เรารู้สึกตื่นเต้นที่จะประกาศการเปิดตัวโอเพ่นซอร์สของ กราฟสตอร์ม 0.1 เฟรมเวิร์กแมชชีนเลิร์นนิงสำหรับกราฟระดับองค์กรแบบโค้ดต่ำเพื่อสร้าง ฝึกฝน และปรับใช้โซลูชัน ML กราฟบนกราฟระดับองค์กรที่ซับซ้อนในเวลาไม่กี่วันแทนที่จะเป็นเดือน ด้วย GraphStorm คุณสามารถสร้างโซลูชันที่คำนึงถึงโครงสร้างความสัมพันธ์หรือการโต้ตอบโดยตรงระหว่างเอนทิตีนับพันล้านรายการ ซึ่งฝังอยู่ในข้อมูลจริงเกือบทั้งหมด รวมถึงสถานการณ์การตรวจจับการฉ้อโกง คำแนะนำ การตรวจจับชุมชน และปัญหาการค้นหา/การดึงข้อมูล
จนถึงปัจจุบัน การสร้าง ฝึกฝน และปรับใช้โซลูชัน ML กราฟสำหรับกราฟองค์กรที่ซับซ้อนซึ่งมีโหนดหลายพันล้านโหนด เอดจ์นับแสนล้าน และแอตทริบิวต์มากมายนั้นเป็นเรื่องยากจนเป็นที่เลื่องลือ ลองนึกถึงกราฟที่รวบรวมผลิตภัณฑ์ของ Amazon.com คุณลักษณะของผลิตภัณฑ์ ลูกค้า และอื่นๆ ด้วย GraphStorm เราเปิดตัวเครื่องมือที่ Amazon ใช้เป็นการภายในเพื่อนำโซลูชัน ML กราฟสเกลขนาดใหญ่มาสู่การผลิต GraphStorm ไม่ต้องการให้คุณเป็นผู้เชี่ยวชาญในกราฟ ML และพร้อมใช้งานภายใต้ใบอนุญาต Apache v2.0 บน GitHub หากต้องการเรียนรู้เพิ่มเติมเกี่ยวกับ GraphStorm โปรดไปที่ พื้นที่เก็บข้อมูล GitHub.
ในโพสต์นี้ เราให้ข้อมูลเบื้องต้นเกี่ยวกับ GraphStorm สถาปัตยกรรม และตัวอย่างการใช้งานของวิธีการใช้งาน
แนะนำ GraphStorm
อัลกอริทึมของกราฟและ ML ของกราฟกลายเป็นโซลูชันที่ล้ำสมัยสำหรับปัญหาทางธุรกิจที่สำคัญมากมาย เช่น การทำนายความเสี่ยงในการทำธุรกรรม การคาดการณ์ความต้องการของลูกค้า การตรวจจับการบุกรุก การเพิ่มประสิทธิภาพห่วงโซ่อุปทาน การวิเคราะห์เครือข่ายสังคม และการคาดการณ์ปริมาณการใช้ข้อมูล ตัวอย่างเช่น, หน้าที่ยามของอเมซอนซึ่งเป็นบริการตรวจจับภัยคุกคามของ AWS ดั้งเดิม ใช้กราฟที่มีเอดจ์นับพันล้านเพื่อปรับปรุงความครอบคลุมและความแม่นยำของข่าวกรองภัยคุกคาม สิ่งนี้ทำให้ GuardDuty สามารถจัดหมวดหมู่โดเมนที่มองไม่เห็นก่อนหน้านี้ว่ามีแนวโน้มสูงที่จะเป็นอันตรายหรือไม่เป็นอันตราย โดยพิจารณาจากการเชื่อมโยงกับโดเมนที่เป็นอันตรายที่รู้จัก การใช้ Graph Neural Networks (GNNs) ทำให้ GuardDuty สามารถเพิ่มขีดความสามารถในการแจ้งเตือนลูกค้าได้
อย่างไรก็ตาม การพัฒนา การเปิดตัว และการดำเนินการโซลูชัน ML สำหรับกราฟต้องใช้เวลาหลายเดือนและต้องการความเชี่ยวชาญด้านกราฟ ML ในขั้นตอนแรก นักวิทยาศาสตร์กราฟ ML จะต้องสร้างแบบจำลองกราฟ ML สำหรับกรณีการใช้งานที่กำหนดโดยใช้เฟรมเวิร์กอย่าง Deep Graph Library (DGL) การฝึกอบรมโมเดลดังกล่าวมีความท้าทายเนื่องจากขนาดและความซับซ้อนของกราฟในแอปพลิเคชันขององค์กร ซึ่งเข้าถึงโหนดหลายพันล้านโหนด Edge นับแสนล้าน โหนดและประเภท Edge ที่แตกต่างกัน และแอตทริบิวต์โหนดและ Edge หลายร้อยรายการเป็นประจำ กราฟระดับองค์กรอาจต้องใช้พื้นที่จัดเก็บหน่วยความจำหลายเทราไบต์ ทำให้นักวิทยาศาสตร์ด้านกราฟ ML ต้องสร้างไปป์ไลน์การฝึกอบรมที่ซับซ้อน สุดท้าย หลังจากโมเดลได้รับการฝึกอบรมแล้ว จะต้องปรับใช้สำหรับการอนุมาน ซึ่งต้องใช้ไปป์ไลน์การอนุมานที่ยากต่อการสร้างพอๆ กับไปป์ไลน์การฝึกอบรม
