Açık kaynak sürümünü duyurmaktan heyecan duyuyoruz grafik fırtınası 0.1, karmaşık kurumsal ölçekli grafiklerde grafik makine öğrenmesi çözümlerini aylar yerine günler içinde oluşturmaya, eğitmeye ve dağıtmaya yönelik düşük kodlu bir kurumsal grafik makine öğrenimi (ML) çerçevesi. GraphStorm ile dolandırıcılık tespit senaryoları, öneriler, topluluk tespiti ve arama/geri alma sorunları da dahil olmak üzere gerçek dünya verilerinin çoğunda doğal olarak yer alan milyarlarca varlık arasındaki ilişkilerin veya etkileşimlerin yapısını doğrudan hesaba katan çözümler oluşturabilirsiniz.
Şimdiye kadar milyarlarca düğüme, yüz milyarlarca kenara ve düzinelerce özelliğe sahip karmaşık kurumsal grafikler için grafik makine öğrenimi çözümleri oluşturmak, eğitmek ve dağıtmak herkesin bildiği gibi zordu; Amazon.com ürünlerini yakalayan bir grafiği düşünün. , ürün özellikleri, müşteriler ve daha fazlası. GraphStorm ile Amazon'un büyük ölçekli grafik makine öğrenimi çözümlerini üretime taşımak için dahili olarak kullandığı araçları kullanıma sunuyoruz. GraphStorm, grafik makine öğrenimi konusunda uzman olmanızı gerektirmez ve GitHub'da Apache v2.0 lisansı altında mevcuttur. GraphStorm hakkında daha fazla bilgi edinmek için şu adresi ziyaret edin: GitHub deposu.
Bu yazıda GraphStorm'a, mimarisine bir giriş ve nasıl kullanılacağına dair örnek bir kullanım durumu sunuyoruz.
GraphStorm'a Giriş
Grafik algoritmaları ve grafik makine öğrenimi, işlem risklerini tahmin etmek, müşteri tercihlerini tahmin etmek, izinsiz girişleri tespit etmek, tedarik zincirlerini optimize etmek, sosyal ağ analizi ve trafik tahmini gibi birçok önemli iş sorununa yönelik son teknoloji ürünü çözümler olarak ortaya çıkıyor. Örneğin, Amazon Muhafız GöreviYerel AWS tehdit algılama hizmeti olan , tehdit istihbaratının kapsamını ve doğruluğunu iyileştirmek için milyarlarca kenar içeren bir grafik kullanır. Bu, GuardDuty'nin daha önce görülmeyen etki alanlarını, bilinen kötü amaçlı alanlarla ilişkilerine göre kötü amaçlı veya iyi huylu olma olasılığı yüksek olarak sınıflandırmasına olanak tanır. GuardDuty, Grafik Sinir Ağlarını (GNN'ler) kullanarak müşterileri uyarma yeteneğini geliştirebiliyor.
Ancak grafik makine öğrenimi çözümlerinin geliştirilmesi, başlatılması ve çalıştırılması aylar alır ve grafik makine öğrenimi uzmanlığı gerektirir. İlk adım olarak, bir grafik makine öğrenimi bilim adamının, Derin Grafik Kitaplığı (DGL) gibi bir çerçeve kullanarak belirli bir kullanım durumu için bir grafik makine öğrenimi modeli oluşturması gerekir. Bu tür modellerin eğitimi, rutin olarak milyarlarca düğüme, yüz milyarlarca kenara, farklı düğüm ve kenar türlerine ve yüzlerce düğüm ve kenar özelliğine ulaşan kurumsal uygulamalardaki grafiklerin boyutu ve karmaşıklığı nedeniyle zordur. Kurumsal grafikler terabaytlarca bellek depolama alanı gerektirebilir ve bu da grafik makine öğrenimi bilim adamlarının karmaşık eğitim hatları oluşturmasını gerektirir. Son olarak, bir model eğitildikten sonra, çıkarım için konuşlandırılmaları gerekir; bu da eğitim işlem hatları kadar inşa edilmesi zor olan çıkarım işlem hatlarını gerektirir.
