GraphRAG સમીક્ષા: તે શું છે, તે કેવી રીતે કાર્ય કરે છે અને શું તે હાઇપને યોગ્ય છે
જો તમને પરંપરાગત RAGની મર્યાદાઓનો અનુભવ થયો હોય—તથ્યો પર ઉત્તમ, તર્ક પર નબળું—તો તમે એકલા નથી. GraphRAG તમારા પુનઃપ્રાપ્તિ પાઇપલાઇનમાં નોલેજ ગ્રાફ્સને વણીને તેને ઠીક કરવાનું વચન આપે છે. પરિણામ? વધુ સંદર્ભ, વધુ સારી તર્કશક્તિ અને સમજાવી શકાય તેવા આઉટપુટ. પરંતુ શું GraphRAG જટિલતા અને ખર્ચને યોગ્ય છે? આ સમીક્ષામાં, હું GraphRAG શું છે, તે વેનીલા વેક્ટર RAG સાથે કેવી રીતે તુલના કરે છે, તેને અમલમાં મૂકવા માટે શું જરૂરી છે અને તે ખરેખર ક્યાં ચમકે છે તેનું વિશ્લેષણ કરીશ.
આ સમીક્ષાને નક્કર બનાવવા માટે, હું તાજેતરના સંશોધન, ઉદ્યોગ માર્ગદર્શન અને વાસ્તવિક દુનિયાના દાખલાઓનો ઉપયોગ કરીશ: GraphRAG પદ્ધતિઓનો એક શૈક્ષણિક સર્વે, ઉત્પાદનમાં GraphRAGનો અમલ કરવા માટેની AWS પ્રેક્ટિશનરની માર્ગદર્શિકા અને ખર્ચ અને ટ્રેડ-ઓફ્સ પર ડેવલપર સમુદાયના પરિપ્રેક્ષ્યો.
- GraphRAG નોલેજ ગ્રાફ સાથે RAGને વધારે છે જેથી તમારું મોડેલ માત્ર સમાન ચંક્સ જ નહીં પરંતુ સંરચિત એન્ટિટી, સંબંધો અને પાથ પણ મેળવી શકે.
- તે માત્ર વેક્ટર પુનઃપ્રાપ્તિની સરખામણીમાં મલ્ટી-હોપ પ્રશ્નો, સમજૂતીઓ અને ડોમેન સુસંગતતા પર વધુ સારું કવરેજ આપે છે.
- ખર્ચ અને જટિલતા વધે છે—ગ્રાફ બાંધકામ માટે ઘણીવાર ઘણા LLM કોલ્સ અને કાળજીપૂર્વક ઓર્કેસ્ટ્રેશનની જરૂર પડે છે.
- જટિલ ડોમેન્સ (ફાઇનાન્સ, કાનૂની, બાયોમેડ, એન્ટરપ્રાઇઝ વિકી), તપાસાત્મક પ્રશ્નો અને પ્રોવેનન્સ-હેવી ઉપયોગના કિસ્સાઓ માટે શ્રેષ્ઠ.
- જો તમારા પ્રશ્નો સરળ FAQs હોય, તો GraphRAG વધુ પડતું હોઈ શકે છે.
GraphRAG બરાબર શું છે?
GraphRAG એ રિટ્રીવલ-ઓગમેન્ટેડ જનરેશન છે જે નોલેજ ગ્રાફ દ્વારા સપોર્ટેડ છે. માત્ર ટેક્સ્ટ ચંક્સને એમ્બેડ કરવા અને પુનઃપ્રાપ્ત કરવાને બદલે, GraphRAG તમારા કોર્પસમાંથી કાઢવામાં આવેલા નોડ્સ (એન્ટિટી, ખ્યાલો) અને એજિસ (સંબંધો)નો સંરચિત ગ્રાફ બનાવે છે. પુનઃપ્રાપ્તિ પછી ગ્રાફ નેબરહુડ્સ અને પાથ સાથે થાય છે, ઘણીવાર હાઇબ્રિડ રિકોલ માટે વેક્ટર શોધ સાથે જોડાય છે. એક તાજેતરના સર્વે વર્કફ્લોને ઔપચારિક બનાવે છે—ગ્રાફ-આધારિત અનુક્રમણિકા, ગ્રાફ-સભાન પુનઃપ્રાપ્તિ અને જનરેશન જે ગ્રાફ સંદર્ભનો લાભ લે છે.
