Amazon Neptune ML
Einfache, schnelle und genaue Vorhersagen für Graphen
Amazon Neptune ML ist eine neue Funktion von Neptune, die Graph Neural Networks (GNNs) nutzt, eine speziell für Graphen entwickelte Technik des Machine Learnings (ML), um einfache, schnelle und genauere Vorhersagen mithilfe von Graphdaten zu treffen. Mit Neptune ML können Sie die Genauigkeit der meisten Vorhersagen für Graphen um mehr als 50 % verbessern, verglichen mit Vorhersagen, die mit Nicht-Graphen-Methoden erstellt werden.
Genaue Prognosen auf Graphen mit Milliarden von Beziehungen zu erstellen, kann schwierig und zeitaufwendig sein. Bestehende ML-Ansätze wie XGBoost können nicht effektiv mit Graphen arbeiten, da sie für tabellarische Daten ausgelegt sind. Daher kann die Verwendung dieser Methoden in Graphen Zeit in Anspruch nehmen, spezielle Fertigkeiten von Entwicklern erfordern und zu suboptimalen Vorhersagen führen.
Die Verwendung der Deep Graph Library (DGL), einer Open-Source-Bibliothek, zu der AWS beiträgt, erleichtert die Anwendung von Deep Learning auf Graphdaten. Neptune ML automatisiert die schwere Arbeit, die mit der Auswahl und dem Training des besten ML-Modells für Graphdaten verbunden ist, und ermöglicht es Benutzern, ML mithilfe von Neptune-APIs und -Abfragen direkt auf ihrem Graphen auszuführen. Als Ergebnis können Sie jetzt ML auf Neptune-Daten in Stunden statt in Wochen erstellen, schulen und anwenden, ohne dass Sie neue Tools und ML-Technologien erlernen müssen.
ML und generative KI
Vorhersagen zu Graphdaten ohne ML-Kenntnisse treffen
Neptune ML erstellt, trainiert und wendet automatisch ML-Modelle auf Ihre Graphdaten an. Es verwendet DGL, um automatisch das beste ML-Modell für Ihren Workload auszuwählen und zu trainieren, sodass Sie ML-basierte Vorhersagen anhand von Graphdaten innerhalb von Stunden statt Wochen treffen können.
Genauigkeit der meisten Vorhersagen um über 50 %* verbessern
Neptune ML verwendet GNNs, eine hochmoderne ML-Technik, die auf Graphdaten angewendet wird und über Milliarden von Beziehungen in Graphen nachvollziehen kann, sodass Sie genauere Vorhersagen treffen können.
*Neptune ML verwendet GNNs, um Vorhersagen zu treffen, die mehr als 50 % genauer sein können als Machine Learning ohne Graph, basierend auf veröffentlichten Forschungsergebnissen der Stanford University.
Kontextsensitive Graph-Apps mit dem Open-Source-LangChain-Python-Framework erstellen
LangChain ist ein Open-Source-Python-Framework, das konzipiert ist, um die Erstellung von Anwendungen mithilfe großer Sprachmodelle (LLMs) zu vereinfachen. Die Neptune-Integration in LangChain ermöglicht es Entwicklern, das Open-Source-Framework von LangChain zu verwenden, um die Erstellung kontextsensitiver Anwendungen zu vereinfachen.
Englische Fragen in openEncypher-Graph-Abfragen übersetzen und eine menschenlesbare Antwort ausgeben
Mit Neptune und LangChain können Sie eine Antwort basierend auf dem bereitgestellten Kontext ausgeben und eine Neptune-Graphdatenbank mithilfe der Abfragesprache openCypher abfragen. Sie können beispielsweise die Neptune openCypher QA Chain verwenden, um englische Fragen in openCypher-Abfragen zu übersetzen und eine menschenlesbare Antwort auszugeben. Diese Chain kann verwendet werden, um Fragen wie „Wie viele Ausgangsrouten hat der Flughafen Austin?“ zu beantworten.
Anwendungsfälle
Betrugserkennung
Unternehmen verlieren Millionen (sogar Milliarden) von Dollar durch Betrug und wollen betrügerische Benutzer, Konten, Geräte, IP-Adressen oder Kreditkarten erkennen, um den Verlust zu minimieren. Sie können eine graphenbasierte Darstellung verwenden, um die Interaktion der Entitäten (Benutzer, Gerät oder Karte) zu erfassen und Aggregationen zu erkennen, z. B. wenn ein Benutzer mehrere Mini-Transaktionen initiiert oder verschiedene Konten verwendet, die potenziell betrügerisch sind.
Auflösung der Identität
Ein Identitätsdiagramm bietet eine einheitliche Ansicht von Kunden und Interessenten auf der Grundlage ihrer Interaktionen mit einem Produkt oder einer Website auf einer Reihe von Geräten und Identifikatoren. Unternehmen verwenden Identitätsdiagramme für die Personalisierung in Echtzeit und das Targeting von Werbung für Millionen von Benutzern. Neptune ML empfiehlt bestimmten Kunden automatisch die nächsten Schritte oder Produktrabatte, basierend auf Merkmalen wie dem bisherigen Suchverlauf auf verschiedenen Geräten oder darauf, wo sie sich im Akquisitionstrichter befinden.
Wissensgraph
Wissensgraphen konsolidieren und integrieren die Informationsressourcen eines Unternehmens und machen sie für alle Mitglieder des Unternehmens leichter zugänglich. Neptune ML kann auf fehlende Links zwischen Datenquellen schließen und ähnliche Entitäten identifizieren, um eine bessere Wissensermittlung für alle zu ermöglichen.
Produktempfehlung
Herkömmliche Empfehlungen verwenden Analytics-Services manuell, um Produktempfehlungen abzugeben. Neptune ML ist in der Lage, neue Beziehungen direkt anhand von Graphdaten zu erkennen und auf einfache Weise eine Liste von Spielen zu empfehlen, die ein Spieler gerne kaufen würde, anderen Spielern zu folgen oder Produkte zu kaufen.
Funktionsweise
Preise
Es sind keine Vorabinvestitionen erforderlich. Sie zahlen nur für die verwendeten AWS-Ressourcen wie Amazon SageMaker, Amazon Neptune und Amazon S3.
Erste Schritte
Die einfachste Möglichkeit, mit Neptune ML zu beginnen, ist die Verwendung der vorgefertigten AWS-CloudFormation-Schnellstartvorlagen. Sie können auch die Neptune-ML-Notebooks durchgehen, um durchgängige Beispiele für Knotenklassifizierung, Knotenregression und Linkvorhersage mithilfe des vorgefertigten CloudFormation-Stacks zu sehen.
Sie erhalten sofort Zugriff auf das kostenlose AWS-Kontingent.
Beginnen Sie mit dem Erstellen von Amazon Neptune auf der AWS Management Console.