GraphStorm 0.1, makine öğrenimi uygulayıcılarının, etkili olduğu kanıtlanmış önceden tanımlanmış grafik makine öğrenimi modellerini kolayca seçmesine, milyarlarca düğüm içeren grafikler üzerinde dağıtılmış eğitim çalıştırmasına ve modelleri üretime dağıtmasına olanak tanıyan, düşük kodlu bir kurumsal grafik makine öğrenimi çerçevesidir. GraphStorm, heterojen grafiklere sahip kurumsal uygulamalar için İlişkisel Grafik Evrişimli Ağlar (RGCN), İlişkisel Grafik Dikkat Ağları (RGAT) ve Heterojen Grafik Transformatörü (HGT) gibi yerleşik grafik ML modellerinden oluşan bir koleksiyon sunar ve bu da ML mühendislerinin çok az bilgiye sahip olmasına olanak tanır. Görevlerine yönelik farklı model çözümlerini denemek ve doğru olanı hızla seçmek için ML uzmanlığını grafiklendirin. Milyar ölçekli kurumsal grafiklere ölçeklenen uçtan uca dağıtılmış eğitim ve çıkarım hatları, çıkarımı eğitmeyi, dağıtmayı ve çalıştırmayı kolaylaştırır. GraphStorm'da veya genel olarak graph ML'de yeniyseniz, önceden tanımlanmış modellerden ve işlem hatlarından yararlanacaksınız. Uzmansanız, en iyi performansı elde etmek için eğitim hattını ve model mimarisini ayarlamak için tüm seçeneklere sahipsiniz. GraphStorm, GNN modellerini geliştirmek için yaygın olarak popüler bir çerçeve olan DGL'nin üzerine inşa edilmiştir ve Apache v2.0 lisansı altında açık kaynak kodu olarak mevcuttur.
Amazon AI/ML araştırmasında Kıdemli Baş Bilim Adamı George Karypis, "GraphStorm, müşterilerin grafik ML'nin benimsenmesini hızlandırmak amacıyla endüstri uygulamalarına yönelik grafik ML yöntemlerini denemelerine ve operasyonel hale getirmelerine yardımcı olmak için tasarlandı" diyor. "Amazon'da piyasaya sürülmesinden bu yana GraphStorm, grafik makine öğrenimi tabanlı çözümler oluşturma çabasını beş kata kadar azalttı."
Amazon Measurement, Ad Tech ve Data Science'ta Baş Uygulamalı Bilim Adamı Haining Yu, "GraphStorm, ekibimizin 288 milyon düğüm ve 2 milyar kenardan oluşan bir grafik üzerinde GNN yerleştirmeyi kendi kendini denetleyen bir şekilde eğitmesine olanak tanıyor" diyor. “Önceden eğitilmiş GNN yerleştirmeleri, son teknoloji ürünü BERT tabanlı temele göre alışverişçi etkinliği tahmin görevinde %24'lük bir iyileşme gösteriyor; aynı zamanda diğer reklam uygulamalarındaki karşılaştırma performansını da aşıyor."
Amazon Neptune ve Amazon Timestream Genel Müdürü Brad Bebee, "GraphStorm'dan önce müşteriler 500 milyon kenardan oluşan grafikleri işlemek için yalnızca dikey ölçeklendirme yapabiliyordu" diyor. "GraphStorm, müşterilerin on milyarlarca kenarla devasa Amazon Neptune grafikleri üzerinde GNN modeli eğitimini ölçeklendirmesine olanak tanıyor."
GraphStorm teknik mimarisi
Aşağıdaki şekil GraphStorm'un teknik mimarisini göstermektedir.