GraphStorm 0.1 เป็นเฟรมเวิร์ก ML กราฟระดับองค์กรแบบโค้ดต่ำที่ช่วยให้ผู้ปฏิบัติงาน ML สามารถเลือกโมเดล ML กราฟที่กำหนดไว้ล่วงหน้าได้อย่างง่ายดายซึ่งได้รับการพิสูจน์แล้วว่ามีประสิทธิภาพ เรียกใช้การฝึกอบรมแบบกระจายบนกราฟที่มีโหนดหลายพันล้านโหนด และนำโมเดลไปใช้ในการผลิต GraphStorm นำเสนอคอลเลกชันของโมเดล ML กราฟในตัว เช่น Relational Graph Convolutional Networks (RGCN), Relational Graph Attention Networks (RGAT) และ Heterogeneous Graph Transformer (HGT) สำหรับแอปพลิเคชันระดับองค์กรที่มีกราฟต่างกัน ซึ่งช่วยให้วิศวกร ML ที่มีเพียงเล็กน้อย ความเชี่ยวชาญด้าน ML ของกราฟเพื่อลองใช้โซลูชันแบบจำลองต่างๆ สำหรับงานของตนและเลือกโซลูชันที่เหมาะสมได้อย่างรวดเร็ว ไปป์ไลน์การฝึกอบรมและการอนุมานแบบกระจายตั้งแต่ต้นทางจนถึงปลายทาง ซึ่งปรับขนาดเป็นกราฟองค์กรขนาดพันล้าน ทำให้ง่ายต่อการฝึกอบรม ปรับใช้ และเรียกใช้การอนุมาน หากคุณยังใหม่กับ GraphStorm หรือ Graph ML โดยทั่วไป คุณจะได้รับประโยชน์จากโมเดลและไปป์ไลน์ที่กำหนดไว้ล่วงหน้า หากคุณเป็นผู้เชี่ยวชาญ คุณมีตัวเลือกทั้งหมดในการปรับแต่งไปป์ไลน์การฝึกอบรมและสถาปัตยกรรมแบบจำลองเพื่อให้ได้ประสิทธิภาพที่ดีที่สุด GraphStorm สร้างขึ้นบน DGL ซึ่งเป็นเฟรมเวิร์กยอดนิยมสำหรับการพัฒนาโมเดล GNN และพร้อมใช้งานในรูปแบบโอเพ่นซอร์สภายใต้ลิขสิทธิ์ Apache v2.0
“GraphStorm ได้รับการออกแบบมาเพื่อช่วยให้ลูกค้าทดลองและดำเนินการวิธี ML ของกราฟสำหรับแอปพลิเคชันในอุตสาหกรรมเพื่อเร่งการนำ ML ของกราฟไปใช้” George Karypis นักวิทยาศาสตร์หลักอาวุโสในการวิจัย Amazon AI/ML กล่าว “ตั้งแต่เปิดตัวใน Amazon GraphStorm ได้ลดความพยายามในการสร้างโซลูชันที่ใช้กราฟ ML ลงถึงห้าเท่า”
“GraphStorm ช่วยให้ทีมของเราฝึกการฝัง GNN ในลักษณะที่ควบคุมได้ด้วยตนเองบนกราฟที่มี 288 ล้านโหนดและ 2 พันล้านเอดจ์” Haining Yu หัวหน้านักวิทยาศาสตร์ประยุกต์ของ Amazon Measurement, Ad Tech และ Data Science กล่าว “การฝัง GNN ที่ผ่านการฝึกอบรมล่วงหน้าแสดงให้เห็นการปรับปรุง 24% ในงานคาดการณ์กิจกรรมของผู้ซื้อบนพื้นฐาน BERT ที่ล้ำสมัย; ทั้งยังมีประสิทธิภาพเหนือกว่าเกณฑ์มาตรฐานในแอปพลิเคชันโฆษณาอื่นๆ ด้วย”
“ก่อน GraphStorm ลูกค้าสามารถปรับขนาดในแนวตั้งเพื่อจัดการกับกราฟที่มีขอบ 500 ล้านเส้นเท่านั้น” Brad Bebee ผู้จัดการทั่วไปของ Amazon Neptune และ Amazon Timestream กล่าว “GraphStorm ช่วยให้ลูกค้าปรับขนาดการฝึกอบรมแบบจำลอง GNN บนกราฟ Amazon Neptune ขนาดใหญ่ที่มีขอบนับหมื่นล้านได้”
สถาปัตยกรรมทางเทคนิคของ GraphStorm
