کی اوپن سورس ریلیز کا اعلان کرتے ہوئے ہم پرجوش ہیں۔ گراف طوفان 0.1، ایک کم کوڈ انٹرپرائز گراف مشین لرننگ (ML) فریم ورک جو مہینوں کے بجائے دنوں میں پیچیدہ انٹرپرائز پیمانے پر گراف ایم ایل سلوشنز کی تعمیر، تربیت اور تعیناتی کرتا ہے۔ GraphStorm کے ساتھ، آپ ایسے حل تیار کر سکتے ہیں جو براہ راست اربوں اداروں کے درمیان تعلقات یا تعاملات کی ساخت کو مدنظر رکھتے ہیں، جو کہ فطری طور پر زیادہ تر حقیقی دنیا کے ڈیٹا میں شامل ہیں، بشمول فراڈ کا پتہ لگانے کے منظرنامے، سفارشات، کمیونٹی کا پتہ لگانے، اور تلاش/بازیافت کے مسائل۔
اب تک، پیچیدہ انٹرپرائز گرافس کے لیے گراف ایم ایل سلوشنز بنانا، ٹریننگ کرنا اور تعینات کرنا بہت مشکل رہا ہے جس میں آسانی سے اربوں نوڈس، سیکڑوں اربوں کناروں، اور درجنوں صفات ہیں—ذرا Amazon.com کی مصنوعات کو پکڑنے والے گراف کے بارے میں سوچیں۔ ، مصنوعات کی خصوصیات، صارفین، اور مزید۔ GraphStorm کے ساتھ، ہم ان ٹولز کو جاری کرتے ہیں جو Amazon اندرونی طور پر بڑے پیمانے پر گراف ایم ایل حل کو پیداوار میں لانے کے لیے استعمال کرتا ہے۔ GraphStorm کے لیے آپ کو گراف ML میں ماہر ہونے کی ضرورت نہیں ہے اور یہ GitHub پر Apache v2.0 لائسنس کے تحت دستیاب ہے۔ GraphStorm کے بارے میں مزید جاننے کے لیے، ملاحظہ کریں۔ GitHub ذخیرہ.
اس پوسٹ میں، ہم گراف اسٹورم کا تعارف، اس کے فن تعمیر، اور اسے استعمال کرنے کا طریقہ استعمال کرنے کا ایک مثال پیش کرتے ہیں۔
GraphStorm کا تعارف
گراف الگورتھم اور گراف ایم ایل بہت سے اہم کاروباری مسائل جیسے کہ لین دین کے خطرات کی پیشین گوئی، گاہک کی ترجیحات کا اندازہ لگانا، مداخلتوں کا پتہ لگانا، سپلائی چین کو بہتر بنانا، سوشل نیٹ ورک کا تجزیہ، اور ٹریفک کی پیشن گوئی کے لیے جدید ترین حل کے طور پر ابھر رہے ہیں۔ مثال کے طور پر، ایمیزون گارڈ ڈیوٹی، مقامی AWS خطرے کا پتہ لگانے کی خدمت، اپنی خطرے کی انٹیلی جنس کی کوریج اور درستگی کو بہتر بنانے کے لیے اربوں کناروں کے ساتھ گراف کا استعمال کرتی ہے۔ یہ GuardDuty کو پہلے سے غیر دیکھے ہوئے ڈومینز کی درجہ بندی کرنے کی اجازت دیتا ہے جو کہ معلوم نقصاندہ ڈومینز سے ان کی وابستگی کی بنیاد پر بدنیتی پر مبنی یا بے نظیر ہونے کا امکان رکھتا ہے۔ گراف نیورل نیٹ ورکس (GNNs) کا استعمال کرتے ہوئے، GuardDuty صارفین کو متنبہ کرنے کی اپنی صلاحیت کو بڑھانے کے قابل ہے۔
تاہم، گراف ایم ایل سلوشنز کو تیار کرنے، لانچ کرنے اور چلانے میں مہینوں لگتے ہیں اور گراف ایم ایل کی مہارت کی ضرورت ہوتی ہے۔ پہلے قدم کے طور پر، ایک گراف ایم ایل سائنسدان کو ڈیپ گراف لائبریری (DGL) جیسے فریم ورک کا استعمال کرتے ہوئے دیے گئے استعمال کے کیس کے لیے گراف ایم ایل ماڈل بنانا ہوتا ہے۔ انٹرپرائز ایپلی کیشنز میں گراف کی جسامت اور پیچیدگی کی وجہ سے اس طرح کے ماڈلز کو تربیت دینا مشکل ہے، جو معمول کے مطابق اربوں نوڈس، سیکڑوں اربوں کناروں، مختلف نوڈ اور کنارے کی اقسام، اور سینکڑوں نوڈ اور کنارے کی خصوصیات تک پہنچتے ہیں۔ انٹرپرائز گراف کے لیے ٹیرا بائٹس میموری اسٹوریج کی ضرورت ہوتی ہے، جس میں گراف ایم ایل سائنسدانوں کو پیچیدہ ٹریننگ پائپ لائنز بنانے کی ضرورت ہوتی ہے۔ آخر میں، ایک ماڈل کی تربیت کے بعد، ان کو تخمینہ لگانے کے لیے تعینات کرنا پڑتا ہے، جس کے لیے انفرنس پائپ لائنز کی ضرورت ہوتی ہے جو تربیتی پائپ لائنوں کی طرح تعمیر کرنا مشکل ہوتی ہیں۔
GraphStorm 0.1 ایک کم کوڈ انٹرپرائز گراف ML فریم ورک ہے جو ML پریکٹیشنرز کو آسانی سے پہلے سے طے شدہ گراف ML ماڈلز چننے کی اجازت دیتا ہے جو کہ کارآمد ثابت ہوئے ہیں، اربوں نوڈس کے ساتھ گراف پر تقسیم شدہ تربیت چلاتے ہیں، اور ماڈلز کو پروڈکشن میں تعینات کرتے ہیں۔ GraphStorm بلٹ ان گراف ایم ایل ماڈلز کا مجموعہ پیش کرتا ہے، جیسے کہ Relational Graph Convolutional Networks (RGCN)، Relational Graph Attention Networks (RGAT)، اور Heterogeneous Graph Transformer (HGT) متضاد گراف کے ساتھ انٹرپرائز ایپلی کیشنز کے لیے، جو ML انجینئرز کو بہت کم اجازت دیتے ہیں۔ گراف ایم ایل کی مہارت اپنے کام کے لیے مختلف ماڈل سلوشنز کو آزمانے اور صحیح کو فوری طور پر منتخب کریں۔ اینڈ ٹو اینڈ ڈسٹری بیوٹڈ ٹریننگ اور انفرنس پائپ لائنز، جو بلین پیمانہ انٹرپرائز گراف تک پیمانہ کرتی ہیں، اس کو ٹریننگ، ڈیپلائی، اور انفرنس کو چلانے میں آسان بناتی ہیں۔ اگر آپ GraphStorm یا گراف ML میں عام طور پر نئے ہیں، تو آپ پہلے سے طے شدہ ماڈلز اور پائپ لائنز سے فائدہ اٹھائیں گے۔ اگر آپ ماہر ہیں، تو آپ کے پاس بہترین کارکردگی حاصل کرنے کے لیے ٹریننگ پائپ لائن اور ماڈل فن تعمیر کو ٹیون کرنے کے تمام اختیارات ہیں۔ GraphStorm DGL کے اوپر بنایا گیا ہے، GNN ماڈل تیار کرنے کے لیے ایک وسیع پیمانے پر مقبول فریم ورک، اور Apache v2.0 لائسنس کے تحت اوپن سورس کوڈ کے طور پر دستیاب ہے۔
Amazon AI/ML ریسرچ کے سینئر پرنسپل سائنسدان جارج کیریپیس کہتے ہیں، "گراف اسٹورم کو صنعتی ایپلی کیشنز کے لیے گراف ML طریقوں کو استعمال کرنے اور ان کو چلانے میں مدد کرنے کے لیے ڈیزائن کیا گیا ہے۔" "ایمیزون کے اندر اس کی ریلیز کے بعد سے، گراف اسٹورم نے گراف ایم ایل پر مبنی حل بنانے کی کوشش کو پانچ گنا تک کم کر دیا ہے۔"
"گراف اسٹورم ہماری ٹیم کو GNN ایمبیڈنگ کو 288 ملین نوڈس اور 2 بلین کناروں والے گراف پر خود زیر نگرانی طریقے سے تربیت دینے کے قابل بناتا ہے،" Amazon Measurement, Ad Tech, and Data Science کے پرنسپل اپلائیڈ سائنٹسٹ Haining Yu کہتے ہیں۔ "پہلے سے تربیت یافتہ GNN ایمبیڈنگز ایک جدید ترین BERT پر مبنی بیس لائن کے مقابلے میں خریدار کی سرگرمی کی پیشن گوئی کے کام میں 24% بہتری دکھاتی ہیں۔ یہ دیگر اشتہاری ایپلی کیشنز میں بینچ مارک کارکردگی سے بھی زیادہ ہے۔"
