Amazon Neptune ML
تنبؤات سهلة وسريعة ودقيقة للرسوم البيانية
Amazon Neptune ML هي قدرة جديدة لـ Neptune تستخدم الشبكات العصبونية للرسم البياني (GNNs)، وهي إحدى تقنيات تعلّم الآلة (ML) المصممة خصيصًا للرسوم البيانية، لإجراء تنبؤات سهلة وسريعة وأكثر دقة باستخدام بيانات الرسم البياني. باستخدام Neptune ML، يمكنك تحسين دقة معظم التنبؤات بالرسوم البيانية بأكثر من 50% عند مقارنتها بعمل تنبؤات باستخدام طرق مستندة إلى الرسوم البيانية.
يمكن أن يكون إجراء تنبؤات دقيقة على الرسوم البيانية بمليارات العلاقات أمرًا صعبًا ويستغرق وقتًا طويلاً. لا يمكن أن تعمل أساليب ML الحالية مثل XGBoost بشكل فعال على الرسوم البيانية لأنها مصممة للبيانات المجدولة. ونتيجة لذلك، يمكن أن يستغرق استخدام هذه الأساليب على الرسوم البيانية وقتًا، ويتطلب مهارات متخصصة من المطورين، وينتج تنبؤات دون المستوى الأمثل.
إن استخدام مكتبة Deep Graph Library (DGL)، وهي مكتبة مفتوحة المصدر تساهم فيها AWS، يجعل من السهل تطبيق التعلم العميق على بيانات الرسم البياني. يقوم Neptune ML بأتمتة العبء الثقيل المتمثل في اختيار وتدريب أفضل نموذج ML لبيانات الرسم البياني ويتيح للمستخدمين تشغيل ML على الرسم البياني الخاص بهم مباشرةً باستخدام واجهات برمجة تطبيقات Neptune والاستعلامات. ونتيجة لذلك، يمكنك الآن إنشاء تعلم الآلة وتدريبه وتطبيقه على بيانات Neptune في ساعات بدلاً من أسابيع دون الحاجة إلى تعلم أدوات وتقنيات تعلم الآلة الجديدة.
تعلم الآلة والذكاء الاصطناعي المولّد
قم بعمل تنبؤات بشأن بيانات الرسم البياني دون خبرة بتعلم الآلة (ML)
تقوم Neptune ML تلقائيًا بإنشاء نماذج ML وتدريبها وتطبيقها على بيانات الرسم البياني الخاصة بك. إنها تستخدم DGL لاختيار وتدريب أفضل نموذج ML لعبء العمل الخاص بك تلقائيًا بحيث يمكنك عمل تنبؤات تستند إلى ML على بيانات الرسم البياني في خلال ساعات بدلاً من أسابيع.
قم بتحسين دقة معظم التنبؤات بأكثر من 50%*
تستخدم Neptune ML شبكات GNN، وهي تقنية ML حديثة يتم تطبيقها على بيانات الرسم البياني التي يمكنها تفسير مليارات العلاقات في الرسوم البيانية حتى تتمكن من إجراء تنبؤات أكثر دقة.
* تستخدم Neptune ML شبكات GNN لعمل تنبؤات يمكن أن تكون أكثر دقة بنسبة 50% من تعلم الآلة غير المستند إلى الرسم البياني، استنادًا إلى بحث منشور من جامعة ستانفورد.
قم بإنشاء تطبيقات رسم بياني مدركة للسياق باستخدام إطار عمل LangChain Python مفتوح المصدر
LangChain هو إطار عمل Python مفتوح المصدر مصمم لتبسيط إنشاء التطبيقات باستخدام نماذج اللغة الكبيرة (LLMs). يسمح تكامل Neptune مع LangChain للمطورين باستخدام إطار LangChain مفتوح المصدر لتبسيط إنشاء تطبيقات مدركة للسياق.
