পোরাল গ্রাফের জন্য TGAT এর পাশাপাশি জ্ঞান গ্রাফের জন্য TransE এবং DistMult।
কিভাবে GraphStorm ব্যবহার করবেন
GraphStorm ইনস্টল করার পরে, আপনার অ্যাপ্লিকেশনের জন্য GML মডেল তৈরি এবং প্রশিক্ষণের জন্য আপনাকে শুধুমাত্র তিনটি ধাপের প্রয়োজন।
প্রথমে, আপনি আপনার ডেটা (সম্ভাব্যভাবে আপনার কাস্টম বৈশিষ্ট্য ইঞ্জিনিয়ারিং সহ) প্রিপ্রসেস করুন এবং গ্রাফস্টর্মের জন্য প্রয়োজনীয় একটি টেবিল বিন্যাসে রূপান্তর করুন। প্রতিটি নোডের প্রকারের জন্য, আপনি একটি টেবিল সংজ্ঞায়িত করেন যা সেই ধরণের সমস্ত নোড এবং তাদের বৈশিষ্ট্যগুলি তালিকাভুক্ত করে, প্রতিটি নোডের জন্য একটি অনন্য ID প্রদান করে। প্রতিটি প্রান্ত প্রকারের জন্য, আপনি একইভাবে একটি সারণী সংজ্ঞায়িত করেন যেখানে প্রতিটি সারিতে সেই ধরণের একটি প্রান্তের জন্য উৎস এবং গন্তব্য নোড আইডি রয়েছে (আরো তথ্যের জন্য, দেখুন আপনার নিজস্ব ডেটা টিউটোরিয়াল ব্যবহার করুন) উপরন্তু, আপনি একটি JSON ফাইল প্রদান করেন যা সামগ্রিক গ্রাফ গঠন বর্ণনা করে।
দ্বিতীয়ত, কমান্ড লাইন ইন্টারফেসের (সিএলআই) মাধ্যমে, আপনি গ্রাফস্টর্মের অন্তর্নির্মিত ব্যবহার করেন construct_graph
কিছু GraphStorm-নির্দিষ্ট ডেটা প্রক্রিয়াকরণের জন্য উপাদান, যা দক্ষ বিতরণ প্রশিক্ষণ এবং অনুমান সক্ষম করে।
তৃতীয়, আপনি একটি YAML ফাইলে মডেল এবং প্রশিক্ষণ কনফিগার করুন (উদাহরণ) এবং, আবার CLI ব্যবহার করে, পাঁচটি অন্তর্নির্মিত উপাদানগুলির মধ্যে একটি আহ্বান করুন (gs_node_classification
, gs_node_regression
, gs_edge_classification
, gs_edge_regression
, gs_link_prediction
) মডেল প্রশিক্ষণের জন্য প্রশিক্ষণ পাইপলাইন হিসাবে। এই পদক্ষেপের ফলে প্রশিক্ষিত মডেলের শিল্পকর্ম পাওয়া যায়। অনুমান করতে, অনুমান ডেটাকে একই গ্রাফস্টর্ম উপাদান ব্যবহার করে একটি গ্রাফে রূপান্তর করার জন্য আপনাকে প্রথম দুটি ধাপ পুনরাবৃত্তি করতে হবে (construct_graph
) পূর্বের মত.
অবশেষে, আপনি পাঁচটি অন্তর্নির্মিত উপাদানগুলির মধ্যে একটিকে আহ্বান করতে পারেন, যেটি মডেল প্রশিক্ষণের জন্য ব্যবহৃত হয়েছিল, এমবেডিং বা পূর্বাভাস ফলাফল তৈরি করতে একটি অনুমান পাইপলাইন হিসাবে।
সামগ্রিক প্রবাহ এছাড়াও নিম্নলিখিত চিত্রে চিত্রিত করা হয়েছে.
নিম্নলিখিত বিভাগে, আমরা একটি উদাহরণ ব্যবহার ক্ষেত্রে প্রদান.
