Είμαστε ενθουσιασμένοι που ανακοινώνουμε την κυκλοφορία ανοιχτού κώδικα του GraphStorm 0.1, ένα πλαίσιο χαμηλού κώδικα μηχανικής εκμάθησης γραφικών επιχειρήσεων (ML) για τη δημιουργία, την εκπαίδευση και την ανάπτυξη λύσεων ML γραφημάτων σε πολύπλοκα γραφήματα εταιρικής κλίμακας σε ημέρες αντί για μήνες. Με το GraphStorm, μπορείτε να δημιουργήσετε λύσεις που λαμβάνουν άμεσα υπόψη τη δομή των σχέσεων ή τις αλληλεπιδράσεις μεταξύ δισεκατομμυρίων οντοτήτων, οι οποίες είναι εγγενώς ενσωματωμένες στα περισσότερα δεδομένα του πραγματικού κόσμου, συμπεριλαμβανομένων των σεναρίων ανίχνευσης απάτης, των συστάσεων, του εντοπισμού κοινότητας και των προβλημάτων αναζήτησης/ανάκτησης.
Μέχρι τώρα, ήταν πολύ δύσκολο να δημιουργήσετε, να εκπαιδεύσετε και να αναπτύξετε λύσεις ML για σύνθετα εταιρικά γραφήματα που έχουν εύκολα δισεκατομμύρια κόμβους, εκατοντάδες δισεκατομμύρια άκρες και δεκάδες χαρακτηριστικά—απλώς σκεφτείτε ένα γράφημα που καταγράφει προϊόντα Amazon.com , χαρακτηριστικά προϊόντος, πελάτες και πολλά άλλα. Με το GraphStorm, κυκλοφορούμε τα εργαλεία που χρησιμοποιεί η Amazon εσωτερικά για να φέρει στην παραγωγή λύσεις ML μεγάλης κλίμακας γραφημάτων. Το GraphStorm δεν απαιτεί να είστε ειδικός στο graph ML και είναι διαθέσιμο με την άδεια Apache v2.0 στο GitHub. Για να μάθετε περισσότερα σχετικά με το GraphStorm, επισκεφτείτε το Αποθετήριο GitHub.
Σε αυτήν την ανάρτηση, παρέχουμε μια εισαγωγή στο GraphStorm, την αρχιτεκτονική του και ένα παράδειγμα χρήσης του τρόπου χρήσης του.
Παρουσιάζουμε το GraphStorm
Οι αλγόριθμοι γραφημάτων και το graph ML αναδεικνύονται ως λύσεις αιχμής για πολλά σημαντικά επιχειρηματικά προβλήματα, όπως η πρόβλεψη κινδύνων συναλλαγών, η πρόβλεψη των προτιμήσεων των πελατών, ο εντοπισμός εισβολών, η βελτιστοποίηση των αλυσίδων εφοδιασμού, η ανάλυση κοινωνικών δικτύων και η πρόβλεψη κίνησης. Για παράδειγμα, Καθήκον Φρουράς Amazon, η εγγενής υπηρεσία εντοπισμού απειλών AWS, χρησιμοποιεί ένα γράφημα με δισεκατομμύρια άκρες για να βελτιώσει την κάλυψη και την ακρίβεια της ευφυΐας απειλών. Αυτό επιτρέπει στο GuardDuty να κατηγοριοποιεί τους τομείς που δεν είχαν δει προηγουμένως ως πολύ πιθανό να είναι κακόβουλοι ή καλοήθεις βάσει της συσχέτισής τους με γνωστούς κακόβουλους τομείς. Χρησιμοποιώντας τα νευρωνικά δίκτυα γραφήματος (GNN), το GuardDuty είναι σε θέση να βελτιώσει την ικανότητά του να ειδοποιεί τους πελάτες.
Ωστόσο, η ανάπτυξη, η κυκλοφορία και η λειτουργία λύσεων ML γραφήματος διαρκεί μήνες και απαιτεί εξειδίκευση σε graph ML. Ως πρώτο βήμα, ένας επιστήμονας ML γραφήματος πρέπει να δημιουργήσει ένα μοντέλο ML γραφήματος για μια δεδομένη περίπτωση χρήσης χρησιμοποιώντας ένα πλαίσιο όπως το Deep Graph Library (DGL). Η εκπαίδευση τέτοιων μοντέλων είναι δύσκολη λόγω του μεγέθους και της πολυπλοκότητας των γραφημάτων σε εταιρικές εφαρμογές, που συνήθως φτάνουν σε δισεκατομμύρια κόμβους, εκατοντάδες δισεκατομμύρια ακμές, διαφορετικούς τύπους κόμβων και ακμών και εκατοντάδες χαρακτηριστικά κόμβων και ακμών. Τα εταιρικά γραφήματα μπορεί να απαιτούν terabytes αποθήκευσης μνήμης, απαιτώντας από τους επιστήμονες της ML για γραφήματα να δημιουργήσουν πολύπλοκους αγωγούς εκπαίδευσης. Τέλος, αφού εκπαιδευτεί ένα μοντέλο, πρέπει να αναπτυχθούν για εξαγωγή συμπερασμάτων, κάτι που απαιτεί αγωγούς συμπερασμάτων που είναι εξίσου δύσκολο να κατασκευαστούν με τους αγωγούς εκπαίδευσης.