ترجمة الأسئلة الإنجليزية إلى استعلامات الرسم البياني الخاصة بـ OpenCypher وتقديم إجابة يمكن للإنسان قراءتها
باستخدام Neptune وLangChain، يمكنك إرجاع استجابة بناءً على السياق المقدم والاستعلام عن قاعدة بيانات الرسم البياني Neptune باستخدام لغة استعلام openCypher. على سبيل المثال، يمكنك استخدام سلسلة Neptune openCypher QA Chain لترجمة الأسئلة الإنجليزية إلى استعلامات openCypher وإرجاع إجابة يمكن للبشر قراءتها. يمكن استخدام هذه السلسلة للإجابة على أسئلة مثل «كم عدد المسارات الصادرة في مطار أوستن؟»
لمزيد من التفاصيل حول سلسلة Neptune openCypher QA Chain، تفضل بزيارة وثائق LangChain مفتوحة المصدر.
حالات الاستخدام
اكتشاف الاحتيال
تخسر الشركات ملايين (بل ومليارات) الدولارات في عمليات الاحتيال، وتريد اكتشاف المستخدمين المحتالين أو الحسابات أو الأجهزة أو عناوين IP أو بطاقات الائتمان لتقليل الخسارة. يمكنك استخدام التمثيل المستند إلى الرسم البياني لتسجيل تفاعل الكيانات (المستخدم أو الجهاز أو البطاقة) واكتشاف التجميعات مثل عندما يبدأ المستخدم معاملات صغيرة متعددة أو يستخدم حسابات مختلفة يحتمل أن تكون احتيالية.
دقة الهوية
يوفر الرسم البياني للهوية عرضًا موحدًا للعملاء والاحتمالات استنادًا إلى تفاعلاتهم مع منتج أو موقع ويب عبر مجموعة من الأجهزة والمعرفات. تستخدم المؤسسات الرسوم البيانية للهوية للتخصيص في الوقت الفعلي واستهداف الإعلانات لملايين المستخدمين. توصي Neptune ML تلقائيًا بالخطوات التالية، أو خصومات المنتجات لعملاء معينين استنادًا إلى خصائص مثل سجل البحث السابق عبر الأجهزة أو مكان وجودهم في مسار الاستحواذ.
الرسم البياني المعرفي
تعمل الرسوم البيانية المعرفية على دمج أصول معلومات المؤسسة وتجعلها متاحة بسهولة أكبر لجميع أعضاء المؤسسة. يمكن لـ Neptune ML استنتاج الروابط المفقودة عبر مصادر البيانات وتحديد الكيانات المماثلة لتمكين اكتشاف المعرفة بشكل أفضل للجميع.
توصية المنتج
تستخدم التوصيات التقليدية خدمات التحليلات يدويًا لتقديم توصيات بشأن المنتج. يمكن لـ Neptune ML تحديد العلاقات الجديدة مباشرةً من خلال بيانات الرسم البياني، والتوصية بسهولة بقائمة الألعاب التي قد يرغب اللاعب في شرائها أو لاعبين آخرين لمتابعتهم أو المنتجات المراد شراؤها.
طريقة العمل
التسعير
لا توجد حاجة إلى استثمارات مسبقة. أنت تدفع فقط مقابل موارد AWS المستخدمة مثل Amazon SageMaker وAmazon Neptune وAmazon S3.
بدء الاستخدام
أسهل طريقة لبدء استخدام Neptune ML هي استخدام قوالب البدء السريع لـ AWS CloudFormation المبنية مسبقًا. يمكنك أيضًا الاطلاع على دفاتر Neptune ML لمشاهدة أمثلة شاملة لتصنيف العقد وتراجعها والتنبؤ بالارتباط باستخدام مكدس CloudFormation الذي تم إنشاؤه مسبقًا.
ابدأ الإنشاء باستخدام Amazon Neptune على وحدة الإدارة في AWS.