GraphStorm, PyTorch'un üzerine inşa edilmiştir ve tek bir GPU, birden fazla GPU ve birden fazla GPU makinesinde çalışabilir. Üç katmandan oluşur (önceki şekilde sarı kutularla işaretlenmiştir):
- Alt katman (Dist GraphEngine) – Alt katman, dağıtılmış grafikler, dağıtılmış tensörler, dağıtılmış yerleştirmeler ve dağıtılmış örnekleyiciler dahil olmak üzere dağıtılmış grafik ML'yi etkinleştirmek için temel bileşenleri sağlar. GraphStorm, grafik makine öğrenimi eğitimini milyar düğümlü grafiklere ölçeklendirmek için bu bileşenlerin verimli uygulamalarını sağlar.
- Orta katman (GS eğitimi/çıkarım hattı) – Orta katman, hem yerleşik modeller hem de özel modelleriniz için model eğitimini ve çıkarımı basitleştirmek üzere eğitmenler, değerlendiriciler ve tahminciler sağlar. Temel olarak bu katmanın API'sini kullanarak model eğitimini nasıl ölçeklendireceğiniz konusunda endişelenmeden model geliştirmeye odaklanabilirsiniz.
- Üst katman (GS genel model hayvanat bahçesi) – En üst katman, farklı grafik türleri için popüler GNN ve GNN olmayan modellerin bulunduğu bir model hayvanat bahçesidir. Bu yazının yazıldığı an itibariyle, heterojen grafikler için RGCN, RGAT ve HGT'yi ve metinsel grafikler için BERTGNN'yi sağlamaktadır. Gelecekte, zamansal grafikler için TGAT'ın yanı sıra bilgi grafikleri için TransE ve DistMult gibi zamansal grafik modelleri için destek ekleyeceğiz.
GraphStorm nasıl kullanılır?
GraphStorm'u yükledikten sonra uygulamanız için GML modelleri oluşturmak ve eğitmek için yalnızca üç adıma ihtiyacınız vardır.
Öncelikle verilerinizi (potansiyel olarak özel özellik mühendisliğiniz dahil) önceden işlersiniz ve GraphStorm'un gerektirdiği bir tablo formatına dönüştürürsünüz. Her düğüm türü için, o türdeki tüm düğümleri ve bunların özelliklerini listeleyen ve her düğüm için benzersiz bir kimlik sağlayan bir tablo tanımlarsınız. Her kenar türü için benzer şekilde, her satırın söz konusu türün bir kenarı için kaynak ve hedef düğüm kimliklerini içerdiği bir tablo tanımlarsınız (daha fazla bilgi için bkz. Kendi Veri Eğiticinizi Kullanın). Ayrıca genel grafik yapısını açıklayan bir JSON dosyası da sağlarsınız.
İkinci olarak, komut satırı arayüzü (CLI) aracılığıyla GraphStorm'un yerleşik arayüzünü kullanırsınız. construct_graph
Verimli dağıtılmış eğitim ve çıkarım sağlayan, GraphStorm'a özgü bazı veri işleme bileşeni.
Üçüncüsü, modeli ve eğitimi bir YAML dosyasında yapılandırırsınız (örnek) ve yine CLI'yi kullanarak beş yerleşik bileşenden birini çağırın (gs_node_classification
, gs_node_regression
, gs_edge_classification
, gs_edge_regression
, gs_link_prediction
) modeli eğitmek için eğitim ardışık düzenleri olarak. Bu adım eğitilmiş model yapılarıyla sonuçlanır. Çıkarım yapmak için, çıkarım verilerini aynı GraphStorm bileşenini kullanarak bir grafiğe dönüştürmek için ilk iki adımı tekrarlamanız gerekir (construct_graph
) eskisi gibi.
Son olarak, yerleştirmeler veya tahmin sonuçları oluşturmak için bir çıkarım hattı olarak model eğitimi için kullanılan beş yerleşik bileşenden birini çağırabilirsiniz.
Genel akış aşağıdaki şekilde de gösterilmektedir.
Aşağıdaki bölümde örnek bir kullanım durumu sunuyoruz.
