রিয়েল-টাইম AI/ML-এর জন্য ফিচার স্টোর:বেঞ্চমার্ক, আর্কিটেকচার এবং কেস স্টাডিজ

রিয়েল-টাইম কৃত্রিম বুদ্ধিমত্তা / মেশিন লার্নিং (AI/ML) ব্যবহারের ক্ষেত্রে, যেমন জালিয়াতি প্রতিরোধ এবং সুপারিশ, বৃদ্ধি পাচ্ছে, এবং বৈশিষ্ট্য স্টোরগুলি উত্পাদনে সফলভাবে মোতায়েন করার ক্ষেত্রে একটি মুখ্য ভূমিকা পালন করে। জনপ্রিয় ওপেন সোর্স ফিচার স্টোর ফিস্ট অনুসারে, ব্যবহারকারীরা তাদের সম্প্রদায়ের স্ল্যাকে সবচেয়ে সাধারণ প্রশ্নগুলির মধ্যে একটি হল:কিভাবে মাপযোগ্য/পারফরম্যান্ট উৎসব কি?  এর কারণ হল রিয়েল-টাইম AI/ML-এর জন্য ফিচার স্টোরের সবচেয়ে গুরুত্বপূর্ণ বৈশিষ্ট্য হল অনলাইন স্টোর থেকে ML মডেলে অনলাইন ভবিষ্যদ্বাণী বা স্কোরিংয়ের জন্য ফিচার পরিবেশনের গতি। সফল বৈশিষ্ট্য স্টোরগুলি কঠোর লেটেন্সি প্রয়োজনীয়তাগুলি (মিলিসেকেন্ডে পরিমাপ করা), ধারাবাহিকভাবে (মনে করুন p99) এবং স্কেলে (গিগাবাইট থেকে টেরাবাইট আকারের ডেটাসেট সহ লক্ষ লক্ষ প্রশ্ন প্রতি সেকেন্ড পর্যন্ত) পূরণ করতে পারে যখন একই সময়ে মোট খরচ কম থাকে মালিকানা এবং উচ্চ নির্ভুলতা।

যেমনটি আমরা এই পোস্টে দেখব, একটি অনলাইন ফিচার স্টোরের পছন্দ, সেইসাথে ফিচার স্টোরের আর্কিটেকচার, এটি কতটা কার্যকরী এবং সাশ্রয়ী তা নির্ধারণে গুরুত্বপূর্ণ ভূমিকা পালন করে। এতে আশ্চর্যের কিছু নেই যে প্রায়শই কোম্পানিগুলি, তাদের অনলাইন ফিচার স্টোর বেছে নেওয়ার আগে, আর্কিটেকচার বা অনলাইন ফিচার স্টোরের কোন পছন্দটি সবচেয়ে কার্যকরী এবং সাশ্রয়ী তা দেখার জন্য পুঙ্খানুপুঙ্খ বেঞ্চমার্কিং করে। এই পোস্টে, আমরা রিয়েল-টাইম এআই/এমএল ব্যবহারের ক্ষেত্রে এবং ওপেন সোর্স এবং বাণিজ্যিক বৈশিষ্ট্য স্টোরগুলি সফলভাবে স্থাপনকারী সংস্থাগুলি দ্বারা নির্মিত উভয় DIY বৈশিষ্ট্য স্টোরের আর্কিটেকচার এবং বেঞ্চমার্ক পর্যালোচনা করব। শুরু করা যাক।