સરળ શબ્દોમાં: વેક્ટર શોધ "શું સમાન દેખાય છે" તે શોધે છે; GraphRAG "વસ્તુઓ કેવી રીતે જોડાય છે" તે પણ સમજે છે.
મુખ્ય ઘટકો
- ગ્રાફ બાંધકામ: ટેક્સ્ટમાંથી એન્ટિટી/સંબંધો કાઢો; નોલેજ ગ્રાફ બનાવો.
- હાઇબ્રિડ પુનઃપ્રાપ્તિ: વેક્ટર સમાનતાને ગ્રાફ ટ્રાન્સવર્સલ અથવા પાથ-ફાઇન્ડિંગ સાથે જોડો.
- ગ્રાફ-સભાન સંદર્ભ એસેમ્બલી: LLM માટે સંદર્ભ તરીકે સબગ્રાફ્સ, સારાંશ અથવા ચેઇન-ઓફ-થોટ જેવા પાથને સપાટી પર લાવો.
- સમજાવટક્ષમતા સ્તર: બતાવો કે કયા નોડ્સ/એજિસે જવાબને સમર્થન આપ્યું.
લોકો કેમ ઉત્સાહિત છે
- વધુ સારી મલ્ટી-હોપ તર્કશક્તિ: ગ્રાફ પાથ દસ્તાવેજોમાં સંબંધોને કેપ્ચર કરે છે, તથ્યોને જોડવાની જરૂર હોય તેવા જવાબોમાં સુધારો કરે છે.
- લાંબા-પૂંછડી તથ્યોનું કવરેજ: એજિસ સંબંધિત સંદર્ભને ખેંચી શકે છે જે એમ્બેડિંગ્સ ચૂકી જાય છે.
- સમજાવટક્ષમતા અને પ્રોવેનન્સ: તમે જવાબમાં ઉપયોગમાં લેવાતા ગ્રાફ પાથ બતાવી શકો છો—ઓડિટ અને નિયંત્રિત વાતાવરણ માટે ઉપયોગી.
- ડોમેન સુસંગતતા: સ્પષ્ટ ઓન્ટોલોજી પરિભાષાને સ્થિર કરે છે અને એન્ટિટી-હેવી સામગ્રી પર આભાસ ઘટાડે છે.
કેચ: જટિલતા અને ખર્ચ
- ગ્રાફ બનાવવો ખર્ચાળ છે: વિકાસકર્તાઓ ગ્રાફને વિશ્વસનીય રીતે વસ્તી બનાવવા માટે ઉચ્ચ LLM કૉલ વોલ્યુમની જાણ કરે છે.
- ચાલુ જાળવણી: જેમ જેમ તમારું કોર્પસ બદલાય છે, તમારે નોડ્સ, એજ પ્રકારો અને એમ્બેડિંગ્સને અપડેટ કરવું આવશ્યક છે.
- ઓર્કેસ્ટ્રેશન ઓવરહેડ: તમારે સંભવતઃ નિષ્કર્ષણ, માન્યતા, ડુપ્લિકેશન અને ગુણવત્તા તપાસ માટે પાઇપલાઇન્સની જરૂર પડશે.
- લેટન્સી: જ્યાં સુધી તમે સબગ્રાફ્સને કેશ ન કરો અથવા સારાંશની ગણતરી પહેલાં ન કરો ત્યાં સુધી ગ્રાફ પુનઃપ્રાપ્તિ + સારાંશ હોપ્સ ઉમેરી શકે છે.
GraphRAG વેક્ટર RAG સાથે કેવી રીતે તુલના કરે છે
- સરળ પ્રશ્નો અને હકીકત લુકઅપ: વેક્ટર RAG ઝડપી, સસ્તું અને ઘણીવાર પૂરતું હોય છે.
- મલ્ટી-ડોક્યુમેન્ટ તર્ક: GraphRAG સંબંધોને મોડેલિંગ કરીને અને પાથ-આધારિત પુરાવાને સક્ષમ કરીને આગળ વધે છે.
- સમજાવટક્ષમતા: GraphRAG જીતે છે—ગ્રાફ અર્થઘટન કરી શકાય તેવા પ્રોવેનન્સ પ્રદાન કરે છે, જ્યારે વેક્ટર અપારદર્શક હોય છે.