Ham OAG verileriyle ilgili tahminler yapın
Bu gönderide GraphStorm'un grafik makine öğrenimi eğitimini ve büyük bir ham veri kümesi üzerinde çıkarımı ne kadar kolay etkinleştirebildiğini gösteriyoruz. Akademik Grafiği Aç (OAG) beş varlık içerir (makaleler, yazarlar, mekanlar, bağlantılar ve çalışma alanı). Ham veri kümesi, 500 GB'ın üzerindeki JSON dosyalarında depolanır.
Görevimiz bir makalenin çalışma alanını tahmin etmek için bir model oluşturmaktır. Çalışma alanını tahmin etmek için bunu çok etiketli bir sınıflandırma görevi olarak formüle edebilirsiniz, ancak yüzbinlerce alan olduğundan etiketleri depolamak için tek-etkin kodlamayı kullanmak zordur. Bu nedenle, çalışma alanı düğümleri oluşturmalı ve bu sorunu, bir kağıt düğümün hangi çalışma alanı düğümlerine bağlanması gerektiğini tahmin eden bir bağlantı tahmin görevi olarak formüle etmelisiniz.
Bu veri kümesini bir grafik yöntemiyle modellemek için ilk adım, veri kümesini işleyerek varlıkları ve kenarları çıkarmaktır. Aşağıdaki şekilde gösterilen bir grafiği tanımlamak için JSON dosyalarından beş tür kenar çıkarabilirsiniz. Jupyter not defterini GraphStorm'da kullanabilirsiniz örnek kod veri kümesini işlemek ve her varlık türü için beş varlık tablosu ve her kenar türü için beş kenar tablosu oluşturmak için. Jupyter not defteri aynı zamanda kağıtlar gibi metin verileri içeren varlıklar üzerinde BERT yerleştirmeleri de oluşturur.
Varlıklar arasındaki varlıkları ve kenarları tanımladıktan sonra, mag_bert.json
Grafik şemasını tanımlayan ve yerleşik grafik oluşturma ardışık düzenini çağıran construct_graph
Grafiği oluşturmak için GraphStorm'da (aşağıdaki koda bakın). GraphStorm grafik oluşturma ardışık düzeni tek bir makinede çalışsa da, düğümleri ve kenar özelliklerini paralel olarak işlemek için çoklu işlemeyi destekler (--num_processes
) ve varlık ve kenar özelliklerini harici bellekte saklayabilir (--ext-mem-workspace
) büyük veri kümelerine ölçeklendirmek için.
Bu kadar büyük bir grafiği işlemek için, grafiği oluşturmak üzere geniş bellekli bir CPU örneğine ihtiyacınız vardır. Bir kullanabilirsiniz Amazon Elastik Bilgi İşlem Bulutu (Amazon EC2) r6id.32xlarge örneği (128 vCPU ve 1 TB RAM) veya r6a.48xlarge örnekleri (192 vCPU ve 1.5 TB RAM) OAG grafiğini oluşturmak için.
Bir grafik oluşturduktan sonra şunları kullanabilirsiniz: gs_link_prediction
dört g5.48xlarge örneği üzerinde bir bağlantı tahmin modeli eğitmek. Yerleşik modelleri kullanırken dağıtılmış eğitim işini başlatmak için yalnızca bir komut satırını çağırırsınız. Aşağıdaki koda bakın:
Model eğitiminden sonra model yapıtı klasöre kaydedilir. /data/mag_lp_model
.
Artık GNN yerleştirmeleri oluşturmak ve model performansını değerlendirmek için bağlantı tahmini çıkarımını çalıştırabilirsiniz. GraphStorm, model performansını değerlendirmek için birden fazla yerleşik değerlendirme ölçümü sağlar. Örneğin bağlantı tahmini sorunları için GraphStorm otomatik olarak metrik ortalama karşılıklı sıralamayı (MRR) çıkarır. MRR, grafik bağlantı tahmin modellerini değerlendirmek için değerli bir ölçümdür çünkü gerçek bağlantıların, tahmin edilen bağlantılar arasında ne kadar yüksek sıralandığını değerlendirir. Bu, tahminlerin kalitesini yakalayarak modelimizin buradaki amacımız olan gerçek bağlantılara doğru şekilde öncelik vermesini sağlar.