1. ওপেন সোর্স ফিস্ট

আসুন প্রথমে বেঞ্চমার্কিং ডেটা এবং তারপরে ফিস্ট ওপেন সোর্স বৈশিষ্ট্য স্টোরের ডেটা আর্কিটেকচারের দিকে নজর দেওয়া যাক। ফিস্ট সম্প্রতি বিভিন্ন অনলাইন স্টোর (Redis বনাম Google ক্লাউড ডেটাস্টোর বনাম AWS DynamoDB) ব্যবহার করার সময় তার বৈশিষ্ট্য পরিবেশন লেটেন্সি তুলনা করার জন্য একটি বেঞ্চমার্ক করেছে। এটি বৈশিষ্ট্যগুলি (যেমন জাভা জিআরপিসি সার্ভার, পাইথন এইচটিটিপি সার্ভার, ল্যাম্বডা ফাংশন ইত্যাদি) বের করার জন্য বিভিন্ন প্রক্রিয়া ব্যবহারের গতির সাথে তুলনা করে। আপনি এই ব্লগ পোস্টে সম্পূর্ণ বেঞ্চমার্ক সেটআপ এবং এর ফলাফল খুঁজে পেতে পারেন। নীচের লাইন:জাভা জিআরপিসি সার্ভার ব্যবহার করে এবং অনলাইন স্টোর হিসাবে রেডিস ব্যবহার করে ফিস্ট পাওয়া গেছে।

উপরের চিত্রে আপনি একটি উদাহরণ দেখতে পাচ্ছেন কিভাবে অনলাইন বন্ধক কোম্পানি Better.com ওপেন-সোর্স ফিস্ট ফিচার স্টোর ব্যবহার করে তার লিড স্কোরিং র‌্যাঙ্কিং সিস্টেম বাস্তবায়ন করেছে। Better.com-এর সিনিয়র সফ্টওয়্যার ইঞ্জিনিয়ার Vitaly Sergey দ্বারা উপস্থাপিত, বৈশিষ্ট্যগুলি অফলাইন স্টোর (S3, Snowflake, এবং Redshift) থেকে অনলাইন স্টোরে (Redis) বাস্তবায়িত হয়েছে৷ তা ছাড়াও, স্ট্রিমিং সোর্স (কাফকা টপিকস) থেকে ফিচারগুলিও অনলাইন স্টোরে প্রবেশ করানো হয়। ফিস্ট সম্প্রতি স্ট্রিমিং ডেটা উত্সের জন্য সমর্থন যোগ করেছে (ব্যাচ ডেটা উত্স ছাড়াও) যা বর্তমানে শুধুমাত্র রেডিসের জন্য সমর্থিত। রিয়েল-টাইম AI/ML ব্যবহারের ক্ষেত্রে স্ট্রিমিং ডেটা উত্সগুলিকে সমর্থন করা খুবই গুরুত্বপূর্ণ কারণ এই ব্যবহারের ক্ষেত্রেগুলি নতুন লাইভ ডেটার উপর নির্ভর করে।

উদাহরণ স্বরূপ, Better.com-এর জন্য একটি লিড স্কোরিং ব্যবহারের ক্ষেত্রে, নতুন লিডগুলি সারাদিন ধরে ক্রমাগত গ্রহণ করা হচ্ছে৷ বৈশিষ্ট্যগুলি বিভিন্ন উত্স থেকে আসে এবং উভয় সত্তা (লিড) এবং তাদের স্কোর করার জন্য ব্যবহৃত বৈশিষ্ট্যগুলি সর্বদা আপডেট হয়, এইভাবে, লিডগুলিকে র‌্যাঙ্ক করা হয় এবং পুনরায় র‌্যাঙ্ক করা হয়৷ যত তাড়াতাড়ি একটি নতুন সীসা আছে এটি ingested এবং মডেল দ্বারা স্কোর করা হয়. একই সময়ে এটি অনলাইন স্টোরে প্রবেশ করানো হয়, আমরা শীঘ্রই এটিকে পুনরায় র‌্যাঙ্ক করতে চাই। Better.com লিডের মেয়াদ 48 ঘন্টা পরে শেষ হয়ে যায় এবং এটি Redis অনলাইন স্টোরে শুধুমাত্র লাইভের সময় (TTL) 48 ঘন্টা নির্ধারণ করে, সত্তা (লিড) এবং 48 ঘন্টা পরে সহযোগী বৈশিষ্ট্য ভেক্টরের মেয়াদ শেষ করার জন্য প্রয়োগ করা হয়। তাই ফিচার স্টোরটি স্বয়ংক্রিয়ভাবে পরিষ্কার হয়ে যায় এবং সেখানে কোনো পুরানো সত্তা বা বৈশিষ্ট্য নেই যা মূল্যবান অনলাইন স্টোরেজ গ্রহণ করে।