รูปต่อไปนี้แสดงสถาปัตยกรรมทางเทคนิคของ GraphStorm
GraphStorm สร้างขึ้นบน PyTorch และสามารถทำงานบน GPU เดียว, GPU หลายตัว และเครื่อง GPU หลายเครื่อง ประกอบด้วยสามชั้น (ทำเครื่องหมายในช่องสีเหลืองในรูปก่อนหน้า):
- ชั้นล่างสุด (Dist GraphEngine) – เลเยอร์ด้านล่างมีส่วนประกอบพื้นฐานเพื่อเปิดใช้งาน ML กราฟแบบกระจาย รวมถึงกราฟแบบกระจาย ตัวเทนเซอร์แบบกระจาย การฝังแบบกระจาย และตัวอย่างแบบกระจาย GraphStorm มอบการใช้งานส่วนประกอบเหล่านี้อย่างมีประสิทธิภาพเพื่อปรับขนาดการฝึกอบรม ML ของกราฟเป็นกราฟพันล้านโหนด
- ชั้นกลาง (ไปป์ไลน์การฝึกอบรม/อนุมาน GS) – ชั้นกลางให้ผู้ฝึกสอน ผู้ประเมิน และผู้ทำนายเพื่อลดความซับซ้อนของการฝึกอบรมและการอนุมานแบบจำลองสำหรับทั้งแบบจำลองในตัวและแบบจำลองที่คุณกำหนดเอง โดยพื้นฐานแล้ว เมื่อใช้ API ของเลเยอร์นี้ คุณสามารถมุ่งเน้นไปที่การพัฒนาโมเดลโดยไม่ต้องกังวลเกี่ยวกับวิธีการปรับขนาดการฝึกโมเดล
- ชั้นบนสุด (สวนสัตว์รุ่นทั่วไป GS) – ชั้นบนสุดเป็นสวนสัตว์จำลองที่มีโมเดล GNN ยอดนิยมและไม่ใช่ GNN สำหรับกราฟประเภทต่างๆ จากการเขียนนี้ จะมี RGCN, RGAT และ HGT สำหรับกราฟที่ต่างกัน และ BERTGNN สำหรับกราฟที่เป็นข้อความ ในอนาคต เราจะเพิ่มการรองรับโมเดลกราฟชั่วคราว เช่น TGAT สำหรับกราฟชั่วคราว ตลอดจน TransE และ DistMult สำหรับกราฟความรู้
วิธีใช้ GraphStorm
หลังจากติดตั้ง GraphStorm แล้ว คุณเพียงแค่สามขั้นตอนในการสร้างและฝึกโมเดล GML สำหรับแอปพลิเคชันของคุณ
ขั้นแรก คุณต้องประมวลผลข้อมูลของคุณล่วงหน้า (อาจรวมถึงวิศวกรรมฟีเจอร์ที่กำหนดเอง) และแปลงเป็นรูปแบบตารางที่ GraphStorm กำหนด สำหรับโหนดแต่ละประเภท คุณกำหนดตารางที่แสดงรายการโหนดทั้งหมดของประเภทนั้นและคุณลักษณะของโหนด โดยระบุ ID เฉพาะสำหรับแต่ละโหนด สำหรับขอบแต่ละประเภท คุณกำหนดตารางในทำนองเดียวกันซึ่งแต่ละแถวมีรหัสโหนดต้นทางและปลายทางสำหรับขอบของประเภทนั้น (สำหรับข้อมูลเพิ่มเติม โปรดดูที่ ใช้การสอนข้อมูลของคุณเอง). นอกจากนี้ คุณเตรียมไฟล์ JSON ที่อธิบายโครงสร้างกราฟโดยรวม
ประการที่สอง ผ่านทางอินเทอร์เฟซบรรทัดคำสั่ง (CLI) คุณใช้ในตัวของ GraphStorm construct_graph
คอมโพเนนต์สำหรับการประมวลผลข้อมูลเฉพาะของ GraphStorm ซึ่งช่วยให้การฝึกอบรมและการอนุมานแบบกระจายมีประสิทธิภาพ
ประการที่สาม คุณกำหนดค่าโมเดลและการฝึกในไฟล์ YAML (ตัวอย่าง) และอีกครั้งโดยใช้ CLI เรียกหนึ่งในห้าส่วนประกอบในตัว (gs_node_classification
, gs_node_regression
, gs_edge_classification
, gs_edge_regression
, gs_link_prediction
) เป็นท่อฝึกเพื่อฝึกโมเดล ขั้นตอนนี้ส่งผลให้เกิดสิ่งประดิษฐ์แบบจำลองที่ผ่านการฝึกอบรม ในการอนุมาน คุณต้องทำซ้ำสองขั้นตอนแรกเพื่อแปลงข้อมูลอนุมานเป็นกราฟโดยใช้องค์ประกอบ GraphStorm เดียวกัน (construct_graph
) เหมือนก่อน.