Το GraphStorm 0.1 είναι ένα πλαίσιο ML για επιχειρήσεις χαμηλού κώδικα που επιτρέπει στους επαγγελματίες ML να επιλέγουν εύκολα προκαθορισμένα μοντέλα ML γραφημάτων που έχουν αποδειχθεί αποτελεσματικά, να εκτελούν κατανεμημένη εκπαίδευση σε γραφήματα με δισεκατομμύρια κόμβους και να αναπτύσσουν τα μοντέλα στην παραγωγή. Το GraphStorm προσφέρει μια συλλογή από ενσωματωμένα μοντέλα ML γραφημάτων, όπως Συνελικτικά Δίκτυα Σχεσιακών Γραφημάτων (RGCN), Δίκτυα Προσοχής Σχεσιακών Γραφημάτων (RGAT) και Ετερογενή Μετασχηματιστή Γραφημάτων (HGT) για εταιρικές εφαρμογές με ετερογενή γραφήματα, τα οποία επιτρέπουν σε μηχανικούς ML με λίγα γράφουν την τεχνογνωσία ML για να δοκιμάσουν διαφορετικές λύσεις μοντέλων για την εργασία τους και να επιλέξουν γρήγορα τη σωστή. Κατανεμημένες από άκρο σε άκρο αγωγοί εκπαίδευσης και εξαγωγής συμπερασμάτων, οι οποίες κλιμακώνονται σε γραφήματα επιχειρήσεων κλίμακας δισεκατομμυρίων, καθιστούν εύκολη την εκπαίδευση, την ανάπτυξη και την εκτέλεση συμπερασμάτων. Εάν είστε νέοι στο GraphStorm ή στο graph ML γενικά, θα επωφεληθείτε από τα προκαθορισμένα μοντέλα και αγωγούς. Εάν είστε ειδικός, έχετε όλες τις επιλογές για να συντονίσετε τη γραμμή εκπαίδευσης και την αρχιτεκτονική του μοντέλου για να έχετε την καλύτερη απόδοση. Το GraphStorm είναι χτισμένο πάνω από το DGL, ένα ευρέως δημοφιλές πλαίσιο για την ανάπτυξη μοντέλων GNN, και είναι διαθέσιμο ως κώδικας ανοιχτού κώδικα με την άδεια Apache v2.0.
«Το GraphStorm έχει σχεδιαστεί για να βοηθά τους πελάτες να πειραματίζονται και να λειτουργούν μεθόδους γραφικής ML για βιομηχανικές εφαρμογές για να επιταχύνουν την υιοθέτηση του graph ML», λέει ο Γιώργος Καρύπης, Ανώτερος Επιστήμονας στην έρευνα AI/ML της Amazon. «Από την κυκλοφορία του στο Amazon, το GraphStorm μείωσε την προσπάθεια δημιουργίας λύσεων που βασίζονται σε γραφήματα ML έως και πέντε φορές».
«Το GraphStorm δίνει τη δυνατότητα στην ομάδα μας να εκπαιδεύσει την ενσωμάτωση GNN με αυτοεποπτευόμενο τρόπο σε ένα γράφημα με 288 εκατομμύρια κόμβους και 2 δισεκατομμύρια άκρες», λέει ο Haining Yu, Κύριος Εφαρμοσμένος Επιστήμονας στο Amazon Measurement, Ad Tech και Data Science. «Οι προεκπαιδευμένες ενσωματώσεις GNN δείχνουν βελτίωση 24% σε μια εργασία πρόβλεψης δραστηριότητας αγοραστών σε σχέση με μια βασική γραμμή βάσης που βασίζεται στο BERT τελευταίας τεχνολογίας. υπερβαίνει επίσης την απόδοση συγκριτικής αξιολόγησης σε άλλες εφαρμογές διαφημίσεων."