- કોલ્ડ સ્ટાર્ટ: વેક્ટર RAGને ઊભું કરવું સરળ છે; GraphRAGને સ્કીમા નિર્ણયો અને નિષ્કર્ષણ ગુણવત્તા ખાતરીની જરૂર છે.
અમલીકરણ યાત્રા (તે ખરેખર શું લે છે)
1) તમારી ઓન્ટોલોજીને પહેલા વ્યાખ્યાયિત કરો
- એન્ટિટી (લોકો, ઉત્પાદનો, SKUs, APIs), સંબંધો ("ઉપયોગ કરે છે", "આધારિત છે", "સંબંધિત છે") અને અવરોધોને ઓળખો.
- મૂળ સ્કીમાથી નાનું શરૂ કરો; સંબંધ પ્રકારો ત્યારે જ ઉમેરો જ્યારે તેઓ પુનઃપ્રાપ્તિ ચલાવે.
2) લેયર્ડ નિષ્કર્ષણ સાથે ગ્રાફ બનાવો
- LLMs અથવા નાના IE મોડેલ્સ સાથે NER અને સંબંધ નિષ્કર્ષણનો ઉપયોગ કરો.
- ઉચ્ચ-ચોકસાઇવાળી ધાર માટે હ્યુરિસ્ટિક નિયમો ઉમેરો (દા.ત., સ્પષ્ટ ટાંકણો, IDs).
- જટિલ સંબંધો માટે માનવ-ઇન-ધ-લૂપ QA; કાર્ડિનાલિટી અને વિશિષ્ટતા માટે પ્રોગ્રામમેટિક તપાસ.
3) તમારા સ્ટેકને સમજી વિચારીને પસંદ કરો
- ગ્રાફ DBs: Neo4j, Amazon Neptune, Azure Cosmos DB (Gremlin/Apache TinkerPop), અથવા ઓપન-સોર્સ RDF સ્ટોર્સ.
- વેક્ટર + ગ્રાફ: હાઇબ્રિડ પુનઃપ્રાપ્તિ માટે વેક્ટર DB (દા.ત., OpenSearch, pgvector, Pinecone) સાથે જોડી બનાવો.
4) પુનઃપ્રાપ્તિ પેટર્ન જે કાર્ય કરે છે
- નેબરહુડ વિસ્તરણ: ક્વેરી એન્ટિટીની આસપાસ k-હોપ સબગ્રાફ્સ મેળવો.
- પાથ શોધ: એન્ટિટી વચ્ચેનો ટૂંકો અથવા સૌથી સિમેન્ટિક રીતે સંબંધિત પાથ શોધો.
- હાઇબ્રિડ રેન્કિંગ: ગાઢ સમાનતા સ્કોર્સ દ્વારા ગ્રાફ ઉમેદવારોને ફરીથી રેન્ક કરો.
- સંક્ષિપ્ત સંદર્ભ: સબગ્રાફ્સને સંરચિત નોંધોમાં સંકુચિત કરો—એન્ટિટી કાર્ડ્સ, સંબંધ સારાંશ, પુરાવા સૂચિઓ.
5) ગાર્ડ્રેલ્સ અને ઓબ્ઝર્વેબિલિટી
- એજ આત્મવિશ્વાસને માન્ય કરો; ટ્રેક કરો કે કઈ એજનો વારંવાર ઉપયોગ થાય છે અથવા વિવાદિત છે.
- ગ્રાફ વિ. વેક્ટર પુનઃપ્રાપ્તિ માટે સાધન ખર્ચ/લેટન્સી અને હિટ-રેટ્સ.
- ડ્રિફ્ટનું નિરીક્ષણ કરો: જ્યારે ડોમેન ભાષા બદલાય ત્યારે નિષ્કર્ષણ મોડેલ્સને ફરીથી તાલીમ આપો.
વાસ્તવિક દુનિયાના ઉપયોગના કિસ્સાઓ જ્યાં GraphRAG જીતે છે
- એન્ટરપ્રાઇઝ નોલેજ બેઝ: ક્રોસ-ટીમ આધાર, નીતિ સંબંધો, ઓર્ગ ચાર્ટ્સ.
- પાલન અને ઓડિટ: ગ્રાફ-બેક્ડ ટાંકણો સાથે ટ્રેસ કરી શકાય તેવા જવાબો.