Çıkarımı aşağıdaki kodda gösterildiği gibi tek bir komut satırıyla çalıştırabilirsiniz. Bu durumda model, oluşturulan grafiğin test setinde 0.31'lik bir MRR'ye ulaşır.
Çıkarım hattının bağlantı tahmin modelinden eklemeler oluşturduğunu unutmayın. Herhangi bir makale için çalışma alanını bulma problemini çözmek için, yerleştirmeler üzerinde k-en yakın komşu araması yapmanız yeterlidir.
Sonuç
GraphStorm, sektör grafiklerinde grafik makine öğrenimi modelleri oluşturmayı, eğitmeyi ve dağıtmayı kolaylaştıran yeni bir grafik makine öğrenimi çerçevesidir. Ölçeklenebilirlik ve kullanılabilirlik dahil olmak üzere grafik makine öğrenimindeki bazı önemli zorlukları ele alır. Ham giriş verilerinden model eğitimine ve model çıkarımına kadar milyarlarca ölçekli grafikleri işlemek için yerleşik bileşenler sağlar ve birden fazla Amazon ekibinin çeşitli uygulamalarda son teknoloji ürünü grafik makine öğrenimi modellerini eğitmesine olanak tanır. Bizim göz atın GitHub deposu daha fazla bilgi için.
Yazarlar Hakkında
Da Zheng AWS AI/ML araştırmasında kıdemli uygulamalı bilim insanıdır ve grafik makine öğrenimini üretime geçirmek için teknikler ve çerçeveler geliştirmek üzere bir grafik makine öğrenimi ekibine liderlik etmektedir. Babam doktorasını Johns Hopkins Üniversitesi'nden bilgisayar bilimi alanında aldı.
Florian Saupe Grafik makine öğrenimi grubu gibi gelişmiş bilim ekiplerini destekleyen ve makine öğrenimi yetenekleriyle Amazon DataZone gibi ürünleri geliştiren AWS AI/ML araştırmasında Baş Teknik Ürün Yöneticisidir. AWS'ye katılmadan önce Florian, Bosch'ta otonom sürüşe yönelik teknik ürün yönetimine liderlik etti, McKinsey & Company'de strateji danışmanı olarak görev yaptı ve doktora sahibi olduğu bir alan olan kontrol sistemleri/robotik bilimcisi olarak çalıştı.
- SEO Destekli İçerik ve Halkla İlişkiler Dağıtımı. Bugün Gücünüzü Artırın.
- EVM Finans. Merkezi Olmayan Finans için Birleşik Arayüz. Buradan Erişin.
- Kuantum Medya Grubu. IR/PR Güçlendirilmiş. Buradan Erişin.
- PlatoAiStream. Web3 Veri Zekası. Bilgi Genişletildi. Buradan Erişin.