ایمیزون نیپچون اور ایمیزون ٹائم اسٹریم کے جی ایم بریڈ بیبی کہتے ہیں، "گراف اسٹورم سے پہلے، گاہک 500 ملین کناروں کے گراف کو ہینڈل کرنے کے لیے صرف عمودی طور پر پیمائش کر سکتے تھے۔" "GraphStorm صارفین کو بڑے پیمانے پر ایمیزون نیپچون گرافس پر دسیوں اربوں کناروں کے ساتھ GNN ماڈل ٹریننگ کی پیمائش کرنے کے قابل بناتا ہے۔"
گراف اسٹورم تکنیکی فن تعمیر
درج ذیل تصویر گراف اسٹورم کے تکنیکی فن تعمیر کو ظاہر کرتی ہے۔
گراف اسٹورم PyTorch کے اوپر بنایا گیا ہے اور یہ ایک GPU، ایک سے زیادہ GPUs، اور ایک سے زیادہ GPU مشینوں پر چل سکتا ہے۔ یہ تین تہوں پر مشتمل ہے (پچھلی تصویر میں پیلے رنگ کے خانوں میں نشان زد):
- نیچے کی تہہ (Dist GraphEngine) - نیچے کی تہہ تقسیم شدہ گراف ایم ایل کو فعال کرنے کے لیے بنیادی اجزاء فراہم کرتی ہے، بشمول تقسیم شدہ گراف، تقسیم شدہ ٹینسرز، تقسیم شدہ سرایت، اور تقسیم شدہ نمونے۔ گراف ایم ایل ٹریننگ کو ارب نوڈ گراف تک پیمانہ کرنے کے لیے گراف اسٹورم ان اجزاء کا موثر نفاذ فراہم کرتا ہے۔
- درمیانی پرت (جی ایس ٹریننگ/انفرنس پائپ لائن) - درمیانی پرت تربیت دہندگان، تشخیص کاروں، اور پیش گوئوں کو فراہم کرتی ہے تاکہ ماڈل ٹریننگ کو آسان بنایا جا سکے اور بلٹ ان ماڈلز اور آپ کے حسب ضرورت ماڈلز دونوں کے لیے اندازہ لگایا جا سکے۔ بنیادی طور پر، اس پرت کے API کا استعمال کرتے ہوئے، آپ ماڈل کی تربیت کو پیمانے کے بارے میں فکر کیے بغیر ماڈل کی ترقی پر توجہ مرکوز کر سکتے ہیں۔
- اوپر کی تہہ (GS جنرل ماڈل چڑیا گھر) - اوپری تہہ ایک ماڈل چڑیا گھر ہے جس میں مختلف گراف کی اقسام کے لیے مقبول GNN اور غیر GNN ماڈلز ہیں۔ اس تحریر کے مطابق، یہ متنوع گراف کے لیے RGCN، RGAT، اور HGT اور متنی گراف کے لیے BERTGNN فراہم کرتا ہے۔ مستقبل میں، ہم وقتی گراف کے ماڈلز جیسے کہ وقتی گراف کے لیے TGAT کے ساتھ ساتھ نالج گرافس کے لیے TransE اور DistMult کے لیے تعاون شامل کریں گے۔
گراف اسٹورم کا استعمال کیسے کریں۔
GraphStorm انسٹال کرنے کے بعد، آپ کو اپنی ایپلیکیشن کے لیے GML ماڈل بنانے اور تربیت دینے کے لیے صرف تین مراحل کی ضرورت ہے۔
سب سے پہلے، آپ اپنے ڈیٹا کو پہلے سے پروسیس کرتے ہیں (ممکنہ طور پر آپ کی حسب ضرورت فیچر انجینئرنگ سمیت) اور اسے گراف اسٹورم کے لیے درکار ٹیبل فارمیٹ میں تبدیل کرتے ہیں۔ ہر نوڈ کی قسم کے لیے، آپ ایک ٹیبل کی وضاحت کرتے ہیں جو اس قسم کے تمام نوڈس اور ان کی خصوصیات کی فہرست دیتا ہے، ہر نوڈ کے لیے ایک منفرد ID فراہم کرتا ہے۔ ہر کنارے کی قسم کے لیے، آپ اسی طرح ایک ٹیبل کی وضاحت کرتے ہیں جس میں ہر قطار میں اس قسم کے کنارے کے لیے سورس اور ڈیسٹینیشن نوڈ IDs ہوتے ہیں (مزید معلومات کے لیے، دیکھیں اپنا ڈیٹا ٹیوٹوریل استعمال کریں۔)۔ اس کے علاوہ، آپ JSON فائل فراہم کرتے ہیں جو مجموعی گراف کی ساخت کو بیان کرتی ہے۔
دوسرا، کمانڈ لائن انٹرفیس (CLI) کے ذریعے، آپ GraphStorm کا بلٹ ان استعمال کرتے ہیں۔ construct_graph
