Características de Amazon Neptune

Con Neptune Database, puede aumentar el rendimiento de lectura para admitir solicitudes de aplicaciones de gran volumen mediante la creación de hasta 15 réplicas de lectura de bases de datos. Las réplicas de Neptune comparten el mismo almacenamiento subyacente que la instancia de origen, lo que reduce los costos y evita la necesidad de escribir en los nodos de réplica. Esto libera más capacidad de procesamiento para atender las solicitudes de lectura y reduce el tiempo de retraso de la réplica, que suele limitarse a milisegundos de un solo dígito. Neptune también suministra un punto de conexión único para las consultas de lectura a fin de que la aplicación pueda conectarse sin tener que hacer un seguimiento de las réplicas a medida que se agregan y se eliminan.

Neptune admite operaciones de clonación eficientes y ágiles, en las que clústeres de bases de datos completos de varios terabytes pueden clonarse en cuestión de minutos. La clonación es útil para varios fines, como el desarrollo de aplicaciones, la realización de pruebas, las actualizaciones de bases de datos y la ejecución de consultas analíticas. La disponibilidad inmediata de datos puede agilizar de manera significativa el desarrollo de software y los proyectos de actualización, además de lograr análisis más precisos.

Puede clonar una base de datos de Neptune con solo unos pasos en la consola, sin afectar al entorno de producción. El clon se distribuye y replica en tres AZ.

Neptune Analytics admite algoritmos para la búsqueda de rutas, la detección de comunidades (agrupación en clústeres), la identificación de datos importantes (centralidad) y la cuantificación de la similitud. Los algoritmos de búsqueda de rutas determinan de manera eficiente la ruta más corta u óptima entre dos nodos. Los algoritmos de búsqueda de rutas le permiten modelar situaciones del mundo real, como redes de carreteras o redes sociales, como nodos y periferias interconectados. Encontrar las rutas más cortas u óptimas entre varios puntos es fundamental en aplicaciones como la planificación de rutas para sistemas de GPS, la optimización de la logística e incluso para resolver problemas complejos en campos como la biología o la ingeniería.

Los algoritmos de detección de comunidades calculan grupos o clústeres de nodos significativos dentro de una red, revelando patrones y estructuras ocultos que pueden proporcionar información sobre la organización y la dinámica de sistemas complejos. Esto es valioso en campos como el análisis de redes sociales, la biología (para identificar módulos funcionales en redes de interacción proteína-proteína) e incluso para comprender el flujo de información y la propagación de influencias en varios dominios.

Los algoritmos de centralidad ayudan a identificar los nodos más influyentes o importantes de una red, proporcionando información sobre los actores clave o los puntos críticos de interacción. Esto es valioso en campos como el análisis de redes sociales, donde permite identificar a las personas influyentes, o en las redes de transporte, donde permite identificar centros cruciales para una asignación eficiente de rutas y recursos.

Los algoritmos de similitud de grafos le permiten comparar y analizar las similitudes o diferencias estructurales entre diferentes estructuras de grafos, lo que permite obtener información sobre las relaciones, los patrones y los puntos en común en diversos conjuntos de datos. Esto tiene un valor incalculable en varios campos, como la biología (para comparar estructuras moleculares), las redes sociales (para identificar comunidades similares) y los sistemas de recomendación (para sugerir elementos similares en función de las preferencias del usuario).

Neptune ML cuenta con la tecnología de SageMaker, que utiliza GNNs, una técnica de aprendizaje automático diseñada específicamente para gráficos, para hacer predicciones rápidas y más precisas utilizando datos de gráficos. Con Neptune ML, puede mejorar la precisión de la mayoría de las predicciones de grafo en más de un 50 % en comparación con las predicciones hechas con métodos no gráficos.

Hacer predicciones precisas en grafos con millones de relaciones puede resultar difícil y requerir mucho tiempo. Los métodos de ML existentes, como XGBoost, no pueden funcionar de manera eficaz en grafos porque están diseñados para datos tabulares. Como resultado, el uso de estos métodos en grafos puede llevar tiempo, requerir habilidades especializadas por parte de los desarrolladores y producir predicciones no del todo óptimas.