কাঁচা OAG ডেটাতে ভবিষ্যদ্বাণী করুন
এই পোস্টের জন্য, আমরা দেখাই যে গ্রাফস্টর্ম কত সহজে গ্রাফ এমএল প্রশিক্ষণ এবং একটি বড় কাঁচা ডেটাসেটের অনুমান সক্ষম করতে পারে। দ্য একাডেমিক গ্রাফ খুলুন (ওএজি) পাঁচটি সত্তা (কাগজপত্র, লেখক, স্থান, অধিভুক্তি এবং অধ্যয়নের ক্ষেত্র) রয়েছে। কাঁচা ডেটাসেট JSON ফাইলে 500 GB-এর বেশি সংরক্ষিত হয়।
আমাদের কাজ হল একটি কাগজের অধ্যয়নের ক্ষেত্রে ভবিষ্যদ্বাণী করার জন্য একটি মডেল তৈরি করা। অধ্যয়নের ক্ষেত্রের ভবিষ্যদ্বাণী করার জন্য, আপনি এটিকে একটি মাল্টি-লেবেল শ্রেণীবিভাগের কাজ হিসাবে প্রণয়ন করতে পারেন, তবে লেবেলগুলি সংরক্ষণ করতে এক-হট এনকোডিং ব্যবহার করা কঠিন কারণ সেখানে কয়েক হাজার ক্ষেত্র রয়েছে৷ অতএব, আপনার অধ্যয়নের নোডের ক্ষেত্র তৈরি করা উচিত এবং এই সমস্যাটিকে একটি লিঙ্ক ভবিষ্যদ্বাণী কাজ হিসাবে প্রণয়ন করা উচিত, ভবিষ্যদ্বাণী করা যে অধ্যয়নের নোডের কোন ক্ষেত্রে একটি পেপার নোড সংযুক্ত হবে।
একটি গ্রাফ পদ্ধতির সাথে এই ডেটাসেটটিকে মডেল করার জন্য, প্রথম ধাপ হল ডেটাসেট প্রক্রিয়া করা এবং সত্তা এবং প্রান্তগুলি বের করা৷ নিচের চিত্রে দেখানো একটি গ্রাফ সংজ্ঞায়িত করতে আপনি JSON ফাইল থেকে পাঁচ ধরনের প্রান্ত বের করতে পারেন। আপনি গ্রাফস্টর্মে জুপিটার নোটবুক ব্যবহার করতে পারেন উদাহরণ কোড ডেটাসেট প্রক্রিয়া করতে এবং প্রতিটি সত্তা টাইপের জন্য পাঁচটি সত্তা টেবিল এবং প্রতিটি প্রান্তের প্রকারের জন্য পাঁচটি এজ টেবিল তৈরি করতে। জুপিটার নোটবুক টেক্সট ডেটা সহ সত্তাগুলিতে BERT এম্বেডিং তৈরি করে, যেমন কাগজপত্র।
সত্তাগুলির মধ্যে সত্তা এবং প্রান্তগুলি সংজ্ঞায়িত করার পরে, আপনি তৈরি করতে পারেন mag_bert.json
, যা গ্রাফ স্কিমা সংজ্ঞায়িত করে এবং অন্তর্নির্মিত গ্রাফ নির্মাণ পাইপলাইন আহ্বান করে construct_graph
গ্রাফ তৈরি করতে গ্রাফস্টর্মে (নিম্নলিখিত কোডটি দেখুন)। যদিও গ্রাফস্টর্ম গ্রাফ নির্মাণ পাইপলাইন একটি একক মেশিনে চলে, এটি সমান্তরালভাবে নোড এবং প্রান্ত বৈশিষ্ট্যগুলি প্রক্রিয়া করার জন্য মাল্টি-প্রসেসিং সমর্থন করে (--num_processes
) এবং বহিরাগত মেমরিতে সত্তা এবং প্রান্ত বৈশিষ্ট্য সংরক্ষণ করতে পারে (--ext-mem-workspace
) বড় ডেটাসেটে স্কেল করতে।
এত বড় গ্রাফ প্রক্রিয়া করার জন্য, গ্রাফটি তৈরি করতে আপনার একটি বড়-মেমরির CPU দৃষ্টান্ত প্রয়োজন। আপনি একটি ব্যবহার করতে পারেন অ্যামাজন ইলাস্টিক কম্পিউট ক্লাউড (Amazon EC2) r6id.32x বড় উদাহরণ (128 vCPU এবং 1 TB RAM) বা r6a.48x বড় উদাহরণ (192 vCPU এবং 1.5 TB RAM) OAG গ্রাফ তৈরি করতে।