ফিস্টের আরেকটি আকর্ষণীয় বাস্তবায়ন হল Microsoft Azure ফিচার স্টোর। আপনি এখানে এর স্থাপত্য দেখতে পারেন। এটি কম লেটেন্সি রিয়েল-টাইম এআই/এমএল ব্যবহারের ক্ষেত্রে অপ্টিমাইজ করা Azure ক্লাউডে চলে, ব্যাচ এবং স্ট্রিমিং সোর্স উভয়কেই সমর্থন করে, সেইসাথে Azure ডেটা এবং AI ইকোসিস্টেমে ইন্টিগ্রেশন। বৈশিষ্ট্যগুলি উভয় ব্যাচ উত্স (Azure Synapse Serverless SQL, Azure Storage / ADLS) এবং স্ট্রিমিং উত্স (Azure ইভেন্ট হাব) থেকে অনলাইন স্টোরে গৃহীত হয়। আপনি যদি ইতিমধ্যেই Azure-এ নিয়োজিত থাকেন বা Azure ইকোসিস্টেমের সাথে পরিচিত হন, তাহলে এই বৈশিষ্ট্য স্টোরটি আপনার জন্য সঠিক হতে পারে। অনলাইন স্টোরের জন্য, এটি Redis-এর জন্য Azure Cache ব্যবহার করে এবং Azure Redis-এর এন্টারপ্রাইজ টিয়ারগুলির সাথে, এটি 99.999% পর্যন্ত উপলব্ধতার সাথে বিশ্বব্যাপী বিতরণ করা ক্যাশে তৈরি করতে সক্রিয়-অ্যাকটিভ জিও-ডুপ্লিকেশন অন্তর্ভুক্ত করে। উপরন্তু, টায়ার্ড মেমরি আর্কিটেকচারে রেডিস চালানোর জন্য এন্টারপ্রাইজ ফ্ল্যাশ টিয়ার ব্যবহার করে আরও খরচ কমানো যেতে পারে যা ডেটা সঞ্চয় করতে ইন-মেমরি (DRAM) এবং ফ্ল্যাশ মেমরি (NVMe বা SSD) উভয়ই ব্যবহার করে।

2. Wix DIY ফিচার স্টোর – MLOps প্ল্যাটফর্মের ভিত্তিপ্রস্তর

রিয়েল-টাইম এআই/এমএল ব্যবহারের ক্ষেত্রে প্রয়োগ করার জন্য নীচে একটি ভিন্ন আর্কিটেকচার রয়েছে। এটি জনপ্রিয় ওয়েবসাইট বিল্ডিং প্ল্যাটফর্ম Wix এর বৈশিষ্ট্য স্টোর আর্কিটেকচার। এটি রিয়েল-টাইম ব্যবহারের ক্ষেত্রে যেমন সুপারিশ, মন্থন এবং প্রিমিয়াম ভবিষ্যদ্বাণী, র‌্যাঙ্কিং এবং স্প্যাম শ্রেণিবদ্ধকরণের জন্য ব্যবহৃত হয়। Wix 200M নিবন্ধিত ব্যবহারকারীদের পরিবেশন করে যার মধ্যে শুধুমাত্র একটি ছোট ভগ্নাংশ যে কোনো সময়ে 'সক্রিয় ব্যবহারকারী'। বৈশিষ্ট্য স্টোরটি যেভাবে প্রয়োগ করা হয়েছিল তার উপর এটি একটি বড় প্রভাব ফেলেছিল। আসুন এটি দেখে নেওয়া যাক।