สุดท้าย คุณสามารถเรียกใช้หนึ่งในห้าองค์ประกอบในตัว ซึ่งเป็นองค์ประกอบเดียวกับที่ใช้สำหรับการฝึกโมเดล เป็นไปป์ไลน์การอนุมานเพื่อสร้างการฝังหรือผลลัพธ์การคาดคะเน
การไหลโดยรวมยังแสดงในรูปต่อไปนี้
ในส่วนต่อไปนี้ เราจะแสดงตัวอย่างการใช้งาน
คาดการณ์ข้อมูลดิบของ OAG
สำหรับโพสต์นี้ เราแสดงให้เห็นว่า GraphStorm สามารถเปิดใช้งานการฝึกอบรมและการอนุมานของกราฟ ML ในชุดข้อมูลดิบขนาดใหญ่ได้ง่ายเพียงใด เดอะ เปิดกราฟวิชาการ (OAG) ประกอบด้วยห้าหน่วยงาน (เอกสาร ผู้เขียน สถานที่ สังกัด และสาขาการศึกษา) ชุดข้อมูลดิบเก็บไว้ในไฟล์ JSON ที่มีขนาดมากกว่า 500 GB
งานของเราคือสร้างแบบจำลองเพื่อทำนายขอบเขตการศึกษาของกระดาษ ในการทำนายสาขาวิชา คุณสามารถกำหนดให้เป็นงานจำแนกประเภทหลายป้ายกำกับได้ แต่การใช้การเข้ารหัสแบบร้อนครั้งเดียวเพื่อจัดเก็บป้ายกำกับนั้นทำได้ยาก เนื่องจากมีฟิลด์นับแสน ดังนั้น คุณควรสร้างโหนดสาขาการศึกษาและกำหนดปัญหานี้เป็นงานทำนายลิงก์ โดยคาดการณ์ว่าโหนดกระดาษควรเชื่อมต่อกับโหนดใด
หากต้องการจำลองชุดข้อมูลนี้ด้วยวิธีกราฟ ขั้นตอนแรกคือการประมวลผลชุดข้อมูลและแยกเอนทิตีและขอบ คุณสามารถแยกขอบได้ห้าประเภทจากไฟล์ JSON เพื่อกำหนดกราฟ ดังแสดงในรูปต่อไปนี้ คุณสามารถใช้สมุดบันทึก Jupyter ใน GraphStorm ตัวอย่างโค้ด เพื่อประมวลผลชุดข้อมูลและสร้างตารางเอนทิตีห้าตารางสำหรับเอนทิตีแต่ละประเภท และห้าตารางขอบสำหรับแต่ละประเภทขอบ สมุดบันทึก Jupyter ยังสร้างการฝัง BERT บนเอนทิตีที่มีข้อมูลข้อความ เช่น กระดาษ
หลังจากกำหนดเอนทิตีและขอบระหว่างเอนทิตีแล้ว คุณสามารถสร้างได้ mag_bert.json
ซึ่งกำหนดสคีมากราฟ และเรียกใช้ไปป์ไลน์การสร้างกราฟในตัว construct_graph
ใน GraphStorm เพื่อสร้างกราฟ (ดูโค้ดต่อไปนี้) แม้ว่าไปป์ไลน์การสร้างกราฟ GraphStorm ทำงานในเครื่องเดียว แต่ก็รองรับการประมวลผลหลายรายการเพื่อประมวลผลโหนดและคุณสมบัติขอบแบบขนาน (--num_processes
) และสามารถจัดเก็บคุณสมบัติเอนทิตีและขอบบนหน่วยความจำภายนอก (--ext-mem-workspace
) เพื่อปรับขนาดเป็นชุดข้อมูลขนาดใหญ่
ในการประมวลผลกราฟขนาดใหญ่ คุณต้องใช้อินสแตนซ์ CPU ที่มีหน่วยความจำขนาดใหญ่เพื่อสร้างกราฟ คุณสามารถใช้ อเมซอน อีลาสติก คอมพิวท์ คลาวด์ (Amazon EC2) อินสแตนซ์ r6id.32xlarge (128 vCPU และ RAM 1 TB) หรืออินสแตนซ์ r6a.48xlarge (192 vCPU และ RAM 1.5 TB) เพื่อสร้างกราฟ OAG
หลังจากสร้างกราฟแล้ว คุณสามารถใช้ gs_link_prediction
เพื่อฝึกแบบจำลองการคาดการณ์ลิงก์บนอินสแตนซ์ g5.48xlarge สี่รายการ เมื่อใช้โมเดลในตัว คุณจะเรียกใช้บรรทัดคำสั่งเพียงบรรทัดเดียวเพื่อเรียกใช้งานการฝึกอบรมแบบกระจาย ดูรหัสต่อไปนี้:
หลังจากการฝึกโมเดล สิ่งประดิษฐ์โมเดลจะถูกบันทึกในโฟลเดอร์ /data/mag_lp_model
.