«Πριν από το GraphStorm, οι πελάτες μπορούσαν να κλιμακωθούν μόνο κατακόρυφα για να χειριστούν γραφήματα 500 εκατομμυρίων άκρων», λέει ο Brad Bebee, GM για το Amazon Neptune και το Amazon Timestream. «Το GraphStorm δίνει τη δυνατότητα στους πελάτες να κλιμακώσουν την εκπαίδευση μοντέλων GNN σε τεράστια γραφήματα του Ποσειδώνα του Αμαζονίου με δεκάδες δισεκατομμύρια άκρες».
Τεχνική αρχιτεκτονική GraphStorm
Το παρακάτω σχήμα δείχνει την τεχνική αρχιτεκτονική του GraphStorm.
Το GraphStorm είναι χτισμένο πάνω από το PyTorch και μπορεί να τρέξει σε μία GPU, πολλές GPU και πολλαπλές μηχανές GPU. Αποτελείται από τρία στρώματα (σημειωμένα στα κίτρινα πλαίσια στο προηγούμενο σχήμα):
- Κάτω στρώμα (Dist GraphEngine) – Το κάτω στρώμα παρέχει τα βασικά στοιχεία για την ενεργοποίηση του κατανεμημένου γραφήματος ML, συμπεριλαμβανομένων των κατανεμημένων γραφημάτων, των κατανεμημένων τανυστών, των κατανεμημένων ενσωματώσεων και των κατανεμημένων δειγματοληπτών. Το GraphStorm παρέχει αποτελεσματικές υλοποιήσεις αυτών των στοιχείων για την κλιμάκωση της εκπαίδευσης ML γραφήματος σε γραφήματα δισεκατομμυρίων κόμβων.
- Μεσαίο επίπεδο (αγωγός εκπαίδευσης/συμπερασμάτων GS) – Το μεσαίο επίπεδο παρέχει εκπαιδευτές, αξιολογητές και προγνωστικούς παράγοντες για την απλοποίηση της εκπαίδευσης μοντέλων και των συμπερασμάτων τόσο για τα ενσωματωμένα μοντέλα όσο και για τα προσαρμοσμένα μοντέλα σας. Βασικά, χρησιμοποιώντας το API αυτού του επιπέδου, μπορείτε να εστιάσετε στην ανάπτυξη του μοντέλου χωρίς να ανησυχείτε για το πώς θα κλιμακώσετε την εκπαίδευση του μοντέλου.
- Ανώτερο στρώμα (Γενικό μοντέλο ζωολογικού κήπου GS) – Το ανώτερο στρώμα είναι ένα πρότυπο ζωολογικό κήπο με δημοφιλή μοντέλα GNN και μη GNN για διαφορετικούς τύπους γραφημάτων. Από τη στιγμή που γράφεται αυτό το άρθρο, παρέχει RGCN, RGAT και HGT για ετερογενή γραφήματα και BERTGNN για γραφήματα κειμένου. Στο μέλλον, θα προσθέσουμε υποστήριξη για μοντέλα χρονικών γραφημάτων, όπως το TGAT για χρονικά γραφήματα, καθώς και τα TransE και DistMult για γραφήματα γνώσης.
Πώς να χρησιμοποιήσετε το GraphStorm
Μετά την εγκατάσταση του GraphStorm, χρειάζεστε μόνο τρία βήματα για να δημιουργήσετε και να εκπαιδεύσετε μοντέλα GML για την εφαρμογή σας.
Αρχικά, προεπεξεργάζεστε τα δεδομένα σας (ενδεχομένως συμπεριλαμβανομένης της μηχανικής προσαρμοσμένων χαρακτηριστικών σας) και τα μετατρέπετε σε μορφή πίνακα που απαιτείται από το GraphStorm. Για κάθε τύπο κόμβου, ορίζετε έναν πίνακα που παραθέτει όλους τους κόμβους αυτού του τύπου και τα χαρακτηριστικά τους, παρέχοντας ένα μοναδικό αναγνωριστικό για κάθε κόμβο. Για κάθε τύπο ακμής, ορίζετε ομοίως έναν πίνακα στον οποίο κάθε σειρά περιέχει τα αναγνωριστικά κόμβου προέλευσης και προορισμού για μια άκρη αυτού του τύπου (για περισσότερες πληροφορίες, βλ. Χρησιμοποιήστε το δικό σας σεμινάριο δεδομένων). Επιπλέον, παρέχετε ένα αρχείο JSON που περιγράφει τη συνολική δομή του γραφήματος.