- Kaynak: https://aws.amazon.com/blogs/machine-learning/fast-track-graph-ml-with-graphstorm-a-new-way-to-solve-problems-on-enterprise-scale-graphs/
- :vardır
- :dır-dir
- $UP
- 1
- 1 TB
- 100
- 16
- 31
- 500
- 7
- 8
- 9
- a
- Yapabilmek
- Hakkımızda
- akademik
- hızlandırmak
- Hesap
- doğruluk
- etkinlik
- gerçek
- Ad
- eklemek
- ilave
- adresleri
- Benimseme
- İlanlarım
- ileri
- bağlantıları
- Sonra
- tekrar
- AI / ML
- Uyarmak
- algoritmalar
- Türkiye
- izin vermek
- veriyor
- Ayrıca
- Amazon
- Amazon EC2
- Amazon Neptün
- Amazon Zaman Akışı
- Amazon Web Servisleri
- Amazon.com
- arasında
- an
- analiz
- ve
- duyurmak
- tahmin
- herhangi
- Apache
- api
- Uygulama
- uygulamaları
- uygulamalı
- mimari
- ARE
- AS
- Dernek
- At
- Dikkat
- öznitelikleri
- Yazarlar
- Otomatik
- otomatik olarak
- mevcut
- AWS
- merkezli
- Temel
- temel
- temel olarak
- BE
- Çünkü
- olmuştur
- önce
- kıyaslama
- yarar
- İYİ
- arasında
- Milyar
- milyarlarca
- her ikisi de
- Alt
- kutular
- brad
- getirmek
- inşa etmek
- yapılı
- yerleşik
- iş
- fakat
- by
- CAN
- yetenekleri
- yakalar
- Yakalama
- dava
- zincirler
- zorluklar
- zor
- Kontrol
- sınıflandırma
- kod
- Toplamak
- COM
- topluluk
- şirket
- karmaşık
- karmaşıklık
- bileşen
- bileşenler
- hesaplamak
- bilgisayar
- Bilgisayar Bilimleri
- Sosyal medya
- Bağlantılar
- oluşur
- kurmak
- inşa
- kas kütlesi inşasında ve
- danışman
- içeren
- kontrol
- olabilir
- kapsama
- yaratmak
- görenek
- müşteri
- Müşteriler
- da
- veri
- veri işleme
- veri bilimi
- veri kümeleri
- Günler
- derin
- tanımlar
- tanımlarken
- göstermek
- dağıtmak
- konuşlandırılmış
- tasarlanmış
- hedef
- Bulma
- geliştirmek
- gelişen
- gelişme
- dgl
- farklı
- zor
- direkt olarak
- dağıtıldı
- dağıtılmış eğitim
- do
- Değil
- etki
- onlarca
- sürme
- gereken
- her
- kolayca
- kolay
- kenar
- Etkili
- verimli
- çaba
- gömülü
- katıştırma
- ortaya çıkan
- etkinleştirmek
- etkin
- sağlar
- son uca
- Mühendislik
- Mühendisler
- artırmak
- kuruluş
- kişiler
- varlık
- değerlendirmek
- değerlendirilmesi
- değerlendirme
- Hatta
- örnek
- aşıyor
- uyarılmış
- deneme
- uzman
- Uzmanlık
- dış
- çıkarmak
- Özellikler(Hazırlık aşamasında)
- Özellikler
- alan
- Alanlar
- şekil
- fileto
- dosyalar
- Nihayet
- bulma
- Ad
- akış
- odak
- takip etme
- İçin
- biçim
- dört
- iskelet
- çerçeveler
- dolandırıcılık
- sahtekarlık tespiti
- itibaren
- gelecek
- genel
- oluşturmak
- üretir
- George
- almak
- GitHub
- verilmiş
- GM
- GPU
- GPU'lar
- grafik
- grafikler
- grup
- sap
- Zor
- Var
- he
- yardım et
- okuyun
- Yüksek
- büyük ölçüde
- onun
- tutar
- Ne kadar
- Nasıl Yüksek
- Nasıl Yapılır
- http
- HTTPS
- Yüzlerce
- ID
- kimlikleri
- if
- önemli
- iyileştirmek
- iyileşme
- geliştirme
- in
- Diğer
- Dahil olmak üzere
- sanayi
- bilgi
- doğal olarak
- giriş
- yükleme
- örnek
- yerine
- İstihbarat
- etkileşimleri
- arayüzey