- બાયોમેડ અને વૈજ્ઞાનિક સાહિત્ય: સંબંધ તર્કથી લાભ મેળવતા એન્ટિટી-હેવી કોર્પોરા.
- ફિનટેક અને જોખમ: કાઉન્ટરપાર્ટી સંબંધો, માલિકી વંશવેલો, ટ્રાન્ઝેક્શન પાથ.
- સ્કેલ પર ગ્રાહક સપોર્ટ: ઉત્પાદન પ્રકારો, સુસંગતતા મેટ્રિક્સ અને મુશ્કેલીનિવારણ પ્રવાહ.
AWS GraphRAGને માત્ર વેક્ટર પુનઃપ્રાપ્તિ કરતાં વધુ વ્યાપક અને સમજાવી શકાય તેવું દર્શાવે છે, ખાસ કરીને જ્યારે હાઇબ્રિડ શોધ અને ગ્રાફ ડેટાબેઝનો ઉપયોગ કરવામાં આવે છે—ઉપયોગી પેટર્ન જેને તમે કોઈપણ ક્લાઉડ પર અનુકૂલિત કરી શકો છો.
પ્રદર્શન: શું અપેક્ષા રાખવી
- મલ્ટી-હોપ અને લાંબા-પૂંછડી ક્વેરીઝ પર ચોકસાઈ લાભ, ખાસ કરીને સ્વચ્છ એન્ટિટી લિંકિંગ સાથે.
- જ્યારે જનરેશન પગલું ગ્રાફ પુરાવા સાથે બંધાયેલું હોય ત્યારે આભાસમાં ઘટાડો.
- જ્યાં સુધી તમે સબગ્રાફ્સને કેશ ન કરો ત્યાં સુધી લેટન્સી વધે છે; સામાન્ય પાથ અથવા એન્ટિટી સારાંશની પહેલાથી ગણતરી કરવાનું વિચારો.
- પ્રારંભિક ગ્રાફ બાંધકામ દરમિયાન ખર્ચમાં વધારો; સ્થિર-સ્થિતિ ખર્ચ અપડેટ આવર્તન અને ક્વેરી વોલ્યુમ પર આધાર રાખે છે.
કિંમત, લાઇસન્સિંગ અને ઇકોસિસ્ટમ
"GraphRAG" એ એક પદ્ધતિ છે, એક જ ઉત્પાદન નથી. તમે સેવાઓને જોડી દેશો:
- ગ્રાફ ડેટાબેઝ (મેનેજ્ડ અથવા સ્વ-હોસ્ટેડ) + વેક્ટર સ્ટોર.
- નિષ્કર્ષણ અને જનરેશન માટે LLM/API ખર્ચ.
- વૈકલ્પિક ઓર્કેસ્ટ્રેશન (Airflow, Dagster) અને મૂલ્યાંકન (Ragas, કસ્ટમ મેટ્રિક્સ).
ઓપન-સોર્સ ફ્રેમવર્ક્સ વધુને વધુ GraphRAG ઘટકો પ્રદાન કરે છે. સાહિત્ય પ્રમાણિત વર્કફ્લો અને મૂલ્યાંકન પદ્ધતિઓ સાથે ઝડપથી વિકસતી જગ્યા દર્શાવે છે. ક્લાઉડ વિક્રેતાઓ તમને શરૂ કરવા માટે સંદર્ભ આર્કિટેક્ચર્સ અને કોડ નમૂનાઓ પ્રકાશિત કરે છે.
વિકાસકર્તા અનુભવ: શું સરળ છે વિ. સ્પાઇકી
- સરળ: ગ્રાફ DBને એકીકૃત કરવું; હાઇબ્રિડ ક્વેરી લેયર્સ બનાવવી; સમજાવી શકાય તેવી UIs (નોડ્સ/એજિસ અને સ્ત્રોતો) રેન્ડર કરવી.
- સ્પાઇકી: સ્કેલ પર ઉચ્ચ-ગુણવત્તાવાળા સંબંધ નિષ્કર્ષણ; એન્ટિટીનું ડિડુપ્લિકેશન; ઓન્ટોલોજીને સ્થિર રાખવી; ગ્રાફ બ્લોટને ટાળવું.