Δεύτερον, μέσω της διεπαφής της γραμμής εντολών (CLI), χρησιμοποιείτε το ενσωματωμένο GraphStorm construct_graph
συστατικό για κάποια επεξεργασία δεδομένων ειδικά για το GraphStorm, που επιτρέπει την αποτελεσματική κατανεμημένη εκπαίδευση και εξαγωγή συμπερασμάτων.
Τρίτον, διαμορφώνετε το μοντέλο και την εκπαίδευση σε ένα αρχείο YAML (παράδειγμα) και, χρησιμοποιώντας ξανά το CLI, καλέστε ένα από τα πέντε ενσωματωμένα στοιχεία (gs_node_classification
, gs_node_regression
, gs_edge_classification
, gs_edge_regression
, gs_link_prediction
) ως αγωγοί εκπαίδευσης για την εκπαίδευση του μοντέλου. Αυτό το βήμα έχει ως αποτέλεσμα τα εκπαιδευμένα τεχνουργήματα του μοντέλου. Για να κάνετε συμπέρασμα, πρέπει να επαναλάβετε τα δύο πρώτα βήματα για να μετατρέψετε τα δεδομένα συμπερασμάτων σε γράφημα χρησιμοποιώντας το ίδιο στοιχείο GraphStorm (construct_graph
) όπως και πριν.
Τέλος, μπορείτε να επικαλέσετε ένα από τα πέντε ενσωματωμένα στοιχεία, τα ίδια που χρησιμοποιήθηκαν για την εκπαίδευση μοντέλων, ως διοχέτευση συμπερασμάτων για τη δημιουργία ενσωματώσεων ή αποτελεσμάτων πρόβλεψης.
Η συνολική ροή απεικονίζεται επίσης στο παρακάτω σχήμα.
Στην επόμενη ενότητα, παρέχουμε ένα παράδειγμα περίπτωσης χρήσης.
Κάντε προβλέψεις για ακατέργαστα δεδομένα OAG
Για αυτήν την ανάρτηση, αποδεικνύουμε πόσο εύκολα το GraphStorm μπορεί να ενεργοποιήσει την εκπαίδευση ML γραφημάτων και τα συμπεράσματα σε ένα μεγάλο ακατέργαστο σύνολο δεδομένων. ο Ανοίξτε το Ακαδημαϊκό Γράφημα (OAG) περιέχει πέντε οντότητες (αναρτήσεις, συγγραφείς, τόποι διεξαγωγής, συνεργασίες και πεδίο σπουδών). Το ακατέργαστο σύνολο δεδομένων αποθηκεύεται σε αρχεία JSON με περισσότερα από 500 GB.
Το καθήκον μας είναι να φτιάξουμε ένα μοντέλο για να προβλέψουμε το πεδίο μελέτης μιας εργασίας. Για να προβλέψετε το πεδίο μελέτης, μπορείτε να το διατυπώσετε ως εργασία ταξινόμησης πολλαπλών ετικετών, αλλά είναι δύσκολο να χρησιμοποιήσετε κωδικοποίηση μίας χρήσης για την αποθήκευση των ετικετών, επειδή υπάρχουν εκατοντάδες χιλιάδες πεδία. Επομένως, θα πρέπει να δημιουργήσετε κόμβους πεδίου μελέτης και να διατυπώσετε αυτό το πρόβλημα ως εργασία πρόβλεψης συνδέσμων, προβλέποντας σε ποιο πεδίο κόμβων μελέτης θα πρέπει να συνδεθεί ένας κόμβος χαρτιού.
Για να μοντελοποιήσετε αυτό το σύνολο δεδομένων με μια μέθοδο γραφήματος, το πρώτο βήμα είναι να επεξεργαστείτε το σύνολο δεδομένων και να εξαγάγετε οντότητες και ακμές. Μπορείτε να εξαγάγετε πέντε τύπους ακμών από τα αρχεία JSON για να ορίσετε ένα γράφημα, που φαίνεται στην παρακάτω εικόνα. Μπορείτε να χρησιμοποιήσετε το σημειωματάριο Jupyter στο GraphStorm παράδειγμα κώδικα για να επεξεργαστεί το σύνολο δεδομένων και να δημιουργήσει πέντε πίνακες οντοτήτων για κάθε τύπο οντότητας και πέντε πίνακες ακμών για κάθε τύπο άκρων. Το σημειωματάριο Jupyter δημιουργεί επίσης ενσωματώσεις BERT στις οντότητες με δεδομένα κειμένου, όπως χαρτιά.