کچھ گراف اسٹورم مخصوص ڈیٹا پروسیسنگ کے لیے جزو، جو موثر تقسیم شدہ تربیت اور تخمینہ کو قابل بناتا ہے۔
تیسرا، آپ ماڈل اور ٹریننگ کو YAML فائل میں ترتیب دیتے ہیں (مثال کے طور پر(gs_node_classification
, gs_node_regression
, gs_edge_classification
, gs_edge_regression
, gs_link_prediction
) ماڈل کو تربیت دینے کے لیے ٹریننگ پائپ لائنز کے طور پر۔ اس قدم کے نتیجے میں تربیت یافتہ ماڈل نمونے ملتے ہیں۔ قیاس کرنے کے لیے، آپ کو اسی GraphStorm جزو کا استعمال کرتے ہوئے تخمینہ ڈیٹا کو گراف میں تبدیل کرنے کے لیے پہلے دو مراحل کو دہرانے کی ضرورت ہے (construct_graph
) پہلے کی طرح.
آخر میں، آپ پانچ بلٹ ان اجزاء میں سے ایک کو استعمال کر سکتے ہیں، وہی جو ماڈل ٹریننگ کے لیے استعمال کیا گیا تھا، سرایت کرنے یا پیشین گوئی کے نتائج پیدا کرنے کے لیے ایک انفرنس پائپ لائن کے طور پر۔
مجموعی بہاؤ کو بھی مندرجہ ذیل تصویر میں دکھایا گیا ہے۔
مندرجہ ذیل حصے میں، ہم ایک مثال استعمال کیس فراہم کرتے ہیں۔
خام OAG ڈیٹا پر پیشین گوئیاں کریں۔
اس پوسٹ کے لیے، ہم یہ ظاہر کرتے ہیں کہ GraphStorm کس قدر آسانی سے گراف ایم ایل ٹریننگ اور ایک بڑے خام ڈیٹا سیٹ پر تخمینہ کو فعال کر سکتا ہے۔ دی اوپن اکیڈمک گراف (OAG) پانچ اداروں پر مشتمل ہے (کاغذات، مصنفین، مقامات، وابستگی، اور مطالعہ کا میدان)۔ خام ڈیٹا سیٹ JSON فائلوں میں 500 GB سے زیادہ کے ساتھ محفوظ ہے۔
ہمارا کام کاغذ کے مطالعہ کے میدان کی پیشین گوئی کرنے کے لیے ایک ماڈل بنانا ہے۔ مطالعہ کے میدان کی پیشین گوئی کرنے کے لیے، آپ اسے ایک کثیر لیبل درجہ بندی کے کام کے طور پر تشکیل دے سکتے ہیں، لیکن لیبلز کو ذخیرہ کرنے کے لیے ون ہاٹ انکوڈنگ کا استعمال کرنا مشکل ہے کیونکہ سیکڑوں ہزاروں فیلڈز ہیں۔ لہذا، آپ کو مطالعہ کے نوڈس کا میدان بنانا چاہیے اور اس مسئلے کو لنک پیشین گوئی کے کام کے طور پر تشکیل دینا چاہیے، یہ پیش گوئی کرنا چاہیے کہ کاغذی نوڈ کو مطالعہ کے کس شعبے سے منسلک ہونا چاہیے۔
اس ڈیٹاسیٹ کو گراف کے طریقہ کار کے ساتھ ماڈل کرنے کے لیے، پہلا مرحلہ ڈیٹاسیٹ پر کارروائی کرنا اور اداروں اور کناروں کو نکالنا ہے۔ گراف کی وضاحت کرنے کے لیے آپ JSON فائلوں سے پانچ قسم کے کنارے نکال سکتے ہیں، جو درج ذیل تصویر میں دکھایا گیا ہے۔ آپ GraphStorm میں Jupyter نوٹ بک استعمال کر سکتے ہیں۔ مثال کوڈ ڈیٹاسیٹ پر کارروائی کرنے اور ہر ہستی کی قسم کے لیے پانچ entity ٹیبلز اور ہر کنارے کی قسم کے لیے پانچ ایج ٹیبل تیار کرنے کے لیے۔ Jupyter نوٹ بک ٹیکسٹ ڈیٹا کے ساتھ اداروں پر BERT ایمبیڈنگز بھی تیار کرتی ہے، جیسے کاغذات۔
اداروں کے درمیان ہستیوں اور کناروں کی وضاحت کرنے کے بعد، آپ تشکیل دے سکتے ہیں۔ mag_bert.json
، جو گراف اسکیما کی وضاحت کرتا ہے، اور بلٹ ان گراف کنسٹرکشن پائپ لائن کو طلب کرتا ہے۔ construct_graph