নীচের তথ্যটি একটি TechTalk উপস্থাপনার উপর ভিত্তি করে যা Ran Romano দ্বারা বিতরণ করা হয়েছিল যখন তিনি Wix এ ML ইঞ্জিনিয়ারিং এর প্রধান ছিলেন। Wix বৈশিষ্ট্য স্টোরে সংরক্ষিত 90%-এর বেশি ডেটা হল ক্লিকস্ট্রিম এবং ML মডেলগুলি ওয়েবসাইট বা প্রতি ব্যবহারকারীর জন্য ট্রিগার করা হয়। Ran ব্যাখ্যা করে যে রিয়েল-টাইম ব্যবহারের ক্ষেত্রে, লেটেন্সি একটি বড় সমস্যা। এছাড়াও, তাদের কিছু উৎপাদন ব্যবহারের ক্ষেত্রে, তাদের মিলিসেকেন্ডের মধ্যে বৈশিষ্ট্য ভেক্টর বের করতে হবে।

কাঁচা ডেটা একটি S3 বালতিতে AWS-এ Parquet ফাইলগুলিতে সংরক্ষণ করা হয় এবং ব্যবসায়িক ইউনিট (যেমন 'সম্পাদক', 'রেস্তোরাঁ', 'বুকিং' ইত্যাদি) এবং তারপর তারিখ অনুসারে বিভাজন করা হয়। এটি তার ডেটা বিশ্লেষকদের দ্বারা ব্যবহৃত Wix ডেটা প্ল্যাটফর্মের অংশ যা কয়েক বছর আগে Wix ML প্ল্যাটফর্মের পূর্ববর্তী। একটি দৈনিক বিল্ডে স্পার্ক, এসকিউএল ব্যবহার করে ব্যাচ প্রক্রিয়া (যা মিনিট থেকে ঘন্টা সময় নেয়) সমস্ত ব্যবহারকারীর ইতিহাস বৈশিষ্ট্য S3 থেকে বের করা হয়, ব্যবহারকারী দ্বারা পিভট করা এবং একত্রিত করা হয় এবং অফলাইন স্টোরে (Apache Hbase) প্রবেশ করানো হয়। এটি 'ব্যবহারকারী' দ্বারা, এর ব্যবহারকারীদের ইতিহাসের সন্ধান করে অনেক দ্রুত প্রদান করে। একবার সিস্টেম শনাক্ত করে যে একজন ব্যবহারকারী বর্তমানে সক্রিয়, একটি 'ওয়ার্মআপ'৷ প্রক্রিয়াটি ট্রিগার করা হয় এবং সেই ব্যবহারকারীর বৈশিষ্ট্যগুলি অনলাইন স্টোরে (Redis) লোড করা হয় যা অফলাইন স্টোরের তুলনায় অনেক ছোট কারণ এটি শুধুমাত্র সক্রিয় ব্যবহারকারীদের ব্যবহারকারীর ইতিহাস ধারণ করে। এই 'ওয়ার্মআপ' প্রক্রিয়াটি কয়েক সেকেন্ড সময় নিতে পারে। এবং অবশেষে, অনলাইন বৈশিষ্ট্য স্টোরের বৈশিষ্ট্যগুলি ব্যবহারকারীর কাছ থেকে আসা প্রতিটি ইভেন্টের (Apache Storm ব্যবহার করে) স্ট্রিমিং উত্স থেকে সরাসরি তাজা লাইভ রিয়েল-টাইম ডেটা ব্যবহার করে ক্রমাগত আপডেট করা হয়।