બેન્ચમાર્ક અને મૂલ્યાંકન ટિપ્સ
- જાણતા પાથ સાથે મલ્ટી-હોપ ટેસ્ટ સેટ બનાવો; અંતિમ જવાબો અને પુરાવા કવરેજ બંનેને ગ્રેડ કરો.
- સમજાવી શકાય તેવી ગુણવત્તાને ટ્રેક કરો: શું સિસ્ટમ પ્રતિ દાવા પ્રમાણે યોગ્ય નોડ્સ/એજિસ બતાવી શકે છે?
- સમાન પ્રોમ્પ્ટ્સ પર હાઇબ્રિડ વિ. માત્ર વેક્ટર પુનઃપ્રાપ્તિની તુલના કરો; ચોકસાઈ, લેટન્સી અને સંદર્ભ લંબાઈ માપો.
- અસમર્થિત દાવાઓને સજા કરો ભલે જવાબ વાજબી લાગે—GraphRAG એ ગ્રાઉન્ડિંગમાં સુધારો કરવો જોઈએ.
જ્યારે GraphRAG વધુ પડતું હોય છે
- ન્યૂનતમ ક્રોસ-ડોક્યુમેન્ટ તર્ક સાથે સંકુચિત, FAQ-જેવા ડોમેન્સ.
- ઉચ્ચ-ટર્ન સામગ્રી જ્યાં નિષ્કર્ષણ સતત પાછળ રહેશે.
- ગ્રાફ ટ્રાન્સવર્સલ અથવા સારાંશ માટે જગ્યા વિના કડક લેટન્સી SLAs.
ભલામણો
- વેક્ટર RAG થી શરૂ કરો; ક્વેરીના હાર્ડ વર્ગો માટે ધીમે ધીમે GraphRAG ઉમેરો.
- એક જ વર્ટિકલ (દા.ત., નીતિઓ અથવા ઉત્પાદન સુસંગતતા) અને ન્યૂનતમ ઓન્ટોલોજી સાથે પાયલોટ કરો.
- પહેલાથી ગણતરી કરો અને કેશ કરો: સામાન્ય સબગ્રાફ્સ, એન્ટિટી કાર્ડ્સ અને સંબંધ સારાંશ.
- ખર્ચ ગાર્ડ્રેલ્સ સ્થાપિત કરો: નિષ્કર્ષણ માટે LLM કોલ્સને કેપ કરો અને આત્મવિશ્વાસ થ્રેશોલ્ડનો ઉપયોગ કરો.
- સમજાવી શકાય તેવું વ્યુ વહેલું બનાવો—તે GraphRAGનો મુખ્ય મૂલ્ય પ્રસ્તાવ છે.
માર્ગ દ્વારા: બિલ્ડ લૂપને ઝડપી બનાવવો
જો તમે પ્રોમ્પ્ટ્સ, પુનઃપ્રાપ્તિ ચેઇન્સ અને મૂલ્યાંકન પર પુનરાવર્તન કરી રહ્યા છો, તો AI સહાયકનો ઉપયોગ કરવામાં મદદ મળે છે જે તમારા દસ્તાવેજો અને કોડની સાથે રહી શકે છે. નોંધનીય બાબત: Sider.AI તમને દસ્તાવેજો સાથે ચેટ કરવા, કોડ જનરેટ કરવા અને એક જ વર્કસ્પેસમાં આઉટપુટની તુલના કરવા દે છે, જે GraphRAG પ્રોમ્પ્ટ્સ અને દસ્તાવેજીકરણ સમીક્ષાઓના પ્રોટોટાઇપિંગને વેગ આપી શકે છે (https://sider.ai/). ચુકાદો: શું GraphRAG યોગ્ય છે?
હા—જો તમારા ઉપયોગના કિસ્સાઓમાં મલ્ટી-હોપ તર્ક, પ્રોવેનન્સ અને ડોમેન સુસંગતતાની જરૂર હોય. GraphRAG એ કોઈ રામબાણ ઈલાજ નથી, પરંતુ જટિલ, એન્ટિટી-સમૃદ્ધ ડોમેન્સમાં તે માત્ર વેક્ટર RAG કરતાં એક વાસ્તવિક પગલું આગળ છે. ઉચ્ચ સેટઅપ ખર્ચ અને ઓર્કેસ્ટ્રેશનની અપેક્ષા રાખો, પરંતુ ચોકસાઈ અને વિશ્વાસમાં પણ સ્પષ્ટ લાભો.