- içten
- içine
- Giriş
- IT
- ONUN
- İş
- Johns Hopkins Üniversitesi
- birleştirme
- jpg
- json
- sadece
- anahtar
- bilgi
- bilinen
- Etiketler
- büyük
- büyük ölçekli
- başlatmak
- fırlatma
- tabaka
- katmanları
- öncülük etmek
- önemli
- ÖĞRENİN
- öğrenme
- Kütüphane
- Lisans
- sevmek
- Muhtemelen
- çizgi
- LINK
- bağlantılar
- Listeler
- küçük
- makine
- makine öğrenme
- Makineler
- Mayıs
- yapmak
- YAPAR
- Yapımı
- yönetim
- müdür
- tavır
- çok
- işaretlenmiş
- masif
- McKinsey
- McKinsey & Company
- ortalama
- ölçüm
- Bellek
- yöntem
- yöntemleri
- metrik
- Metrikleri
- Orta
- milyon
- ML
- model
- modelleri
- ay
- Daha
- çoğu
- çoklu
- yerli
- gerek
- Neptün
- ağ
- ağlar
- nöral ağlar
- yeni
- düğüm
- düğümler
- defter
- şimdi
- nesnel
- of
- Teklifler
- on
- ONE
- bir tek
- açık kaynak
- açık kaynak kodu
- işletme
- optimize
- Opsiyonlar
- or
- Diğer
- bizim
- dışarı
- tekrar
- tüm
- kendi
- kâğıt
- kâğıtlar
- Paralel
- Yapmak
- performans
- seçmek
- boru hattı
- Platon
- Plato Veri Zekası
- PlatoVeri
- Popüler
- Çivi
- potansiyel
- tahmin
- tahmin
- tahmin
- tahmin
- Tahminler
- tercihleri
- Önceden
- Anapara
- Sorun
- sorunlar
- süreç
- işleme
- PLATFORM
- ürün Yönetimi
- ürün müdürü
- üretim
- Ürünler
- kanıtlanmış
- sağlamak
- sağlar
- sağlama
- koymak
- pytorch
- kalite
- hızla
- RAM
- sırada
- Çiğ
- ulaşmak
- ulaşır
- Gerçek dünya
- tavsiyeler
- Indirimli
- İlişkiler
- serbest
- tekrar et
- gerektirir
- gereklidir
- gerektirir
- araştırma
- Sonuçlar
- krallar gibi yaşamaya
- riskler
- rutin
- SIRA
- koşmak
- aynı
- diyor
- ölçeklenebilirlik
- ölçek
- senaryolar
- Bilim
- bilim adamı
- bilim adamları
- Ara
- Bölüm
- görmek
- kıdemli
- hizmet
- Hizmetler
- set
- meli
- şov
- gösterilen
- Gösteriler
- benzer şekilde
- basitleştirmek
- sadece
- tek
- beden
- Sosyal Medya
- sosyal ağ
- Çözümler
- ÇÖZMEK
- biraz
- Kaynak
- state-of-the-art
- adım
- Basamaklar
- hafızası
- mağaza
- saklı
- Stratejileri
- yapı
- Ders çalışma
- böyle
- arz
- Tedarik zinciri
- destek
- Destek
- Destekler
- tablo
- Bizi daha iyi tanımak için
- alır
- Görev
- takım
- takım
- teknoloji
- Teknik
- teknikleri
- onlarca
- test
- o
- The
- Gelecek
- Grafik
- Kaynak
- ve bazı Asya
- Orada.
- bu nedenle
- Bunlar
- onlar
- düşünmek
- Re-Tweet
- gerçi?
- Binlerce
- tehdit
- üç
- zamanlar
- için
- araçlar
- üst
- trafik
- Tren
- eğitilmiş
- Eğitim
- işlem
- Dönüştürmek
- transformatör
- gerçek
- denemek
- iki
- tip
- türleri
- altında
- benzersiz
- üniversite
- KULLANILABİLİRLİK
- kullanım
- kullanım durumu
- Kullanılmış
- kullanım
- kullanma
- Değerli
- çeşitli
- mekanları
- dikine
- üzerinden
- Türkiye Dental Sosyal Medya Hesaplarından bizi takip edebilirsiniz.
- oldu
- Yol..
- we
- ağ
- web hizmetleri
- İYİ
- ne zaman
- hangi
- geniş ölçüde
- irade
- ile
- olmadan
- işlenmiş
- yazı yazıyor
- tatlım
- Sen
- zefirnet
- ZOO