একটি গ্রাফ নির্মাণের পরে, আপনি ব্যবহার করতে পারেন gs_link_prediction
চারটি g5.48x বড় দৃষ্টান্তে একটি লিঙ্ক ভবিষ্যদ্বাণী মডেল প্রশিক্ষণের জন্য। অন্তর্নির্মিত মডেলগুলি ব্যবহার করার সময়, আপনি বিতরণ করা প্রশিক্ষণ কাজটি চালু করতে শুধুমাত্র একটি কমান্ড লাইন আহ্বান করেন। নিম্নলিখিত কোড দেখুন:
মডেল প্রশিক্ষণের পরে, মডেল আর্টিফ্যাক্ট ফোল্ডারে সংরক্ষণ করা হয় /data/mag_lp_model
.
এখন আপনি GNN এম্বেডিং তৈরি করতে এবং মডেলের কার্যকারিতা মূল্যায়ন করতে লিঙ্ক পূর্বাভাস অনুমান চালাতে পারেন। গ্রাফস্টর্ম মডেল কর্মক্ষমতা মূল্যায়ন করার জন্য একাধিক অন্তর্নির্মিত মূল্যায়ন মেট্রিক প্রদান করে। লিঙ্ক পূর্বাভাস সমস্যার জন্য, উদাহরণস্বরূপ, গ্রাফস্টর্ম স্বয়ংক্রিয়ভাবে মেট্রিক গড় পারস্পরিক র্যাঙ্ক (MRR) আউটপুট করে। MRR হল গ্রাফ লিঙ্কের পূর্বাভাস মডেলের মূল্যায়ন করার জন্য একটি মূল্যবান মেট্রিক কারণ এটি মূল্যায়ন করে যে প্রকৃত লিঙ্কগুলি পূর্বাভাসিত লিঙ্কগুলির মধ্যে কতটা উচ্চ র্যাঙ্ক করা হয়েছে। এটি ভবিষ্যদ্বাণীর গুণমান ক্যাপচার করে, নিশ্চিত করে যে আমাদের মডেল সঠিকভাবে সত্য সংযোগকে অগ্রাধিকার দেয়, যা এখানে আমাদের উদ্দেশ্য।
আপনি নিম্নলিখিত কোডে দেখানো হিসাবে একটি কমান্ড লাইন দিয়ে অনুমান চালাতে পারেন। এই ক্ষেত্রে, নির্মিত গ্রাফের পরীক্ষা সেটে মডেলটি 0.31 এর MRR-এ পৌঁছে।
নোট করুন যে অনুমান পাইপলাইন লিঙ্ক পূর্বাভাস মডেল থেকে এমবেডিং তৈরি করে। কোনো প্রদত্ত কাগজের জন্য অধ্যয়নের ক্ষেত্র খুঁজে বের করার সমস্যা সমাধান করতে, কেবল এমবেডিংগুলিতে একটি কে-নিকটবর্তী প্রতিবেশী অনুসন্ধান করুন৷
উপসংহার
GraphStorm হল একটি নতুন গ্রাফ এমএল ফ্রেমওয়ার্ক যা শিল্প গ্রাফে গ্রাফ এমএল মডেল তৈরি, প্রশিক্ষণ এবং স্থাপন করা সহজ করে তোলে। এটি স্কেলেবিলিটি এবং ব্যবহারযোগ্যতা সহ গ্রাফ এমএল-এর কিছু মূল চ্যালেঞ্জের সমাধান করে। এটি কাঁচা ইনপুট ডেটা থেকে মডেল প্রশিক্ষণ এবং মডেল ইনফরেন্স পর্যন্ত বিলিয়ন-স্কেল গ্রাফগুলি প্রক্রিয়া করার জন্য অন্তর্নির্মিত উপাদানগুলি সরবরাহ করে এবং বিভিন্ন অ্যাপ্লিকেশনগুলিতে অত্যাধুনিক গ্রাফ এমএল মডেলগুলিকে প্রশিক্ষণ দিতে একাধিক অ্যামাজন দলকে সক্ষম করেছে৷ আমাদের চেক আউট GitHub সংগ্রহস্থল আরও তথ্যের জন্য.