ตอนนี้คุณสามารถเรียกใช้การอนุมานการคาดคะเนลิงก์เพื่อสร้างการฝัง GNN และประเมินประสิทธิภาพของโมเดล GraphStorm มีเมตริกการประเมินในตัวหลายตัวเพื่อประเมินประสิทธิภาพของโมเดล สำหรับปัญหาการคาดคะเนลิงก์ เช่น GraphStorm จะแสดงค่าเฉลี่ยอันดับซึ่งกันและกันของเมตริก (MRR) โดยอัตโนมัติ MRR เป็นเมตริกที่มีค่าสำหรับการประเมินแบบจำลองการคาดคะเนของกราฟลิงก์ เนื่องจากจะประเมินว่าลิงก์จริงได้รับการจัดอันดับสูงเพียงใดในบรรดาลิงก์ที่คาดคะเน สิ่งนี้จะจับคุณภาพของการคาดคะเน ทำให้แน่ใจว่าโมเดลของเราจัดลำดับความสำคัญของการเชื่อมต่อที่แท้จริงอย่างถูกต้อง ซึ่งเป็นวัตถุประสงค์ของเราที่นี่
คุณสามารถเรียกใช้การอนุมานด้วยบรรทัดคำสั่งเดียว ดังที่แสดงในโค้ดต่อไปนี้ ในกรณีนี้ แบบจำลองมีค่า MRR เท่ากับ 0.31 ในชุดทดสอบของกราฟที่สร้างขึ้น
โปรดทราบว่าไปป์ไลน์การอนุมานสร้างการฝังจากแบบจำลองการคาดคะเนลิงก์ เพื่อแก้ปัญหาในการค้นหาสาขาวิชาสำหรับเอกสารใดๆ ก็ตาม เพียงทำการค้นหาเพื่อนบ้านที่อยู่ใกล้ที่สุดในการฝัง
สรุป
GraphStorm เป็นเฟรมเวิร์ก ML กราฟใหม่ที่ทำให้ง่ายต่อการสร้าง ฝึก และปรับใช้โมเดล ML กราฟบนกราฟอุตสาหกรรม มันจัดการกับความท้าทายที่สำคัญบางอย่างในกราฟ ML รวมถึงความสามารถในการปรับขนาดและการใช้งาน มีส่วนประกอบในตัวเพื่อประมวลผลกราฟขนาดพันล้านตั้งแต่ข้อมูลอินพุตดิบไปจนถึงการฝึกโมเดลและการอนุมานโมเดล และช่วยให้ทีมงานของ Amazon หลายทีมสามารถฝึกโมเดล ML ของกราฟที่ล้ำสมัยในแอปพลิเคชันต่างๆ ได้ ตรวจสอบของเรา พื้นที่เก็บข้อมูล GitHub สำหรับข้อมูลเพิ่มเติม
เกี่ยวกับผู้เขียน
ต้าเจิ้ง เป็นนักวิทยาศาสตร์ประยุกต์อาวุโสที่การวิจัย AWS AI/ML ซึ่งเป็นผู้นำทีมการเรียนรู้ของเครื่องกราฟเพื่อพัฒนาเทคนิคและเฟรมเวิร์กเพื่อนำการเรียนรู้ของเครื่องกราฟมาใช้ในการผลิต ดาสำเร็จการศึกษาระดับปริญญาเอกด้านวิทยาการคอมพิวเตอร์จากมหาวิทยาลัยจอห์น ฮอปกินส์
Florian Saupé เป็นผู้จัดการผลิตภัณฑ์ทางเทคนิคหลักที่การวิจัย AWS AI/ML ซึ่งสนับสนุนทีมวิทยาศาสตร์ขั้นสูง เช่น กลุ่มการเรียนรู้ของเครื่องสร้างกราฟ และการปรับปรุงผลิตภัณฑ์ เช่น Amazon DataZone ด้วยความสามารถด้าน ML ก่อนร่วมงานกับ AWS Florian เป็นผู้นำการจัดการผลิตภัณฑ์ทางเทคนิคสำหรับการขับขี่อัตโนมัติที่ Bosch เคยเป็นที่ปรึกษาด้านกลยุทธ์ที่ McKinsey & Company และทำงานเป็นนักวิทยาศาสตร์ระบบควบคุม/วิทยาการหุ่นยนต์ ซึ่งเป็นสาขาที่เขาจบปริญญาเอก
- เนื้อหาที่ขับเคลื่อนด้วย SEO และการเผยแพร่ประชาสัมพันธ์ รับการขยายวันนี้
- การเงิน EVM ส่วนต่อประสานแบบครบวงจรสำหรับการเงินแบบกระจายอำนาจ เข้าถึงได้ที่นี่.