Αφού ορίσετε τις οντότητες και τις άκρες μεταξύ των οντοτήτων, μπορείτε να δημιουργήσετε mag_bert.json
, το οποίο ορίζει το σχήμα του γραφήματος και καλεί τον ενσωματωμένο αγωγό κατασκευής γραφήματος construct_graph
στο GraphStorm για να δημιουργήσετε το γράφημα (δείτε τον παρακάτω κώδικα). Παρόλο που ο αγωγός κατασκευής γραφήματος GraphStorm εκτελείται σε ένα μόνο μηχάνημα, υποστηρίζει πολλαπλή επεξεργασία για την παράλληλη επεξεργασία κόμβων και χαρακτηριστικών ακμών (--num_processes
) και μπορεί να αποθηκεύσει χαρακτηριστικά οντοτήτων και ακμών στην εξωτερική μνήμη (--ext-mem-workspace
) για κλιμάκωση σε μεγάλα σύνολα δεδομένων.
Για να επεξεργαστείτε ένα τόσο μεγάλο γράφημα, χρειάζεστε μια παρουσία CPU μεγάλης μνήμης για να δημιουργήσετε το γράφημα. Μπορείτε να χρησιμοποιήσετε ένα Amazon Elastic Compute Cloud (Amazon EC2) r6id.32xlarge instance (128 vCPU και 1 TB RAM) ή r6a.48x μεγάλες παρουσίες (192 vCPU και 1.5 TB RAM) για την κατασκευή του γραφήματος OAG.
Αφού δημιουργήσετε ένα γράφημα, μπορείτε να χρησιμοποιήσετε gs_link_prediction
για να εκπαιδεύσετε ένα μοντέλο πρόβλεψης συνδέσμων σε τέσσερις g5.48x μεγάλες περιπτώσεις. Όταν χρησιμοποιείτε τα ενσωματωμένα μοντέλα, καλείτε μόνο μία γραμμή εντολών για να ξεκινήσετε την εργασία κατανεμημένης εκπαίδευσης. Δείτε τον παρακάτω κώδικα:
Μετά την εκπαίδευση του μοντέλου, το τεχνούργημα του μοντέλου αποθηκεύεται στο φάκελο /data/mag_lp_model
.
Τώρα μπορείτε να εκτελέσετε το συμπέρασμα πρόβλεψης συνδέσμων για να δημιουργήσετε ενσωματώσεις GNN και να αξιολογήσετε την απόδοση του μοντέλου. Το GraphStorm παρέχει πολλαπλές ενσωματωμένες μετρήσεις αξιολόγησης για την αξιολόγηση της απόδοσης του μοντέλου. Για προβλήματα πρόβλεψης συνδέσμων, για παράδειγμα, το GraphStorm εξάγει αυτόματα τη μετρική μέση αμοιβαία κατάταξη (MRR). Το MRR είναι μια πολύτιμη μέτρηση για την αξιολόγηση μοντέλων πρόβλεψης συνδέσμων γραφήματος, επειδή αξιολογεί πόσο ψηλά κατατάσσονται οι πραγματικοί σύνδεσμοι μεταξύ των προβλεπόμενων συνδέσμων. Αυτό αποτυπώνει την ποιότητα των προβλέψεων, διασφαλίζοντας ότι το μοντέλο μας ιεραρχεί σωστά τις αληθινές συνδέσεις, που είναι ο στόχος μας εδώ.
Μπορείτε να εκτελέσετε συμπέρασμα με μία γραμμή εντολών, όπως φαίνεται στον παρακάτω κώδικα. Σε αυτή την περίπτωση, το μοντέλο φτάνει σε MRR 0.31 στο σύνολο δοκιμής του κατασκευασμένου γραφήματος.
Σημειώστε ότι η διοχέτευση συμπερασμάτων δημιουργεί ενσωματώσεις από το μοντέλο πρόβλεψης συνδέσμων. Για να λύσετε το πρόβλημα της εύρεσης του πεδίου μελέτης για κάθε δεδομένο χαρτί, απλώς εκτελέστε μια αναζήτηση k-πλησιέστερου γείτονα στις ενσωματώσεις.
Συμπέρασμα
Το GraphStorm είναι ένα νέο πλαίσιο ML γραφήματος που διευκολύνει τη δημιουργία, την εκπαίδευση και την ανάπτυξη μοντέλων ML γραφημάτων σε γραφήματα βιομηχανίας. Αντιμετωπίζει ορισμένες βασικές προκλήσεις στο γράφημα ML, συμπεριλαμβανομένης της επεκτασιμότητας και της χρηστικότητας. Παρέχει ενσωματωμένα στοιχεία για την επεξεργασία γραφημάτων δισεκατομμυρίων κλίμακας από ακατέργαστα δεδομένα εισόδου έως εκπαίδευση μοντέλων και εξαγωγή μοντέλων και έχει επιτρέψει σε πολλές ομάδες της Amazon να εκπαιδεύουν μοντέλα ML γραφημάτων τελευταίας τεχνολογίας σε διάφορες εφαρμογές. Ρίξτε μια ματιά στο δικό μας Αποθετήριο GitHub Για περισσότερες πληροφορίες.