লেখক সম্পর্কে
দা ঝেং তিনি AWS AI/ML গবেষণার একজন প্রবীণ ফলিত বিজ্ঞানী যিনি গ্রাফ মেশিন লার্নিংকে উৎপাদনে রাখার জন্য কৌশল এবং কাঠামো তৈরি করতে একটি গ্রাফ মেশিন লার্নিং দলকে নেতৃত্ব দিচ্ছেন। দা জনস হপকিন্স ইউনিভার্সিটি থেকে কম্পিউটার সায়েন্সে পিএইচডি করেন।
ফ্লোরিয়ান সাউপ AWS AI/ML গবেষণার একজন প্রিন্সিপাল টেকনিক্যাল প্রোডাক্ট ম্যানেজার যিনি গ্রাফ মেশিন লার্নিং গ্রুপের মতো উন্নত বিজ্ঞান দলকে সমর্থন করে এবং ML ক্ষমতা সহ Amazon DataZone-এর মতো পণ্যগুলিকে উন্নত করে৷ AWS-এ যোগদানের আগে, Bosch-এ স্বয়ংক্রিয় ড্রাইভিং-এর জন্য ফ্লোরিয়ান লিড টেকনিক্যাল প্রোডাক্ট ম্যানেজমেন্ট, ম্যাককিনসে অ্যান্ড কোম্পানিতে একজন কৌশল পরামর্শদাতা ছিলেন এবং একজন কন্ট্রোল সিস্টেম/রোবোটিক্স সায়েন্টিস্ট হিসেবে কাজ করতেন – একটি ক্ষেত্র যেখানে তিনি পিএইচডি ধারণ করেছিলেন।
- এসইও চালিত বিষয়বস্তু এবং পিআর বিতরণ। আজই পরিবর্ধিত পান।
- ইভিএম ফাইন্যান্স। বিকেন্দ্রীভূত অর্থের জন্য ইউনিফাইড ইন্টারফেস। এখানে প্রবেশ করুন.
- কোয়ান্টাম মিডিয়া গ্রুপ। IR/PR প্রশস্ত। এখানে প্রবেশ করুন.
- প্লেটোএআইস্ট্রিম। Web3 ডেটা ইন্টেলিজেন্স। জ্ঞান প্রসারিত. এখানে প্রবেশ করুন.
- উত্স: https://aws.amazon.com/blogs/machine-learning/fast-track-graph-ml-with-graphstorm-a-new-way-to-solve-problems-on-enterprise-scale-graphs/
- : আছে
- : হয়
- $ ইউপি
- 1
- 1 টিবি
- 100
- 16
- 31
- 500
- 7
- 8
- 9
- a
- সক্ষম
- সম্পর্কে
- একাডেমিক
- দ্রুততর করা
- হিসাব
- সঠিকতা
- কার্যকলাপ
- আসল
- Ad
- যোগ
- যোগ
- ঠিকানাগুলি
- গ্রহণ
- আপনার নিকটস্থ বিজ্ঞাপন !