ফিস্ট আর্কিটেকচারের তুলনায় এই ধরনের আর্কিটেকচারে লেখার সাথে লেখার অনুপাত কম,  যা বস্তুগতকরণ এবং অনলাইন স্টোরেজের ক্ষেত্রে খুবই দক্ষ কারণ এটি শুধুমাত্র অনলাইন স্টোরে সক্রিয় ব্যবহারকারীদের জন্য সমস্ত ব্যবহারকারীর জন্য বৈশিষ্ট্য সংরক্ষণ করে। যেহেতু সক্রিয় ব্যবহারকারীরা Wix-এর মধ্যে সমস্ত নিবন্ধিত ব্যবহারকারীদের একটি ছোট ভগ্নাংশ তৈরি করে, এটি একটি বিশাল সঞ্চয়ের প্রতিনিধিত্ব করে। যাইহোক, এই একটি মূল্য আসে. যদিও অনলাইন স্টোর থেকে বৈশিষ্ট্যগুলি পুনরুদ্ধার করা খুব দ্রুত, মিলিসেকেন্ডের মধ্যে, এটি শুধুমাত্র যদি বৈশিষ্ট্যগুলি ইতিমধ্যেই অনলাইন স্টোরের মধ্যে বিদ্যমান থাকে। রেসের অবস্থার কারণে, যেহেতু ওয়ার্মআপ প্রক্রিয়াটি কয়েক সেকেন্ড সময় নেয়, ব্যবহারকারী সক্রিয় হওয়ার সাথে সাথে প্রাসঙ্গিক বৈশিষ্ট্যগুলি লোড করার জন্য এটি যথেষ্ট দ্রুত হবে না। সুতরাং, সেই ব্যবহারকারীর জন্য স্কোরিং বা ভবিষ্যদ্বাণী কেবল ব্যর্থ হবে। এটি ঠিক আছে যতক্ষণ না ব্যবহারের কেসটি সমালোচনামূলক প্রবাহের অংশ না হয় বা মিশন-সমালোচনামূলক ব্যবহারের ক্ষেত্রে যেমন লেনদেন অনুমোদন করা বা জালিয়াতি প্রতিরোধ করা হয়। এই ধরনের আর্কিটেকচার Wix-এর জন্যও খুব নির্দিষ্ট, যেখানে ব্যবহারকারীদের একটি ছোট অংশই যে কোনো সময়ে সক্রিয় ব্যবহারকারী।

3. বাণিজ্যিক বৈশিষ্ট্য স্টোর টেকটন

আসুন এখন টেকটনের বাণিজ্যিক এন্টারপ্রাইজ ফিচার স্টোরের আর্কিটেকচার দেখুন। আমরা নীচের চিত্রটিতে দেখতে পাচ্ছি, ব্যাচ ডেটা উত্স এবং স্ট্রিমিং ডেটা উত্স ছাড়াও, টেকটন 'আউট-অফ-দ্য-বক্স' রিয়েল-টাইম ডেটা উত্সগুলিকেও সমর্থন করে। এগুলোকে ‘রিয়েল-টাইম ফিচারও বলা হয় ' বা 'রিয়েল-টাইম' রূপান্তর। রিয়েল-টাইম বৈশিষ্ট্য শুধুমাত্র অনুমান অনুরোধে গণনা করা যেতে পারে. উদাহরণস্বরূপ সন্দেহজনক লেনদেনের আকার এবং শেষ লেনদেনের আকারের মধ্যে পার্থক্য। সুতরাং, উপরে ওপেন সোর্স ফিস্ট সহ Better.com এর ক্ষেত্রে, Better.com রিয়েল-টাইম বৈশিষ্ট্যগুলির জন্য নিজস্ব সমর্থন বিকাশ করেছে। Tecton বৈশিষ্ট্য স্টোরের সাথে, এটি কার্যকর করা সহজ কারণ এটি ইতিমধ্যেই বৈশিষ্ট্য স্টোর দ্বারা স্থানীয়ভাবে সমর্থিত। ফিস্ট এবং উইক্স ফিচার স্টোরের মতো, টেকটনও রেজিস্ট্রির বৈশিষ্ট্যগুলিকে সংজ্ঞায়িত করে যাতে অফলাইন এবং অনলাইন স্টোর উভয়ের জন্যই যৌক্তিক সংজ্ঞা একবার সংজ্ঞায়িত করা হয়। এটি উৎপাদনে এমএল মডেলের উচ্চ নির্ভুলতা নিশ্চিত করতে প্রশিক্ষণ-সার্ভিং স্কুকে উল্লেখযোগ্যভাবে হ্রাস করে।