گراف بنانے کے لیے GraphStorm میں (مندرجہ ذیل کوڈ دیکھیں)۔ اگرچہ GraphStorm گراف کی تعمیراتی پائپ لائن ایک مشین میں چلتی ہے، یہ نوڈس اور کنارے کی خصوصیات کو متوازی طور پر پروسیس کرنے کے لیے ملٹی پروسیسنگ کی حمایت کرتی ہے (--num_processes
) اور ہستی اور کنارے کی خصوصیات کو بیرونی میموری پر محفوظ کر سکتا ہے (--ext-mem-workspace
) بڑے ڈیٹاسیٹس تک پیمانہ کرنے کے لیے۔
اتنے بڑے گراف پر کارروائی کرنے کے لیے، آپ کو گراف بنانے کے لیے ایک بڑی میموری والے CPU مثال کی ضرورت ہے۔ آپ ایک استعمال کر سکتے ہیں۔ ایمیزون لچکدار کمپیوٹ کلاؤڈ OAG گراف کی تعمیر کے لیے (Amazon EC2) r6id.32x بڑا مثال (128 vCPU اور 1 TB RAM) یا r6a.48x بڑی مثالیں (192 vCPU اور 1.5 TB RAM)۔
گراف بنانے کے بعد، آپ استعمال کر سکتے ہیں۔ gs_link_prediction
چار g5.48xبڑے مثالوں پر لنک پیشن گوئی ماڈل کو تربیت دینے کے لیے۔ بلٹ ان ماڈلز استعمال کرتے وقت، آپ تقسیم شدہ ٹریننگ جاب شروع کرنے کے لیے صرف ایک کمانڈ لائن کو استعمال کرتے ہیں۔ درج ذیل کوڈ دیکھیں:
ماڈل ٹریننگ کے بعد، ماڈل آرٹفیکٹ کو فولڈر میں محفوظ کیا جاتا ہے۔ /data/mag_lp_model
.
اب آپ GNN ایمبیڈنگز بنانے اور ماڈل کی کارکردگی کا جائزہ لینے کے لیے لنک پیشن گوئی کا اندازہ چلا سکتے ہیں۔ گراف اسٹورم ماڈل کی کارکردگی کا جائزہ لینے کے لیے متعدد بلٹ ان ایویلیویشن میٹرکس فراہم کرتا ہے۔ لنک کی پیشن گوئی کے مسائل کے لیے، مثال کے طور پر، GraphStorm خود بخود میٹرک میین ریسیپروکل رینک (MRR) کو آؤٹ پٹ کرتا ہے۔ MRR گراف لنک پیشین گوئی ماڈلز کا جائزہ لینے کے لیے ایک قابل قدر میٹرک ہے کیونکہ اس سے اندازہ ہوتا ہے کہ اصل لنکس کو پیش گوئی کردہ لنکس میں کتنا اونچا درجہ دیا گیا ہے۔ یہ پیشین گوئیوں کے معیار کو حاصل کرتا ہے، اس بات کو یقینی بناتا ہے کہ ہمارا ماڈل صحیح رابطوں کو درست طریقے سے ترجیح دیتا ہے، جو کہ یہاں ہمارا مقصد ہے۔
آپ ایک کمانڈ لائن کے ساتھ اندازہ چلا سکتے ہیں، جیسا کہ درج ذیل کوڈ میں دکھایا گیا ہے۔ اس صورت میں، ماڈل تعمیر شدہ گراف کے ٹیسٹ سیٹ پر 0.31 کے MRR تک پہنچ جاتا ہے۔
نوٹ کریں کہ انفرنس پائپ لائن لنک پیشن گوئی ماڈل سے ایمبیڈنگز تیار کرتی ہے۔ کسی بھی مقالے کے لیے مطالعہ کا میدان تلاش کرنے کے مسئلے کو حل کرنے کے لیے، صرف ایمبیڈنگز پر k-قریب ترین پڑوسی تلاش کریں۔
نتیجہ
GraphStorm ایک نیا گراف ML فریم ورک ہے جو انڈسٹری گرافس پر گراف ML ماڈلز کو بنانا، ٹریننگ اور تعینات کرنا آسان بناتا ہے۔ یہ گراف ایم ایل میں کچھ اہم چیلنجوں کو حل کرتا ہے، بشمول اسکیل ایبلٹی اور قابل استعمال۔ یہ خام ان پٹ ڈیٹا سے لے کر ماڈل ٹریننگ اور ماڈل انفرنس تک بلین پیمانہ گراف پر کارروائی کرنے کے لیے بلٹ ان اجزاء فراہم کرتا ہے اور اس نے متعدد ایمیزون ٹیموں کو مختلف ایپلی کیشنز میں جدید ترین گراف ایم ایل ماڈلز کو تربیت دینے کے قابل بنایا ہے۔ ہمارے چیک کریں GitHub ذخیرہ مزید معلومات کے لیے.
