Amazon Neptune ML

Previsioni semplici, veloci e accurate per grafi

Panoramica

Amazon Neptune ML è una nuova funzionalità di Neptune che utilizza reti neurali a grafi (GNN), una tecnica di machine learning costruita appositamente per i grafi, per rendere le previsioni semplici, facili e più precise utilizzando i dati grafici. Con Neptune ML, puoi ottenere previsioni di oltre il 50% più precise per i grafi rispetto alle previsioni effettuate utilizzando metodi senza grafi.

Effettuare previsioni accurate su grafi con miliardi di relazioni può risultare difficile e dispendioso in termini di tempo. Gli approcci di machine learning esistenti, come XGBoost, non funzionano in modo efficace sui grafi perché sono progettati per i dati tabulari. Di conseguenza, l'impiego di questi metodi sui grafi può richiedere tempo, competenze specifiche da parte degli sviluppatori e producono previsioni non del tutto ottimali.

Deep Graph Library (DGL), una libreria open source a cui contribuisce AWS, semplifica l'applicazione del deep learning ai dati grafici. Neptune ML automatizza il duro lavoro di selezione e addestramento del miglior modello di machine learning per i dati grafici e consente agli utenti di eseguire machine learning sul grafo direttamente utilizzando le API e le query di Neptune. Di conseguenza, ora puoi creare, addestrare e applicare machine learning ai dati di Neptune in poche ore anziché settimane senza la necessità di apprendere nuovi strumenti e tecnologie di machine learning.

Machine learning e IA generativa

Neptune ML crea, addestra e applica automaticamente modelli di machine learning ai dati del grafo. Utilizza DGL per scegliere e addestrare automaticamente il modello di machine learning migliore per il tuo carico di lavoro, in modo da poter fare previsioni di machine learning su dati grafici impiegando ore anziché settimane.

Neptune ML utilizza le GNN, una tecnica di machine learning all'avanguardia applicata ai dati grafici che può ragionare su miliardi di relazioni nei grafi in modo da poter fare previsioni più accurate.

*Neptune ML utilizza le GNN per fare previsioni più accurate di oltre il 50% rispetto al machine learning senza grafi, sulla base di una ricerca pubblicata dalla Stanford University.

LangChain è un framework Python open source progettato per semplificare la creazione di applicazioni utilizzando modelli linguistici di grandi dimensioni (LLM). L'integrazione di Neptune con LangChain consente agli sviluppatori di utilizzare il framework open source di LangChain per semplificare la creazione di applicazioni sensibili al contesto.

Con Neptune e LangChain, puoi restituire una risposta in base al contesto fornito e interrogare un database a grafo Neptune utilizzando il linguaggio di query OpenCypher. Ad esempio, puoi utilizzare la catena di controllo qualità OpenCypher di Neptune per tradurre domande dall'inglese in query OpenCypher e restituire una risposta leggibile dall'uomo. Questa catena può essere utilizzata per rispondere a domande come «Quante rotte in uscita ha l'aeroporto di Austin?»

Per maggiori dettagli sulla catena di qualità OpenCypher di Neptune, consulta la documentazione open source di LangChain.

LlamaIndex è un framework di dati open source per connettere origini dati personalizzate a modelli linguistici di grandi dimensioni (LLM) e supporta l'uso di grafici di conoscenza con LLM.

Con LlamaIndex, puoi utilizzare Neptune come archivio di grafici o archivio vettoriale per creare applicazioni di IA generativa utilizzando tecniche come GraphRag.

Casi d'uso

Le aziende perdono milioni (anche miliardi) di dollari in frodi e pertanto sono interessate a rilevare utenti, account, dispositivi, indirizzi IP o carte di credito fraudolenti per ridurre al minimo le perdite. È possibile utilizzare una rappresentazione basata su grafi per ottenere l'interazione delle entità (utente, dispositivo o carta) e rilevare le aggregazioni, ad esempio quando un utente avvia più mini transazioni o utilizza diversi account potenzialmente fraudolenti.

Ulteriori informazioni

Un grafo di identità fornisce un'unica visione unificata di clienti e potenziali clienti in base alle loro interazioni con un prodotto o un sito Web attraverso una serie di dispositivi e identificatori. Le organizzazioni utilizzano i grafi di identità per la personalizzazione in tempo reale e il targeting pubblicitario per milioni di utenti. Neptune ML consiglia automaticamente i passaggi successivi o gli sconti sui prodotti a determinati clienti in base ad alcune caratteristiche, come ad esempio la cronologia delle ricerche passate su tutti i dispositivi o la posizione in cui si trovano nel funnel di acquisizione.

Ulteriori informazioni

I grafi di conoscenza unificano e integrano le risorse informative di un'organizzazione e le rendono più facilmente disponibili a tutti i membri dell'organizzazione. Neptune ML è in grado di dedurre i collegamenti mancanti tra le origini dati, identificare entità simili per consentire una maggiore conoscenza per tutti.

Ulteriori informazioni

I consigli tradizionali utilizzano i servizi di analisi manualmente per formulare raccomandazioni sui prodotti. Neptune ML è in grado di identificare nuove relazioni direttamente sui dati grafici e di consigliare facilmente l'elenco dei giochi che un giocatore sarebbe interessato ad acquistare, altri giocatori da seguire o prodotti da acquistare.

Prezzi

Non sono necessari investimenti iniziali. Paghi solo per le risorse AWS utilizzate come Amazon SageMaker, Neptune e Amazon Simple Storage Service (Amazon S3).

Nozioni di base

Il modo più semplice per iniziare a usare Neptune ML è utilizzare i modelli di avvio rapido predefiniti di AWS CloudFormation. Puoi anche consultare i notebook Neptune ML per vedere esempi completi di classificazione dei nodi, regressione dei nodi e previsione dei collegamenti utilizzando lo stack CloudFormation predefinito.

Crea uno stack Neptune ML