অফলাইন স্টোর, অনলাইন স্টোর এবং বেঞ্চমার্কিং-এর পছন্দের ক্ষেত্রে, অফলাইন ফিচার স্টোর টেকটন S3 সমর্থন করে, অনলাইন স্টোরের জন্য Tecton এখন তার গ্রাহকদের DynamoDB এবং Redis Enterprise ক্লাউডের মধ্যে একটি পছন্দ অফার করে। সাম্প্রতিক একটি উপস্থাপনায়, টেকটন সিটিও কেভিন স্টাম্প্ফ আপনার অনলাইন বৈশিষ্ট্যের দোকানটি কীভাবে বেছে নেবেন সে সম্পর্কে টিপস প্রদান করেছেন, কোম্পানির সম্প্রতি সম্পাদিত বেঞ্চমার্কের উপর ভিত্তি করে। বেঞ্চমার্কিং লেটেন্সি এবং থ্রুপুট ছাড়াও, টেকটন অনলাইন স্টোরের খরচও বেঞ্চমার্ক করেছে। এটা কেন গুরুত্বপূর্ণ? উচ্চ থ্রুপুট বা কম লেটেন্সি ব্যবহারের ক্ষেত্রে, অনলাইন স্টোরের খরচ পুরো MLOps প্ল্যাটফর্মের মালিকানার মোট খরচের একটি বড় এবং একটি উল্লেখযোগ্য অংশ হতে পারে, তাই যেকোনো খরচ সঞ্চয় যথেষ্ট হতে পারে।

টেকটনের বেঞ্চমার্কিং-এর নীচের লাইনটি হল যে উচ্চ থ্রুপুট ব্যবহারের ক্ষেত্রে টেকটনের ব্যবহারকারীদের জন্য সাধারণ, রেডিস এন্টারপ্রাইজ 3 গুণ দ্রুত এবং একই সময়ে ডায়নামোডিবি-র তুলনায় 14 গুণ কম ব্যয়বহুল।

তাই আপনি জিজ্ঞাসা করতে পারেন ধরা কি? আপনার যদি শুধুমাত্র একটি ব্যবহারের ক্ষেত্রে থাকে, এবং এটিতে উচ্চ বা সামঞ্জস্যপূর্ণ থ্রুপুট না থাকে এবং এটির কোনো কঠোর লেটেন্সি প্রয়োজনীয়তা না থাকে, তাহলে আপনি DynamoDB এর সাথে যেতে পারেন। আপনি এখানে টেকটনের বেঞ্চমার্কের সম্পূর্ণ বিবরণ এবং ফলাফল পেতে পারেন।

4. বাণিজ্যিক বৈশিষ্ট্য স্টোর Qwak

নীচে একটি বৈশিষ্ট্য স্টোর আর্কিটেকচারের আরেকটি উদাহরণ। এটি একটি বাণিজ্যিক বৈশিষ্ট্য স্টোর Qwak উপর ভিত্তি করে, Lightricks দ্বারা ব্যবহৃত হয়. Lightricks হল একটি ইউনিকর্ন কোম্পানি যেটি ভিডিও এবং ইমেজ এডিটিং মোবাইল অ্যাপস ডেভেলপ করে, বিশেষ করে সেলফি-এডিটিং অ্যাপ, ফেসটিউনের জন্য পরিচিত। এটি তার সুপারিশ সিস্টেমের জন্য বৈশিষ্ট্য স্টোর ব্যবহার করে৷