- অগ্রসর
- অনুমোদিত
- পর
- আবার
- এআই / এমএল
- সতর্ক
- আলগোরিদিম
- সব
- অনুমতি
- অনুমতি
- এছাড়াও
- মর্দানী স্ত্রীলোক
- আমাজন EC2
- আমাজন নেপচুন
- আমাজন টাইমস্ট্রিম
- অ্যামাজন ওয়েব সার্ভিসেস
- Amazon.com
- মধ্যে
- an
- বিশ্লেষণ
- এবং
- ঘোষণা করা
- প্রত্যাশিত
- কোন
- এ্যাপাচি
- API
- আবেদন
- অ্যাপ্লিকেশন
- ফলিত
- স্থাপত্য
- রয়েছি
- AS
- এসোসিয়েশন
- At
- মনোযোগ
- বৈশিষ্ট্যাবলী
- লেখক
- অটোমেটেড
- স্বয়ংক্রিয়ভাবে
- সহজলভ্য
- ডেস্কটপ AWS
- ভিত্তি
- বেসলাইন
- মৌলিক
- মূলত
- BE
- কারণ
- হয়েছে
- আগে
- উচ্চতার চিহ্ন
- সুবিধা
- সর্বোত্তম
- মধ্যে
- বিলিয়ন
- কোটি কোটি
- উভয়
- পাদ
- বক্স
- সরু চেপটা পেরেক-বিশেষ
- আনা
- নির্মাণ করা
- নির্মিত
- বিল্ট-ইন
- ব্যবসায়
- কিন্তু
- by
- CAN
- ক্ষমতা
- ক্যাচ
- ক্যাপচার
- কেস
- চেইন
- চ্যালেঞ্জ
- চ্যালেঞ্জিং
- চেক
- শ্রেণীবিন্যাস
- কোড
- সংগ্রহ
- এর COM
- সম্প্রদায়
- কোম্পানি
- জটিল
- জটিলতা
- উপাদান
- উপাদান
- গনা
- কম্পিউটার
- কম্পিউটার বিজ্ঞান
- সংযোগ করা
- সংযোগ
- গঠিত
- গঠন করা
- নির্মাতা
- নির্মাণ
- পরামর্শকারী
- ধারণ
- নিয়ন্ত্রণ
- পারা
- কভারেজ
- সৃষ্টি
- প্রথা
- ক্রেতা
- গ্রাহকদের
- da
- উপাত্ত
- তথ্য প্রক্রিয়াজাতকরণ
- তথ্য বিজ্ঞান
- ডেটাসেট
- দিন
- গভীর
- সংজ্ঞায়িত
- সংজ্ঞা
- প্রদর্শন
- স্থাপন
- মোতায়েন
- পরিকল্পিত
- গন্তব্য
- সনাক্তকরণ
- বিকাশ
- উন্নয়নশীল
- উন্নয়ন
- ডিজিএল
- বিভিন্ন
- কঠিন
- সরাসরি
- বণ্টিত
- বিতরণ করা প্রশিক্ষণ
- do
- না
- ডোমেইনের
- ডজন
- পরিচালনা
- কারণে
- প্রতি
- সহজে
- সহজ
- প্রান্ত
- কার্যকর
- দক্ষ
- প্রচেষ্টা
- এম্বেড করা
- এম্বেডিং
- শিরীষের গুঁড়ো
- সক্ষম করা
- সক্ষম করা
- সম্ভব
- সর্বশেষ সীমা
- প্রকৌশল
- প্রকৌশলী
- উন্নত করা
- উদ্যোগ
- সত্ত্বা
- সত্তা
- মূল্যায়ন
- মূল্যায়নের
- মূল্যায়ন
- এমন কি
- উদাহরণ
- অতিক্রম করে
- উত্তেজিত
- পরীক্ষা
- ক্যান্সার
- ল্যাপারোস্কোপিক পদ্ধতি
- বহিরাগত
- নির্যাস
