Erste Schritte mit Amazon Neptune

Wenn Sie Ihre Daten bereits in einem Graph-Modell haben, ist es einfach mit Amazon Neptune Database zu beginnen. Sie können Daten im CSV- oder RDF-Format laden und mit dem Schreiben von Graph-Abfragen mit Apache TinkerPop Gremlin, SPARQL oder openCypher beginnen. Sie können die Dokumentation für die ersten Schritte verwenden oder den AWS Online Tech Talk über die folgenden Links ansehen. Wir haben auch die Best Practices für Neptune Database konsolidiert.

• Dokumentation für die ersten Schritte mit Amazon Neptune
• AWS Online Tech Talks: Erste Schritte mit Amazon Neptune Database
• Schulung: Erste Schritte mit Amazon Neptune Database

Sie können in wenigen Schritten mit Neptune Analytics beginnen, indem Sie mit der AWS-Managementkonsole oder dem CDK, SDK oder der CLI ein Diagramm erstellen. AWS-CloudFormation-Unterstützung wird in Kürze eingeführt. Sie können ein Diagramm aus Daten in einem Amazon-S3-Bucket oder aus einer Neptune-Datenbank in Neptune Analytics laden. Sie können Anfragen mit der OpenCypher-Abfragesprache direkt aus Ihren Graph-Anwendungen an ein Diagramm in Neptune Analytics senden. Sie können auch von einem Jupyter Notebook aus eine Verbindung zum Diagramm in Neptune Analytics herstellen, um Abfragen und Diagrammalgorithmen auszuführen. Ergebnisse analytischer Abfragen können zurück in das Neptune-Analytics-Diagramm geschrieben werden, um eingehende Abfragen zu bearbeiten, oder in S3 zur weiteren Verarbeitung gespeichert werden. Neptune Analytics unterstützt die Integration mit der Open-Source-Bibliothek LangChain, um mit vorhandenen Anwendungen zu arbeiten, die auf großen Sprachmodellen basieren.

• Dokumentation für die ersten Schritte mit Neptune Analytics
• Erste Schritte beim Lernen mit Graph-Notebooks
• Algorithmen mit Neptune Analytics ausführen
• Verwenden der Vektorsuche in Neptune Analytics

Informationen zu den ersten Schritten mit Neptune ML finden Sie in diesem Blogbeitrag, in dem die Schritte im Getting Started Workflow beschrieben werden, einschließlich der folgenden:

• Einrichtung der Testumgebung
• Beispiel für ein Notebook zur Knotenklassifizierung starten
• Laden der Beispieldaten in den Cluster
• Den Graphen exportieren
• ML-Training durchführen
• Ausführen von Gremlin-Abfragen mit Neptune ML

Sie können entweder Neptune-Notizbücher oder Graph Explorer verwenden, um Ihre Grafikdaten zu visualisieren. Wenn Sie mit Graphdatenbanken und Abfragesprachen noch nicht vertraut sind oder Graphdaten untersuchen möchten, ohne Abfragen zu schreiben, empfehlen wir, mit Graph Explorer zu beginnen. Mithilfe der AWS-Managementkonsole können Sie in wenigen Schritten mit Graph Explorer beginnen. Benutzer müssen über eine neue oder bestehende IAM-Rolle Zugriff auf das Lesen von Neptune-Daten haben, um den Graph Explorer verwenden zu können. Das Graph Explorer-Projekt ist auf GitHub verfügbar, und Graph Explorer ist in allen AWS-Regionen verfügbar, in denen die Neptune Workbench verfügbar ist.

• Dokumentation für die ersten Schritte mit Graph Explorer
• Sehen Sie sich das GitHub-Repository an

Wenn Sie mit Graph-Abfragesprachen oder dem Ausführen von Graph-Workloads in einer Notebook-Umgebung vertraut sind, können Sie mit Neptune-Notebooks beginnen. Neptune stellt Jupyter- und JupyterLab-Notebooks im Open-Source-Projekt Neptune-Graph-Notebook auf GitHub und in der Neptune-Workbench bereit. Diese Notebooks bieten Beispielanleitungen und Codefragmente in einer interaktiven Codierungsumgebung, in der Sie mehr über Graphtechnologie und Neptun erfahren können.

Neptune-Notebooks können sowohl Abfrageergebnisse visualisieren als auch eine IDE-ähnliche Schnittstelle für die Entwicklung und das Testen von Anwendungen bereitstellen. Sie können Neptune-Notebooks auch mit anderen Neptune-Funktionen wie Neptune Streams und Neptune ML verwenden. Zusätzlich hostet jedes Neptune-Notebook einen Graph-Explorer-Endpunkt. Sie finden einen Link zum Öffnen von Graph Explorer auf jeder Notebook-Instance in der Amazon-Neptune-Konsole.