Las bases de datos de grafos, como Amazon Neptune Database y Amazon Neptune Analytics, están diseñadas específicamente para almacenar relaciones y navegar por ellas. Presentan ventajas con respecto a las bases de datos relacionales para casos de uso como las redes sociales, los motores de recomendaciones y la detección de fraudes, donde necesita crear relaciones complejas entre los datos y consultarlas rápidamente. Amazon Neptune utiliza estructuras de grafos como, por ejemplo, nodos (entidades de datos), periferias (relaciones) y propiedades para representar y almacenar los datos. Las relaciones se almacenan como ciudadanos de primera clase del modelo de datos. Esto permite vincular directamente los datos de los nodos, lo que mejora drásticamente el desempeño de las consultas que navegan por las relaciones de los datos.
Introducción a Amazon Neptune Database
Si ya tiene sus datos en un modelo de grafo, es fácil comenzar a utilizar Amazon Neptune Database. Puede cargar los datos en formato CSV o RDF y comenzar a escribir consultas de grafos con Gremlin de Apache TinkerPop, SPARQL u openCypher. Puede utilizar la documentación introductoria o ver la presentación técnica en línea de AWS a través de los siguientes enlaces. También hemos consolidado las prácticas recomendadas para Neptune Database.
Introducción a Amazon Neptune Analytics
Puede comenzar a utilizar Neptune Analytics en unos pocos pasos creando un grafo con la consola de administración de AWS o el CDK, el SDK o la CLI. La compatibilidad con AWS CloudFormation estará disponible próximamente. Puede cargar un grafo en Neptune Analytics a partir de los datos de un bucket de Amazon S3 o de una base de datos de Neptune. Puede enviar solicitudes mediante el lenguaje de consultas openCypher a un grafo de Neptune Analytics directamente desde sus aplicaciones de grafos. También puede conectarse al grafo en Neptune Analytics desde un cuaderno de Jupyter para ejecutar consultas y algoritmos de grafos. Los resultados de las consultas analíticas se pueden volver a escribir en el grafo de Neptune Analytics para atender las consultas entrantes o se pueden almacenar en S3 para su posterior procesamiento. Neptune Analytics admite la integración con la biblioteca LangChain de código abierto para trabajar con aplicaciones existentes basadas en modelos de lenguajes de gran tamaño.
Introducción a Amazon Neptune ML
- Configuración del entorno de prueba
- Lanzamiento del ejemplo del cuaderno de clasificación de nodos
- Carga de datos de muestra en el clúster
- Exportación del grafo
- Realización de entrenamiento de ML
- Ejecución de consultas de Gremlin con Neptune ML
Introducción a la visualización de grafos
Si está familiarizado con los lenguajes de consulta de grafos o con la ejecución de cargas de trabajo de grafos en un entorno de cuadernos, puede empezar con los cuadernos de Neptune. Neptune proporciona cuadernos de Jupyter y de JupyterLab en el proyecto de cuaderno de grafos Neptune de código abierto en GitHub y en el Neptune Workbench. Estos cuadernos ofrecen ejemplos de tutoriales de aplicaciones y fragmentos de código en un entorno de codificación interactivo en el que puede aprender sobre la tecnología de grafos y Neptune.
Los cuadernos de Neptune pueden visualizar los resultados de las consultas y proporcionar una interfaz similar a la de un entorno de desarrollo integrado (IDE) para el desarrollo y las pruebas de aplicaciones, o bien puede utilizar los cuadernos de Neptune con otras características de Neptune, como Neptune Streams y Neptune ML. Además, cada cuaderno de Neptune aloja un punto de conexión de Graph Explorer. Puede encontrar un enlace para abrir Graph Explorer en cada instancia del cuaderno en la consola de Amazon Neptune.
Introducción a los lenguajes de consulta
Visite la página de preguntas frecuentes sobre Amazon Neptune.
Obtenga acceso instantáneo a la capa gratuita de AWS.
Comience a crear con Amazon Neptune en la consola de administración de AWS.