مصنفین کے بارے میں
دا زینگ AWS AI/ML ریسرچ میں ایک سینئر اپلائیڈ سائنس دان ہے جو گراف مشین لرننگ کو پروڈکشن میں لانے کے لیے تکنیک اور فریم ورک تیار کرنے کے لیے گراف مشین لرننگ ٹیم کی قیادت کرتا ہے۔ دا نے جانس ہاپکنز یونیورسٹی سے کمپیوٹر سائنس میں پی ایچ ڈی کی۔
فلورین سوپ AWS AI/ML ریسرچ میں ایک پرنسپل ٹیکنیکل پروڈکٹ مینیجر ہے جو گراف مشین لرننگ گروپ جیسی جدید سائنس ٹیموں کی مدد کرتا ہے اور ML صلاحیتوں کے ساتھ Amazon DataZone جیسی مصنوعات کو بہتر بناتا ہے۔ AWS میں شامل ہونے سے پہلے، Bosch میں خودکار ڈرائیونگ کے لیے فلوریئن لیڈ ٹیکنیکل پروڈکٹ مینجمنٹ، McKinsey & Company میں حکمت عملی کے مشیر تھے، اور کنٹرول سسٹمز/روبوٹکس سائنسدان کے طور پر کام کرتے تھے – ایک ایسا شعبہ جس میں اس نے پی ایچ ڈی کی ڈگری حاصل کی۔
- SEO سے چلنے والا مواد اور PR کی تقسیم۔ آج ہی بڑھا دیں۔
- ای وی ایم فنانس۔ وکندریقرت مالیات کے لیے متحد انٹرفیس۔ یہاں تک رسائی حاصل کریں۔
- کوانٹم میڈیا گروپ۔ آئی آر/پی آر ایمپلیفائیڈ۔ یہاں تک رسائی حاصل کریں۔
- پلیٹوآئ اسٹریم۔ ویب 3 ڈیٹا انٹیلی جنس۔ علم میں اضافہ۔ یہاں تک رسائی حاصل کریں۔
- ماخذ: https://aws.amazon.com/blogs/machine-learning/fast-track-graph-ml-with-graphstorm-a-new-way-to-solve-problems-on-enterprise-scale-graphs/
- : ہے
- : ہے
- $UP
- 1
- 1 ٹی بی
- 100
- 16
- 31
- 500
- 7
- 8
- 9
- a
- قابلیت
- ہمارے بارے میں
- تعلیمی
- رفتار کو تیز تر
- اکاؤنٹ
- درستگی
- سرگرمی
- اصل
- Ad
- شامل کریں
- اس کے علاوہ
- پتے
- منہ بولابیٹا بنانے
- اشتھارات
- اعلی درجے کی
- وابستگیاں
- کے بعد
- پھر
- AI / ML
- انتباہ
- یلگوردمز
- تمام
- کی اجازت
- کی اجازت دیتا ہے
- بھی
- ایمیزون
- ایمیزون EC2
- ایمیزون نیپچون
- ایمیزون ٹائم اسٹریم
- ایمیزون ویب سروسز
- Amazon.com
- کے درمیان
- an
- تجزیہ
- اور
- اعلان کریں
- متوقع
- کوئی بھی
- اپاچی
- اے پی آئی
- درخواست
- ایپلی کیشنز
- اطلاقی
- فن تعمیر
- کیا
- AS
- ایسوسی ایشن
- At
- توجہ
- اوصاف
- مصنفین
- آٹومیٹڈ
- خود کار طریقے سے
- دستیاب
- AWS
- کی بنیاد پر
- بیس لائن
- بنیادی
- بنیادی طور پر
- BE
- کیونکہ
- رہا
- اس سے پہلے
- معیار
- فائدہ
- BEST
- کے درمیان
- ارب
- اربوں
- دونوں
- پایان
- باکس
- بریڈ
- لانے
- تعمیر
- تعمیر
- تعمیر میں
- کاروبار
- لیکن
- by
- کر سکتے ہیں
- صلاحیتوں
- قبضہ
- گرفتاری
- کیس
- زنجیروں
- چیلنجوں
- چیلنج
- چیک کریں
- درجہ بندی
- کوڈ
- مجموعہ
- COM
- کمیونٹی
- کمپنی کے
- پیچیدہ
- پیچیدگی
- جزو
- اجزاء
- کمپیوٹنگ
- کمپیوٹر
- کمپیوٹر سائنس
- رابطہ قائم کریں