- বৈশিষ্ট্য
- বৈশিষ্ট্য
- ক্ষেত্র
- ক্ষেত্রসমূহ
- ব্যক্তিত্ব
- ফাইল
- নথি পত্র
- পরিশেষে
- আবিষ্কার
- প্রথম
- প্রবাহ
- কেন্দ্রবিন্দু
- অনুসরণ
- জন্য
- বিন্যাস
- চার
- ফ্রেমওয়ার্ক
- অবকাঠামো
- প্রতারণা
- জালিয়াতি সনাক্তকরণ
- থেকে
- ভবিষ্যৎ
- সাধারণ
- উত্পাদন করা
- উত্পন্ন
- জর্জ
- পাওয়া
- GitHub
- প্রদত্ত
- GM
- জিপিইউ
- জিপিইউ
- চিত্রলেখ
- গ্রাফ
- গ্রুপ
- হাতল
- কঠিন
- আছে
- he
- সাহায্য
- এখানে
- উচ্চ
- অত্যন্ত
- তার
- ঝুলিতে
- কিভাবে
- কত উঁচু
- কিভাবে
- HTTP
- HTTPS দ্বারা
- শত শত
- ID
- আইডি
- if
- গুরুত্বপূর্ণ
- উন্নত করা
- উন্নতি
- উন্নতি
- in
- অন্যান্য
- সুদ্ধ
- শিল্প
- তথ্য
- মজ্জাগতভাবে
- ইনপুট
- ইনস্টল করার
- উদাহরণ
- পরিবর্তে
- বুদ্ধিমত্তা
- পারস্পরিক ক্রিয়ার
- ইন্টারফেস
- অন্ত
- মধ্যে
- ভূমিকা
- IT
- এর
- কাজ
- জনস হপকিন্স বিশ্ববিদ্যালয়
- যোগদান
- JPG
- JSON
- মাত্র
- চাবি
- জ্ঞান
- পরিচিত
- লেবেলগুলি
- বড়
- বড় আকারের
- শুরু করা
- চালু করা
- স্তর
- স্তর
- নেতৃত্ব
- নেতৃত্ব
- শিখতে
- শিক্ষা
- লাইব্রেরি
- লাইসেন্স
- মত
- সম্ভবত
- লাইন
- LINK
- লিঙ্ক
- পাখি
- সামান্য
- মেশিন
- মেশিন লার্নিং
- মেশিন
- সাময়িক পত্রিকা
- করা
- তৈরি করে
- মেকিং
- ব্যবস্থাপনা
- পরিচালক
- পদ্ধতি
- অনেক
- চিহ্নিত
- বৃহদায়তন
- ম্যাকিনজি
- ম্যাককিনজি অ্যান্ড কোম্পানি
- গড়
- মাপা
- স্মৃতি
- পদ্ধতি
- পদ্ধতি
- ছন্দোময়
- ছন্দোবিজ্ঞান
- মধ্যম
- মিলিয়ন
- ML
- মডেল
- মডেল
- মাসের
- অধিক
- সেতু
- বহু
- স্থানীয়
- প্রয়োজন
- নেপচুন
- নেটওয়ার্ক
- নেটওয়ার্ক
- নিউরাল নেটওয়ার্ক
- নতুন
- নোড
- নোড
- নোটবই
- এখন
- উদ্দেশ্য
- of
- অফার
- on
- ONE
- কেবল
- ওপেন সোর্স
- ওপেন সোর্স কোড
- অপারেটিং
- সর্বোচ্চকরন
- অপশন সমূহ
- or
- অন্যান্য
- আমাদের
- বাইরে
- শেষ
- সামগ্রিক
- নিজের
- কাগজ
- কাগজপত্র
- সমান্তরাল
- সম্পাদন করা
- কর্মক্ষমতা
- বাছাই
- পাইপলাইন
- Plato
- প্লেটো ডেটা ইন্টেলিজেন্স
- প্লেটোডাটা