- กลุ่มสื่อควอนตัม IR/PR ขยาย เข้าถึงได้ที่นี่.
- เพลโตไอสตรีม. ข้อมูลอัจฉริยะ Web3 ขยายความรู้ เข้าถึงได้ที่นี่.
- ที่มา: https://aws.amazon.com/blogs/machine-learning/fast-track-graph-ml-with-graphstorm-a-new-way-to-solve-problems-on-enterprise-scale-graphs/
- :มี
- :เป็น
- $ ขึ้น
- 1
- วัณโรค 1
- 100
- 16
- 31
- 500
- 7
- 8
- 9
- a
- สามารถ
- เกี่ยวกับเรา
- นักวิชาการ
- เร่งความเร็ว
- ลงชื่อเข้าใช้
- ความถูกต้อง
- อยากทำกิจกรรม
- ที่เกิดขึ้นจริง
- Ad
- เพิ่ม
- นอกจากนี้
- ที่อยู่
- การนำมาใช้
- โฆษณา
- สูง
- ความผูกพัน
- หลังจาก
- อีกครั้ง
- AI / ML
- เตือนภัย
- อัลกอริทึม
- ทั้งหมด
- อนุญาต
- ช่วยให้
- ด้วย
- อเมซอน
- Amazon EC2
- อเมซอนเนปจูน
- สตรีมไทม์ของอเมซอน
- Amazon Web Services
- Amazon.com
- ในหมู่
- an
- การวิเคราะห์
- และ
- ประกาศ
- ที่คาดการณ์ไว้
- ใด
- อาปาเช่
- API
- การใช้งาน
- การใช้งาน
- ประยุกต์
- สถาปัตยกรรม
- เป็น
- AS
- สมาคม
- At
- ความสนใจ
- แอตทริบิวต์
- ผู้เขียน
- อัตโนมัติ
- อัตโนมัติ
- ใช้ได้
- AWS
- ตาม
- baseline
- ขั้นพื้นฐาน
- เป็นพื้น
- BE
- เพราะ
- รับ
- ก่อน
- มาตรฐาน
- ประโยชน์
- ที่ดีที่สุด
- ระหว่าง
- พันล้าน
- พันล้าน
- ทั้งสอง
- ด้านล่าง
- ในกล่องสี่เหลี่ยม
- แบรด
- นำมาซึ่ง
- สร้าง
- สร้าง
- built-in
- ธุรกิจ
- แต่
- by
- CAN
- ความสามารถในการ
- จับ
- จับ
- กรณี
- ห่วงโซ่
- ความท้าทาย
- ท้าทาย
- ตรวจสอบ
- การจัดหมวดหมู่
- รหัส
- ชุด
- COM
- ชุมชน
- บริษัท
- ซับซ้อน
- ความซับซ้อน
- ส่วนประกอบ
- ส่วนประกอบ
- คำนวณ
- คอมพิวเตอร์
- วิทยาการคอมพิวเตอร์
- เชื่อมต่อ
- การเชื่อมต่อ
- ประกอบ
- สร้าง
- ก่อสร้าง
- การก่อสร้าง
- ผู้ให้คำปรึกษา
- มี
- ควบคุม
- ได้
- ความคุ้มครอง
- สร้าง
- ประเพณี
- ลูกค้า
- ลูกค้า
- da
- ข้อมูล
- การประมวลผล
- วิทยาศาสตร์ข้อมูล
- ชุดข้อมูล
- วัน
- ลึก
- กำหนด
- การกำหนด
- สาธิต
- ปรับใช้
- นำไปใช้
- ได้รับการออกแบบ
- ปลายทาง
- การตรวจพบ
- พัฒนา
- ที่กำลังพัฒนา
- พัฒนาการ
- ดีจีแอล
- ต่าง
- ยาก
- โดยตรง
- กระจาย
- กระจายการฝึกอบรม
- do
- ไม่
- โดเมน
- หลายสิบ
- การขับขี่
- สอง
- แต่ละ
- อย่างง่ายดาย
- ง่าย
- ขอบ
- มีประสิทธิภาพ
- ที่มีประสิทธิภาพ
- ความพยายาม
- ที่ฝัง
- การฝัง