Σχετικά με τους Συγγραφείς
Ντα Ζενγκ είναι ανώτερος εφαρμοσμένος επιστήμονας στην έρευνα AWS AI/ML που ηγείται μιας ομάδας μηχανικής εκμάθησης γραφημάτων για την ανάπτυξη τεχνικών και πλαισίων για να τεθεί η μηχανική μάθηση γραφημάτων στην παραγωγή. Ο Ντα πήρε το διδακτορικό του στην επιστήμη των υπολογιστών από το Πανεπιστήμιο Johns Hopkins.
Florian Saupe είναι Κύριος Τεχνικός Διευθυντής Προϊόντων στην έρευνα AWS AI/ML που υποστηρίζει προηγμένες επιστημονικές ομάδες όπως η ομάδα μηχανικής εκμάθησης γραφημάτων και βελτιώνει προϊόντα όπως το Amazon DataZone με δυνατότητες ML. Πριν ενταχθεί στην AWS, ο Florian κορυφαίος τεχνικός διαχείρισης προϊόντων για την αυτοματοποιημένη οδήγηση στη Bosch, ήταν σύμβουλος στρατηγικής στην McKinsey & Company και εργάστηκε ως επιστήμονας συστημάτων ελέγχου/ρομποτικής – τομέας στον οποίο είναι κάτοχος διδακτορικού διπλώματος.
- SEO Powered Content & PR Distribution. Ενισχύστε σήμερα.
- EVM Finance. Ενιαία διεπαφή για αποκεντρωμένη χρηματοδότηση. Πρόσβαση εδώ.
- Quantum Media Group. Ενισχυμένο IR/PR. Πρόσβαση εδώ.
- PlatoAiStream. Web3 Data Intelligence. Ενισχύθηκε η γνώση. Πρόσβαση εδώ.
- πηγή: https://aws.amazon.com/blogs/machine-learning/fast-track-graph-ml-with-graphstorm-a-new-way-to-solve-problems-on-enterprise-scale-graphs/
- :έχει
- :είναι
- $UP
- 1
- 1 TB
- 100
- 16
- 31
- 500
- 7
- 8
- 9
- a
- Ικανός
- Σχετικα
- ακαδημαϊκής
- επιταχύνουν
- Λογαριασμός
- ακρίβεια
- δραστηριότητα
- πραγματικός
- Ad
- προσθέτω
- Επιπλέον
- διευθύνσεις
- Υιοθεσία
- διαφημίσεις
- προηγμένες
- συνδέσεις
- Μετά το
- πάλι
- AI / ML
- Ειδοποίηση
- αλγόριθμοι
- Όλα
- επιτρέπουν
- επιτρέπει
- Επίσης
- Amazon
- Amazon EC2
- Amazon Ποσειδώνας
- Χρονική ροή Amazon
- Amazon υπηρεσίες Web
- Amazon.com
- μεταξύ των
- an
- ανάλυση
- και
- Ανακοινώστε
- πρόβλεψη
- κάθε
- Apache
- api
- Εφαρμογή
- εφαρμογές
- εφαρμοσμένος
- αρχιτεκτονική
- ΕΙΝΑΙ
- AS
- Σχέση
- At
- προσοχή
- γνωρίσματα
- συγγραφείς
- Αυτοματοποιημένη
- αυτομάτως
- διαθέσιμος
- AWS
- βασίζονται
- Baseline
- βασικός
- Βασικα
- BE
- επειδή
- ήταν
- πριν
- αναφοράς
- όφελος
- ΚΑΛΎΤΕΡΟΣ
- μεταξύ
- Δισεκατομμύριο
- δισεκατομμύρια
- και οι δύο
- Κάτω μέρος
- κουτιά
- ακέφαλο καρφί
- φέρω
- χτίζω
- χτισμένο
- ενσωματωμένο
- επιχείρηση
- αλλά
- by
- CAN
- δυνατότητες
- συλλαμβάνει
- Καταγραφή
- περίπτωση
- αλυσίδες
- προκλήσεις
- πρόκληση
- έλεγχος
- ταξινόμηση
- κωδικός
- συλλογή
- COM
- κοινότητα
- εταίρα
- συγκρότημα
- περίπλοκο
- συστατικό
- εξαρτήματα
- Υπολογίστε
- υπολογιστή
- Πληροφορική
- Connect
- Διασυνδέσεις
- αποτελείται
- κατασκευάσει
- κατασκευή
- δόμηση
- σύμβουλος
- Περιέχει
- έλεγχος
- θα μπορούσε να
- κάλυψη
- δημιουργία
- έθιμο
- πελάτης
- Πελάτες
- da
- ημερομηνία
- επεξεργασία δεδομένων
- επιστημονικά δεδομένα
- σύνολα δεδομένων
- Ημ.