- জনপ্রিয়
- পোস্ট
- সম্ভাব্য
- ভবিষ্যদ্বাণী করা
- পূর্বাভাস
- পূর্বাভাসের
- ভবিষ্যদ্বাণী
- ভবিষ্যতবাণী
- পছন্দগুলি
- পূর্বে
- অধ্যক্ষ
- সমস্যা
- সমস্যা
- প্রক্রিয়া
- প্রক্রিয়াজাতকরণ
- পণ্য
- পণ্য ব্যবস্থাপনা
- পণ্য ব্যবস্থাপক
- উত্পাদনের
- পণ্য
- প্রমাণিত
- প্রদান
- উপলব্ধ
- প্রদানের
- করা
- পাইটার্চ
- গুণ
- দ্রুত
- র্যাম
- স্থান
- কাঁচা
- নাগাল
- ছুঁয়েছে
- বাস্তব জগতে
- সুপারিশ
- হ্রাসপ্রাপ্ত
- সম্পর্ক
- মুক্তি
- পুনরাবৃত্তি
- প্রয়োজন
- প্রয়োজনীয়
- প্রয়োজন
- গবেষণা
- ফলাফল
- অধিকার
- ঝুঁকি
- নিয়মিতভাবে
- সারিটি
- চালান
- একই
- বলেছেন
- স্কেলেবিলিটি
- স্কেল
- পরিস্থিতিতে
- বিজ্ঞান
- বিজ্ঞানী
- বিজ্ঞানীরা
- সার্চ
- অধ্যায়
- দেখ
- জ্যেষ্ঠ
- সেবা
- সেবা
- সেট
- উচিত
- প্রদর্শনী
- প্রদর্শিত
- শো
- একভাবে
- সহজতর করা
- কেবল
- একক
- আয়তন
- সামাজিক
- সামাজিক যোগাযোগ মাধ্যম
- সলিউশন
- সমাধান
- কিছু
- উৎস
- রাষ্ট্র-এর-শিল্প
- ধাপ
- প্রারম্ভিক ব্যবহারের নির্দেশাবলী
- স্টোরেজ
- দোকান
- সঞ্চিত
- কৌশল
- গঠন
- অধ্যয়ন
- এমন
- সরবরাহ
- সরবারহ শৃঙ্খল
- সমর্থন
- সমর্থক
- সমর্থন
- টেবিল
- গ্রহণ করা
- লাগে
- কার্য
- টীম
- দল
- প্রযুক্তি
- কারিগরী
- প্রযুক্তি
- দশ
- পরীক্ষা
- যে
- সার্জারির
- ভবিষ্যৎ
- গ্রাফ
- উৎস
- তাদের
- সেখানে।
- অতএব
- এইগুলো
- তারা
- মনে
- এই
- যদিও?
- হাজার হাজার
- হুমকি
- তিন
- বার
- থেকে
- সরঞ্জাম
- শীর্ষ
- ট্রাফিক
- রেলগাড়ি
- প্রশিক্ষিত
- প্রশিক্ষণ
- লেনদেন
- রুপান্তর
- ট্রান্সফরমার
- সত্য
- চেষ্টা
- দুই
- আদর্শ
- ধরনের
- অধীনে
- অনন্য
- বিশ্ববিদ্যালয়
- ব্যবহারযোগ্যতা
- ব্যবহার
- ব্যবহার ক্ষেত্রে
- ব্যবহৃত
- ব্যবহারসমূহ
- ব্যবহার
- দামি
- বিভিন্ন
- ঘটনাসমূহ
- উল্লম্বভাবে
- মাধ্যমে
- দেখুন
- ছিল
- উপায়..
- we
- ওয়েব
- ওয়েব সার্ভিস
- আমরা একটি
- কখন
- যে
- ব্যাপকভাবে
- ইচ্ছা
- সঙ্গে
- ছাড়া
- কাজ করছে
- লেখা
- ইয়ামল
- আপনি
- আপনার
- zephyrnet
- চিড়িয়াখানা