ML et IA générative

Prédictions sur des données de graphe sans expertise en ML

Neptune ML crée, entraîne et applique automatiquement des modèles ML sur vos données de graphe. Grâce à l’utilisation de DGL pour sélectionner et entraîner automatiquement le meilleur modèle de ML pour votre charge de travail, vous pouvez réaliser des prédictions basées sur le ML avec des données de graphe en quelques heures au lieu de plusieurs semaines.

Amélioration de la précision de la plupart des prévisions de plus de 50 %*

Neptune ML utilise les GNN, une technique ML de pointe appliquée aux données de graphe capable de prendre en charge des milliards de relations, afin de rendre vos prédictions plus précises.

*Neptune ML utilise les GNN pour réaliser des prédictions dont la précision peut être supérieure de plus de 50 % à celle du ML non graphique, d'après des recherches publiées par l'université de Stanford.

Création d'applications graphiques sensibles au contexte avec le framework Python open source LangChain

LangChain est un cadre Python open source conçu pour simplifier la création d’applications à l’aide de grands modèles de langage (LLM). L’intégration de Neptune à LangChain permet aux développeurs d’utiliser le cadre open source de LangChain pour simplifier la création d’applications contextuelles.

Transformez des questions posées en anglais en requêtes de graphes openCypher et renvoyez des réponses facilement compréhensibles par les utilisateurs

Grâce à Neptune et LangChain, vous pouvez renvoyer une réponse basée sur le contexte fourni et interroger une base de données orientée graphe Neptune à l'aide du langage de requête openCypher. Par exemple, vous pouvez utiliser la chaîne QA openCypher de Neptune pour traduire des questions posées en anglais en requêtes openCypher et renvoyer une réponse lisible par l'homme. Cette chaîne peut être utilisée pour répondre à des questions telles que « Combien d'itinéraires de départ l'aéroport d'Austin compte-t-il ? »

Pour plus de détails sur la chaîne QA openCypher de Neptune, consultez la documentation LangChainopen source.

Créez des applications Graph Retrieval-Augmented Generation (GraphRAG) avec le framework open source LLamaIndex

LLamaIndex est un framework de données open source permettant de connecter des sources de données personnalisées à de grands modèles de langage (LLM) et de prendre en charge l'utilisation de graphes de connaissances avec les LLM.

Avec LlamaIndex, vous pouvez utiliser Amazon Neptune comme magasin de graphes ou magasin de vecteurs pour créer des applications d'IA génératives à l'aide de techniques telles que GraphRAG.

Cas d'utilisation

Détection des fraudes

Détection des fraudes

Les entreprises perdent des millions (voire des milliards) de dollars en raison de la fraude et souhaitent détecter les utilisateurs, comptes, appareils, adresses IP et cartes de crédit frauduleux afin de minimiser les pertes. Vous pouvez utiliser une représentation orientée graphe pour capturer l’interaction des entités (utilisateur, appareil ou carte), et détecter les agrégations, par exemple lorsqu’un utilisateur initie plusieurs minitransactions ou utilise différents comptes potentiellement frauduleux.


Résolution d’identité

Acquisition de clients

Un graphe d'identité fournit une vue unifiée unique des clients et des prospects en fonction de leurs interactions avec un produit ou un site Web sur un ensemble d'appareils et d'identifiants. Les organisations utilisent des graphes d’identité pour personnaliser le contenu et les publicités en temps réel pour des millions d’utilisateurs. Neptune ML recommande automatiquement à certains clients les mesures à prendre ou des remises sur des produits en fonction de caractéristiques telles que leur historique de recherches ou leur position dans l’entonnoir marketing.


Graphe de connaissances

Graphe de connaissances

Les graphes de connaissances consolident et intègrent les actifs informationnels d’une entreprise, tout en les rendant plus facilement accessibles à l’ensemble des employés. Neptune ML est capable de déduire les chaînons manquants entre plusieurs sources de données et d’identifier des entités similaires pour que chacun puisse optimiser la découverte de connaissances.


Recommandation de produit

Recommandation de produit

Les recommandations traditionnelles utilisent les services d’analytique manuellement pour générer des recommandations de produits. Neptune ML est capable d’identifier de nouvelles relations directement sur les données de graphe et recommander à un joueur des jeux, des produits ou d’autres joueurs qui pourraient l’intéresser.

Fonctionnement

Diagramme de fonctionnement d'Amazon Neptune

Tarification

Aucun investissement initial n'est nécessaire. Vous ne payez que les ressources AWS utilisées telles qu'Amazon SageMaker, Amazon Neptune, Amazon S3.

Démarrer

Le moyen le plus simple de démarrer avec Neptune ML est d’utiliser les modèles de démarrage rapide prédéfinis d’AWS CloudFormation. Vous pouvez également parcourir les blocs-notes Neptune ML pour découvrir des exemples complets de prédiction de liens et de classification et régression de nœuds à l’aide de la pile CloudFormation prédéfinie.

Découvrir les fonctionnalités du produit

Découvrez-en plus sur les fonctionnalités d'Amazon Neptune.

En savoir plus 
Créer gratuitement un compte

Obtenez un accès instantané à l'offre gratuite d'AWS. 

S'inscrire 
Commencer à créer sur la console

Commencez à créer avec Amazon Neptune dans AWS Management Console.

Se connecter