- βαθύς
- Ορίζει
- καθορίζοντας
- αποδεικνύουν
- παρατάσσω
- αναπτυχθεί
- σχεδιασμένα
- προορισμός
- Ανίχνευση
- ανάπτυξη
- ανάπτυξη
- Ανάπτυξη
- dgl
- διαφορετικές
- δύσκολος
- κατευθείαν
- διανέμονται
- κατανεμημένη εκπαίδευση
- do
- Όχι
- domains
- δεκάδες
- οδήγηση
- δυο
- κάθε
- εύκολα
- εύκολος
- άκρη
- Αποτελεσματικός
- αποτελεσματικός
- προσπάθεια
- ενσωματωμένο
- ενσωμάτωση
- σμυριδόπετρα
- ενεργοποιήσετε
- ενεργοποιημένη
- δίνει τη δυνατότητα
- από άκρη σε άκρη
- Μηχανική
- Μηχανικοί
- ενίσχυση
- Εταιρεία
- οντότητες
- οντότητα
- αξιολογήσει
- αξιολογώντας
- εκτίμηση
- Even
- παράδειγμα
- υπερβαίνει
- ενθουσιασμένοι
- πείραμα
- εμπειρογνώμονας
- εξειδίκευση
- εξωτερικός
- εκχύλισμα
- Χαρακτηριστικό
- Χαρακτηριστικά
- πεδίο
- Πεδία
- Εικόνα
- Αρχεία
- Αρχεία
- Τελικά
- εύρεση
- Όνομα
- ροή
- Συγκέντρωση
- Εξής
- Για
- μορφή
- τέσσερα
- Πλαίσιο
- πλαισίων
- απάτη
- ανίχνευση απάτης
- από
- μελλοντικός
- General
- παράγουν
- δημιουργεί
- Γεώργιος
- παίρνω
- GitHub
- δεδομένου
- GM
- GPU
- GPU
- γραφική παράσταση
- γραφικές παραστάσεις
- Group
- λαβή
- Σκληρά
- Έχω
- he
- βοήθεια
- εδώ
- Ψηλά
- υψηλά
- του
- κατέχει
- Πως
- Πόσο ψηλά
- Πώς να
- http
- HTTPS
- Εκατοντάδες
- ID
- ids
- if
- σημαντικό
- βελτίωση
- βελτίωση
- βελτίωση
- in
- Σε άλλες
- Συμπεριλαμβανομένου
- βιομηχανία
- πληροφορίες
- εκ φύσεως
- εισαγωγή
- εγκατάσταση
- παράδειγμα
- αντί
- Νοημοσύνη
- αλληλεπιδράσεις
- περιβάλλον λειτουργίας
- εσωτερικώς
- σε
- Εισαγωγή
- IT
- ΤΟΥ
- Δουλειά
- Πανεπιστήμιο Johns Hopkins
- ενώνει
- jpg
- json
- μόλις
- Κλειδί
- γνώση
- γνωστός
- Ετικέτες
- large
- μεγάλης κλίμακας
- ξεκινήσει
- δρομολόγηση
- στρώμα
- στρώματα
- οδηγήσει
- που οδηγεί
- ΜΑΘΑΊΝΩ
- μάθηση
- Βιβλιοθήκη
- Άδεια
- Μου αρέσει
- Πιθανός
- γραμμή
- LINK
- ΣΥΝΔΕΣΜΟΙ
- Λίστες
- λίγο
- μηχανή
- μάθηση μηχανής
- μηχανήματα
- Μάιος
- κάνω
- ΚΑΝΕΙ
- Κατασκευή
- διαχείριση
- διευθυντής
- τρόπος
- πολοί
- μαρκαρισμένος
- μαζική
- McKinsey
- McKinsey & Company
- εννοώ
- μέτρηση
- Μνήμη
- μέθοδος
- μέθοδοι
- μετρικός
- Metrics
- Μέσο
- εκατομμύριο
- ML
- μοντέλο
- μοντέλα
- μήνες
- περισσότερο
- πλέον
- πολλαπλούς
- ντόπιος
- Ανάγκη
- Ποσειδώνας
- δίκτυο
- δίκτυα
- νευρωνικά δίκτυα
- Νέα
- κόμβος
- κόμβων
- σημειωματάριο