- กากกะรุน
- ทำให้สามารถ
- เปิดการใช้งาน
- ช่วยให้
- จบสิ้น
- ชั้นเยี่ยม
- วิศวกร
- เสริม
- Enterprise
- หน่วยงาน
- เอกลักษณ์
- ประเมินค่า
- การประเมินการ
- การประเมินผล
- แม้
- ตัวอย่าง
- เกินกว่า
- ตื่นเต้น
- การทดลอง
- ชำนาญ
- ความชำนาญ
- ภายนอก
- สารสกัด
- ลักษณะ
- คุณสมบัติ
- สนาม
- สาขา
- รูป
- เนื้อไม่มีมัน
- ไฟล์
- ในที่สุด
- หา
- ชื่อจริง
- ไหล
- โฟกัส
- ดังต่อไปนี้
- สำหรับ
- รูป
- สี่
- กรอบ
- กรอบ
- การหลอกลวง
- การตรวจจับการฉ้อโกง
- ราคาเริ่มต้นที่
- อนาคต
- General
- สร้าง
- สร้าง
- จอร์จ
- ได้รับ
- GitHub
- กำหนด
- GM
- GPU
- GPUs
- กราฟ
- กราฟ
- บัญชีกลุ่ม
- จัดการ
- ยาก
- มี
- he
- ช่วย
- โปรดคลิกที่นี่เพื่ออ่านรายละเอียดเพิ่มเติม
- จุดสูง
- อย่างสูง
- ของเขา
- ถือ
- สรุป ความน่าเชื่อถือของ Olymp Trade?
- สูงเท่าไร
- ทำอย่างไร
- ที่ http
- HTTPS
- ร้อย
- ID
- รหัส
- if
- สำคัญ
- ปรับปรุง
- การปรับปรุง
- การปรับปรุง
- in
- ในอื่น ๆ
- รวมทั้ง
- อุตสาหกรรม
- ข้อมูล
- อย่างโดยเนื้อแท้
- อินพุต
- การติดตั้ง
- ตัวอย่าง
- แทน
- Intelligence
- ปฏิสัมพันธ์
- อินเตอร์เฟซ
- ภายใน
- เข้าไป
- บทนำ
- IT
- ITS
- การสัมภาษณ์
- มหาวิทยาลัย Johns Hopkins
- การร่วม
- jpg
- JSON
- เพียงแค่
- คีย์
- ความรู้
- ที่รู้จักกัน
- ป้ายกำกับ
- ใหญ่
- ขนาดใหญ่
- เปิดตัว
- การเปิดตัว
- ชั้น
- ชั้น
- นำ
- ชั้นนำ
- เรียนรู้
- การเรียนรู้
- ห้องสมุด
- License
- กดไลก์
- น่าจะ
- Line
- LINK
- การเชื่อมโยง
- รายการ
- น้อย
- เครื่อง
- เรียนรู้เครื่อง
- เครื่อง
- พฤษภาคม
- ทำ
- ทำให้
- การทำ
- การจัดการ
- ผู้จัดการ
- ลักษณะ
- หลาย
- โดดเด่น
- มาก
- McKinsey
- McKinsey & Company
- หมายความ
- การวัด
- หน่วยความจำ
- วิธี
- วิธีการ
- เมตริก
- ตัวชี้วัด
- กลาง
- ล้าน
- ML
- แบบ
- โมเดล
- เดือน
- ข้อมูลเพิ่มเติม
- มากที่สุด
- หลาย
- พื้นเมือง
- จำเป็นต้อง
- เกตุ
- เครือข่าย
- เครือข่าย
- เครือข่ายประสาทเทียม
- ใหม่
- ปม
- โหนด
- สมุดบันทึก
- ตอนนี้
- วัตถุประสงค์
- of
- เสนอ
- on
- ONE
- เพียง
- โอเพนซอร์ส
- รหัสโอเพนซอร์ซ
- การดำเนินงาน
- การเพิ่มประสิทธิภาพ
- Options
- or
- อื่นๆ
- ของเรา
- ออก
- เกิน
- ทั้งหมด
- ของตนเอง
- กระดาษ
- เอกสาร
- Parallel
- ดำเนินการ