- کنکشن
- مشتمل
- تعمیر
- تعمیر
- تعمیر
- کنسلٹنٹ
- پر مشتمل ہے
- کنٹرول
- سکتا ہے
- کوریج
- تخلیق
- اپنی مرضی کے
- گاہک
- گاہکوں
- da
- اعداد و شمار
- ڈیٹا پروسیسنگ
- ڈیٹا سائنس
- ڈیٹاسیٹس
- دن
- گہری
- وضاحت کرتا ہے
- وضاحت
- مظاہرہ
- تعیناتی
- تعینات
- ڈیزائن
- منزل
- کھوج
- ترقی
- ترقی
- ترقی
- ڈی جی ایل
- مختلف
- مشکل
- براہ راست
- تقسیم کئے
- تقسیم کی تربیت
- do
- نہیں کرتا
- ڈومینز
- درجنوں
- ڈرائیونگ
- دو
- ہر ایک
- آسانی سے
- آسان
- ایج
- موثر
- ہنر
- کوشش
- ایمبیڈڈ
- سرایت کرنا
- کرنڈ
- کو چالو کرنے کے
- چالو حالت میں
- کے قابل بناتا ہے
- آخر سے آخر تک
- انجنیئرنگ
- انجینئرز
- بڑھانے کے
- انٹرپرائز
- اداروں
- ہستی
- اندازہ
- کا جائزہ لینے
- تشخیص
- بھی
- مثال کے طور پر
- سے تجاوز
- بہت پرجوش
- تجربہ
- ماہر
- مہارت
- بیرونی
- نکالنے
- نمایاں کریں
- خصوصیات
- میدان
- قطعات
- اعداد و شمار
- فائل
- فائلوں
- آخر
- تلاش
- پہلا
- بہاؤ
- توجہ مرکوز
- کے بعد
- کے لئے
- فارمیٹ
- چار
- فریم ورک
- فریم ورک
- دھوکہ دہی
- فراڈ کا پتہ لگانے
- سے
- مستقبل
- جنرل
- پیدا
- پیدا ہوتا ہے
- جارج
- حاصل
- GitHub کے
- دی
- GM
- GPU
- GPUs
- گراف
- گرافکس
- گروپ
- ہینڈل
- ہارڈ
- ہے
- he
- مدد
- یہاں
- ہائی
- انتہائی
- ان
- کی ڈگری حاصل کی
- کس طرح
- کتنا اوپر
- کیسے
- HTTP
- HTTPS
- سینکڑوں
- ID
- شناخت
- if
- اہم
- کو بہتر بنانے کے
- بہتری
- کو بہتر بنانے کے
- in
- دیگر میں
- سمیت
- صنعت
- معلومات
- موروثی طور پر
- ان پٹ
- انسٹال کرنا
- مثال کے طور پر
- کے بجائے
- انٹیلی جنس
- بات چیت
- انٹرفیس
- اندرونی طور پر
- میں
- تعارف
- IT
- میں
- ایوب
- جان ہاپکنز یونیورسٹی
- شمولیت
- فوٹو
- JSON
- صرف
- کلیدی
- علم
- جانا جاتا ہے
- لیبل
- بڑے
- بڑے پیمانے پر
- شروع
- شروع
- پرت
- تہوں
- قیادت
- معروف
- جانیں
- سیکھنے
- لائبریری
- لائسنس
- کی طرح
- امکان
- لائن
- LINK
- لنکس
- فہرستیں
- تھوڑا
- مشین
- مشین لرننگ
- مشینیں
- مئی
- بنا
- بناتا ہے
- بنانا
- انتظام
- مینیجر
- انداز
- بہت سے
- نشان لگا دیا گیا
- بڑے پیمانے پر
- میکنسی
- میکنسی اینڈ کمپنی
- مطلب
- پیمائش
- یاد داشت
- طریقہ
- طریقوں
- میٹرک۔
- پیمائش کا معیار
- مشرق
- دس لاکھ
- ML
- ماڈل
- ماڈل
- ماہ
- زیادہ
- سب سے زیادہ
- ایک سے زیادہ
- مقامی
- ضرورت ہے
- نےپربیون
- نیٹ ورک
- نیٹ ورک
- نیند نیٹ ورک
- نئی
- نوڈ
- نوڈس
- نوٹ بک
- اب
- مقصد
- of
- تجویز
- on
- ایک
- صرف
- اوپن سورس
- اوپن سورس کوڈ
- کام
- اصلاح
- آپشنز کے بھی
- or
- دیگر
- ہمارے
- باہر
- پر
- مجموعی طور پر
- خود
- کاغذ.