উপরের চিত্রে যেমন দেখানো হয়েছে, টেকটনের মতো, Qwak ফিচার স্টোরটি তিন ধরনের বৈশিষ্ট্যের উত্স সমর্থন করে - ব্যাচ, স্ট্রিমিং এবং রিয়েল-টাইম বৈশিষ্ট্য।

এটি লক্ষ করা গুরুত্বপূর্ণ যে Qwak ফিচার স্টোরের সাথে, বৈশিষ্ট্য স্টোরে বৈশিষ্ট্যগুলির বাস্তবায়ন সরাসরি অফলাইন স্টোর (S3-এ Parquet ফাইলগুলি ব্যবহার করে) এবং অনলাইন স্টোর (Redis ব্যবহার করে) উভয়ের জন্য কাঁচা ডেটা উৎস থেকে করা হয়। এটি Wix, Feast, বা Tecton-এর বৈশিষ্ট্য স্টোরের উদাহরণগুলির তুলনায় ভিন্ন যেখানে অনলাইন স্টোরের বাস্তবায়ন অফলাইন স্টোর থেকে অনলাইন স্টোরে ব্যাচের উত্সগুলির জন্য করা হয়। এটির সুবিধা রয়েছে যে শুধুমাত্র একটি বৈশিষ্ট্যের রূপান্তর যুক্তিই প্রশিক্ষণ এবং পরিবেশন প্রবাহ জুড়ে একীভূত হয় না (উপরে ফিস্ট, উইক্স এবং টেকটনের বৈশিষ্ট্য স্টোরগুলির মতো), তবে প্রকৃত রূপান্তর বা বৈশিষ্ট্য গণনাও একইভাবে সম্পন্ন হয়, আরও হ্রাস পায়। প্রশিক্ষণ পরিবেশন তির্যক. সরাসরি কাঁচা ডেটা থেকে অফলাইন এবং অনলাইনের জন্য একটি ইউনিফাইড ডেটা পাইপলাইন থাকার ফলে উত্পাদনের সময় আরও বেশি নির্ভুলতা নিশ্চিত করার সম্ভাবনা রয়েছে। আপনি এই উপস্থাপনায় Qwak-এর বৈশিষ্ট্য স্টোর আর্কিটেকচার এবং উপাদান সম্পর্কে আরও তথ্য পেতে পারেন।

সারাংশ

এই পোস্টে, আমরা রিয়েল-টাইম AI/ML-এর জন্য বেশ কয়েকটি ফিচার স্টোরের বেঞ্চমার্ক এবং আর্কিটেকচারের মূল হাইলাইটগুলি পর্যালোচনা করেছি। প্রথমটি ওপেন সোর্স ফিস্ট, দ্বিতীয়টি DIY Wix বৈশিষ্ট্য স্টোর, তৃতীয়টি Tecton থেকে এবং চতুর্থটি Qwak-এর। কোন অনলাইন স্টোরটি সবচেয়ে বেশি পারফরম্যান্স এবং সবচেয়ে সাশ্রয়ী তা দেখতে আমরা এই কোম্পানিগুলির কিছু বেঞ্চমার্কের হাইলাইটগুলি পর্যালোচনা করেছি৷ অনলাইন স্টোর থেকে বৈশিষ্ট্যগুলি বের করার জন্য কোন পদ্ধতি বা বৈশিষ্ট্য সার্ভার ব্যবহার করতে হবে তাও আমরা অনুসন্ধান করেছি৷ আমরা দেখেছি যে স্থাপত্য, সমর্থিত ধরণের বৈশিষ্ট্য এবং নির্বাচিত উপাদানগুলির উপর নির্ভর করে বৈশিষ্ট্য স্টোরগুলির কার্যকারিতা এবং ব্যয়ের মধ্যে উল্লেখযোগ্য পার্থক্য রয়েছে৷

মূলত -এ প্রকাশিত KDnuggets ।