- การปฏิบัติ
- เลือก
- ท่อ
- เพลโต
- เพลโตดาต้าอินเทลลิเจนซ์
- เพลโตดาต้า
- ยอดนิยม
- โพสต์
- ที่อาจเกิดขึ้น
- คาดการณ์
- ที่คาดการณ์
- ทำนาย
- คำทำนาย
- การคาดการณ์
- การตั้งค่า
- ก่อนหน้านี้
- หลัก
- ปัญหา
- ปัญหาที่เกิดขึ้น
- กระบวนการ
- การประมวลผล
- ผลิตภัณฑ์
- การจัดการผลิตภัณฑ์
- ผู้จัดการผลิตภัณฑ์
- การผลิต
- ผลิตภัณฑ์
- ที่พิสูจน์แล้ว
- ให้
- ให้
- การให้
- ใส่
- ไฟฉาย
- คุณภาพ
- อย่างรวดเร็ว
- แรม
- จัดอันดับ
- ดิบ
- มาถึง
- ต้นน้ำ
- โลกแห่งความจริง
- แนะนำ
- ลดลง
- ความสัมพันธ์
- ปล่อย
- ทำซ้ำ
- ต้องการ
- จำเป็นต้องใช้
- ต้อง
- การวิจัย
- ผลสอบ
- ขวา
- ความเสี่ยง
- จำเจ
- แถว
- วิ่ง
- เดียวกัน
- พูดว่า
- scalability
- ขนาด
- สถานการณ์
- วิทยาศาสตร์
- นักวิทยาศาสตร์
- นักวิทยาศาสตร์
- ค้นหา
- Section
- เห็น
- ระดับอาวุโส
- บริการ
- บริการ
- ชุด
- น่า
- โชว์
- แสดง
- แสดงให้เห็นว่า
- เหมือนกับ
- ลดความซับซ้อน
- ง่ายดาย
- เดียว
- ขนาด
- สังคม
- เครือข่ายทางสังคม
- โซลูชัน
- แก้
- บาง
- แหล่ง
- รัฐของศิลปะ
- ขั้นตอน
- ขั้นตอน
- การเก็บรักษา
- จัดเก็บ
- เก็บไว้
- กลยุทธ์
- โครงสร้าง
- ศึกษา
- อย่างเช่น
- จัดหาอุปกรณ์
- ซัพพลายเชน
- สนับสนุน
- ที่สนับสนุน
- รองรับ
- ตาราง
- เอา
- ใช้เวลา
- งาน
- ทีม
- ทีม
- เทคโนโลยี
- วิชาการ
- เทคนิค
- เมตริกซ์
- ทดสอบ
- ที่
- พื้นที่
- ก้าวสู่อนาคต
- กราฟ
- ที่มา
- ของพวกเขา
- ที่นั่น
- ดังนั้น
- ล้อยางขัดเหล่านี้ติดตั้งบนแกน XNUMX (มม.) ผลิตภัณฑ์นี้ถูกผลิตในหลายรูปทรง และหลากหลายเบอร์ความแน่นหนาของปริมาณอนุภาคขัดของมัน จะทำให้ท่านได้รับประสิทธิภาพสูงในการขัดและการใช้งานที่ยาวนาน
- พวกเขา
- คิด
- นี้
- แต่?
- พัน
- การคุกคาม
- สาม
- ครั้ง
- ไปยัง
- เครื่องมือ
- ด้านบน
- การจราจร
- รถไฟ
- ผ่านการฝึกอบรม
- การฝึกอบรม
- การทำธุกรรม
- แปลง
- หม้อแปลงไฟฟ้า
- จริง
- ลอง
- สอง
- ชนิด
- ชนิด
- ภายใต้
- เป็นเอกลักษณ์
- มหาวิทยาลัย
- การใช้งาน
- ใช้
- ใช้กรณี
- มือสอง
- ใช้
- การใช้
- มีคุณค่า
- ต่างๆ
- สถานที่จัดงาน
- ดิ่ง
- ผ่านทาง
- เยี่ยมชมร้านค้า
- คือ
- ทาง..
- we
- เว็บ
- บริการเว็บ
- ดี
- เมื่อ
- ที่
- อย่างกว้างขวาง
- จะ
- กับ
- ไม่มี
- ทำงาน
- การเขียน
- มันแกว
- คุณ
- ของคุณ
- ลมทะเล
- สวนสัตว์