- کاغذات
- متوازی
- انجام دیں
- کارکردگی
- لینے
- پائپ لائن
- پلاٹا
- افلاطون ڈیٹا انٹیلی جنس
- پلیٹو ڈیٹا
- مقبول
- پوسٹ
- ممکنہ طور پر
- پیشن گوئی
- پیش گوئی
- پیش گوئی
- کی پیشن گوئی
- پیشن گوئی
- ترجیحات
- پہلے
- پرنسپل
- مسئلہ
- مسائل
- عمل
- پروسیسنگ
- مصنوعات
- پروڈکٹ مینجمنٹ
- پروڈکٹ مینیجر
- پیداوار
- حاصل
- ثابت
- فراہم
- فراہم کرتا ہے
- فراہم کرنے
- ڈال
- pytorch
- معیار
- جلدی سے
- RAM
- رینکنگ
- خام
- تک پہنچنے
- پہنچتا ہے
- حقیقی دنیا
- سفارشات
- کم
- تعلقات
- جاری
- دوبارہ
- کی ضرورت
- ضرورت
- کی ضرورت ہے
- تحقیق
- نتائج کی نمائش
- ٹھیک ہے
- خطرات
- معمول سے
- ROW
- رن
- اسی
- کا کہنا ہے کہ
- اسکیل ایبلٹی
- پیمانے
- منظرنامے
- سائنس
- سائنسدان
- سائنسدانوں
- تلاش کریں
- سیکشن
- دیکھنا
- سینئر
- سروس
- سروسز
- مقرر
- ہونا چاہئے
- دکھائیں
- دکھایا گیا
- شوز
- اسی طرح
- آسان بنانے
- صرف
- ایک
- سائز
- سماجی
- سوشل نیٹ ورک
- حل
- حل
- کچھ
- ماخذ
- ریاستی آرٹ
- مرحلہ
- مراحل
- ذخیرہ
- ذخیرہ
- ذخیرہ
- حکمت عملی
- ساخت
- مطالعہ
- اس طرح
- فراہمی
- سپلائی چین
- حمایت
- امدادی
- کی حمایت کرتا ہے
- ٹیبل
- لے لو
- لیتا ہے
- ٹاسک
- ٹیم
- ٹیموں
- ٹیک
- ٹیکنیکل
- تکنیک
- دہلی
- ٹیسٹ
- کہ
- ۔
- مستقبل
- گراف
- ماخذ
- ان
- وہاں.
- لہذا
- یہ
- وہ
- لگتا ہے کہ
- اس
- اگرچہ؟
- ہزاروں
- خطرہ
- تین
- اوقات
- کرنے کے لئے
- اوزار
- سب سے اوپر
- ٹریفک
- ٹرین
- تربیت یافتہ
- ٹریننگ
- ٹرانزیکشن
- تبدیل
- ٹرانسفارمر
- سچ
- کوشش
- دو
- قسم
- اقسام
- کے تحت
- منفرد
- یونیورسٹی
- استعمالی
- استعمال کی شرائط
- استعمال کیس
- استعمال کیا جاتا ہے
- استعمال
- کا استعمال کرتے ہوئے
- قیمتی
- مختلف
- مقامات
- عمودی طور پر
- کی طرف سے
- دورہ
- تھا
- راستہ..
- we
- ویب
- ویب خدمات
- اچھا ہے
- جب
- جس
- بڑے پیمانے پر
- گے
- ساتھ
- بغیر
- کام کیا
- تحریری طور پر
- یامل
- تم
- اور
- زیفیرنیٹ
- چڑیا گھر