- τώρα
- σκοπός
- of
- προσφορές
- on
- ONE
- αποκλειστικά
- ανοικτού κώδικα
- κώδικα ανοιχτού κώδικα
- λειτουργίας
- βελτιστοποίηση
- Επιλογές
- or
- ΑΛΛΑ
- δικός μας
- έξω
- επί
- φόρμες
- δική
- Χαρτί
- χαρτιά
- Παράλληλο
- Εκτελέστε
- επίδοση
- επιλέξτε
- αγωγού
- Πλάτων
- Πληροφορία δεδομένων Plato
- Πλάτωνα δεδομένα
- Δημοφιλής
- Θέση
- ενδεχομένως
- προβλέψει
- προβλεπόμενη
- προβλέποντας
- πρόβλεψη
- Προβλέψεις
- προτιμήσεις
- προηγουμένως
- Κύριος
- Πρόβλημα
- προβλήματα
- διαδικασια μας
- μεταποίηση
- Προϊόν
- διαχείριση προϊόντων
- υπεύθυνος προϊόντων
- παραγωγή
- Προϊόντα
- αποδεδειγμένη
- παρέχουν
- παρέχει
- χορήγηση
- βάζω
- pytorch
- ποιότητα
- γρήγορα
- RAM
- κατάταξη
- Ακατέργαστος
- φθάσουν
- Φτάνει
- πραγματικό κόσμο
- συστάσεις
- Μειωμένος
- Σχέσεις
- απελευθερώνουν
- επαναλαμβάνω
- απαιτούν
- απαιτείται
- Απαιτεί
- έρευνα
- Αποτελέσματα
- δεξιά
- κινδύνους
- συνήθως
- ΣΕΙΡΑ
- τρέξιμο
- ίδιο
- λέει
- Απεριόριστες δυνατότητες
- Κλίμακα
- σενάρια
- Επιστήμη
- Επιστήμονας
- επιστήμονες
- Αναζήτηση
- Τμήμα
- δείτε
- αρχαιότερος
- υπηρεσία
- Υπηρεσίες
- σειρά
- θα πρέπει να
- δείχνουν
- παρουσιάζεται
- Δείχνει
- Ομοίως
- απλοποίηση
- απλά
- ενιαίας
- Μέγεθος
- Μ.Κ.Δ
- κοινωνικό δίκτυο
- Λύσεις
- SOLVE
- μερικοί
- Πηγή
- state-of-the-art
- Βήμα
- Βήματα
- χώρος στο δίσκο
- κατάστημα
- αποθηκεύονται
- Στρατηγική
- δομή
- Μελέτη
- τέτοιος
- προμήθεια
- Αλυσίδες εφοδιασμού
- υποστήριξη
- Στήριξη
- Υποστηρίζει
- τραπέζι
- Πάρτε
- παίρνει
- Έργο
- ομάδες
- tech
- Τεχνικός
- τεχνικές
- δεκάδες
- δοκιμή
- ότι
- Η
- Το μέλλον
- Το γράφημα
- Η Πηγη
- τους
- Εκεί.
- επομένως
- Αυτοί
- αυτοί
- νομίζω
- αυτό
- αν και?
- χιλιάδες
- απειλή
- τρία
- φορές
- προς την
- εργαλεία
- κορυφή
- ΚΙΝΗΣΗ στους ΔΡΟΜΟΥΣ
- Τρένο
- εκπαιδευμένο
- Εκπαίδευση
- συναλλαγή
- Μεταμορφώστε
- μετασχηματιστής
- αληθής
- προσπαθώ
- δύο
- τύπος
- τύποι
- υπό
- μοναδικός
- πανεπιστήμιο
- χρηστικότητα
- χρήση
- περίπτωση χρήσης
- μεταχειρισμένος
- χρησιμοποιεί
- χρησιμοποιώντας
- Πολύτιμος
- διάφορα
- χώρους
- κάθετα
- μέσω
- Επίσκεψη
- ήταν
- Τρόπος..
- we
- ιστός
- διαδικτυακές υπηρεσίες
- ΛΟΙΠΌΝ
- πότε
- Ποιό
- ευρέως
- θα
- με
- χωρίς
- εργάστηκαν
- γραφή
- γιαμ
- Εσείς
- Σας
- zephyrnet
- ΖΩΟΛΟΓΙΚΟΣ ΚΗΠΟΣ