જો તમારું વર્કલોડ મોટે ભાગે સીધું Q&A હોય, તો સારી રીતે ટ્યુન કરેલ વેક્ટર RAGને વળગી રહો. બાકીના દરેક માટે—ખાસ કરીને જ્યાં "તમારું કાર્ય બતાવો" મહત્વપૂર્ણ છે—GraphRAG તેની કિંમત કમાય છે.
મુખ્ય ટેકઅવેઝ
- GraphRAG તર્ક અને સમજાવટક્ષમતાને સુધારવા માટે નોલેજ ગ્રાફ્સને RAG સાથે જોડે છે.
- તે મલ્ટી-હોપ ક્વેરી અને પાલન-ભારે દૃશ્યો પર ચમકે છે.
- ખર્ચ અને જટિલતા વધે છે—ગ્રાફ બાંધકામ માટે ઘણા LLM કોલ્સ અને ચાલુ જાળવણીની જરૂર પડે છે.
- નાનું શરૂ કરો, પુનઃપ્રાપ્તિને હાઇબ્રિડાઇઝ કરો અને સમજાવટક્ષમતાને પ્રાથમિકતા આપો.
FAQ
Q1: સરળ શબ્દોમાં GraphRAG શું છે?
GraphRAG એ પુનઃપ્રાપ્તિ-વધારિત જનરેશન છે જે માત્ર સમાન ટેક્સ્ટ ચંક્સ જ નહીં, પરંતુ એન્ટિટી અને સંબંધોને પુનઃપ્રાપ્ત કરવા માટે નોલેજ ગ્રાફનો ઉપયોગ કરે છે. આ માત્ર વેક્ટર RAGની સરખામણીમાં મલ્ટી-હોપ તર્ક અને સમજાવટક્ષમતામાં સુધારો કરે છે.
Q2: મારે વેક્ટર RAGને બદલે GraphRAGનો ઉપયોગ ક્યારે કરવો જોઈએ?
જટિલ, એન્ટિટી-સમૃદ્ધ ડોમેન્સ માટે GraphRAGનો ઉપયોગ કરો જ્યાં પ્રશ્નોને દસ્તાવેજો અને પ્રોવેનન્સ બાબતોમાં તથ્યોને એકસાથે જોડવાની જરૂર હોય. સરળ FAQs અથવા ઝડપી લુકઅપ કાર્યો માટે, વેક્ટર RAG સામાન્ય રીતે પૂરતું છે.
Q3: શું GraphRAG બનાવવું અને જાળવવું ખર્ચાળ છે?
તે હોઈ શકે છે. એન્ટિટી અને સંબંધોને બહાર કાઢવામાં ઘણીવાર ઘણા LLM કોલ્સ અને કાળજીપૂર્વક ડિડુપ્લિકેશનની જરૂર પડે છે, જે ખર્ચમાં વધારો કરે છે. ગ્રાફ અને ઓન્ટોલોજીમાં ચાલુ અપડેટ્સ પણ જાળવણી ઓવરહેડ ઉમેરે છે.
Q4: કયા ડેટાબેઝ અને સાધનો GraphRAG માટે સારી રીતે કાર્ય કરે છે?
Neo4j, Amazon Neptune અથવા Cosmos DB જેવા ગ્રાફ ડેટાબેઝને OpenSearch અથવા pgvector જેવા વેક્ટર સ્ટોર સાથે જોડો. નિષ્કર્ષણ (LLMs અથવા IE મોડેલ્સ) અને હાઇબ્રિડ પુનઃપ્રાપ્તિ માટે ફરીથી રેન્કિંગ માટે પાઇપલાઇન્સ ઉમેરો.
Q5: હું GraphRAG પ્રદર્શનનું મૂલ્યાંકન કેવી રીતે કરું?
જાણતા પાથ સાથે મલ્ટી-હોપ ટેસ્ટ સેટ બનાવો, માત્ર વેક્ટર પુનઃપ્રાપ્તિ સામે તુલના કરો અને ચોકસાઈ, લેટન્સી અને પુરાવા કવરેજને માપો. સમજાવી શકાય તેવી ગ્રેડ પણ કરો—શું સિસ્ટમ ઉપયોગમાં લેવાયેલા યોગ્ય નોડ્સ અને એજિસ બતાવી શકે છે?
