Amazon Neptune ML
Predicciones fáciles, rápidas y precisas para grafos
Amazon Neptune ML es una nueva capacidad de Neptune que utiliza las redes neuronales de grafos (Graph Neural Networks, GNN), una técnica de machine learning creada específicamente para grafos, con el objetivo de hacer predicciones fáciles, rápidas y más precisas mediante datos de grafos. Con Neptune ML, puede mejorar la precisión de la mayoría de las predicciones de grafos en más de un 50 % en comparación con las predicciones hechas con métodos no grafos.
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.
El uso de la biblioteca Deep Graph (DGL), una biblioteca de código abierto a la que contribuye AWS, facilita la aplicación de aprendizaje profundo a los datos de grafos. Neptune ML automatiza la ardua tarea de seleccionar y entrenar el mejor modelo de machine learning para los datos de grafos y permite a los usuarios ejecutar el machine learning en sus grafos directamente mediante las API y consultas de Neptune. Como resultado, ahora puede crear, entrenar y aplicar ML en datos de Neptune en horas en lugar de semanas sin la necesidad de aprender nuevas herramientas y tecnologías ML.
ML e IA generativa
Haga predicciones sobre datos grafos sin experiencia en machine learning
Neptune ML crea, entrena y aplica automáticamente modelos de ML en los datos de sus grafos. Utiliza DGL para elegir y entrenar automáticamente el mejor modelo de machine learning para su carga de trabajo, de modo que pueda hacer predicciones basadas en machine learning sobre datos de grafos en horas en lugar de semanas.
Mejore la precisión de la mayoría de las predicciones en más de un 50 %*
Neptune ML usa GNN, una técnica de ML de última generación que se aplica a datos de grafos que puede razonar más de miles de millones de relaciones en los grafos para que pueda hacer predicciones más precisas.
*Neptune ML usa GNN para hacer predicciones que pueden ser más de un 50 % más precisas que las de ML sin grafos, según una investigación publicada por la Universidad de Stanford.
Cree aplicaciones de grafos sensibles al contexto con el marco de código abierto LangChain de Python
LangChain es un marco de Python de código abierto diseñado para simplificar la creación de aplicaciones con modelos de lenguaje de gran tamaño (LLM). La integración de Neptune con LangChain permite a los desarrolladores utilizar el marco de código abierto de LangChain para simplificar la creación de aplicaciones sensibles al contexto.
Traduzca preguntas en inglés a consultas de grafos de openCypher y devuelva una respuesta legible para personas humanas
Con Neptune y LangChain, puede devolver una respuesta basada en el contexto proporcionado y consultar una base de datos de grafos de Neptune mediante el lenguaje de consultas openCypher. Por ejemplo, puede usar la cadena de control de calidad de openCypher de Neptune para traducir preguntas en inglés a consultas de openCypher y devolver una respuesta legible para personas humanas. Esta cadena se puede usar para responder preguntas como “¿Cuántas rutas de salida tiene el aeropuerto de Austin?”
Para obtener más información sobre la cadena de control de calidad openCypher de Neptune, consulte la documentación de código abierto de LangChain.
Creación de aplicaciones de generación aumentada por recuperación de gráficos (GraphRAG) con el marco LlamaIndex de código abierto
LlamaIndex es un marco de datos de código abierto para conectar orígenes de datos personalizados a modelos de lenguaje grandes (LLM) y admite el uso de gráficos de conocimiento con LLM.
Con LlamaIndex, puede usar Amazon Neptune como almacén de gráficos o almacén vectorial para crear aplicaciones de IA generativa mediante técnicas como GraphRAG.
Casos de uso
Detección de fraude
Las empresas pierden millones (incluso miles de millones) de dólares en fraudes y quieren detectar usuarios, cuentas, dispositivos, direcciones IP o tarjetas de crédito fraudulentos para minimizar la pérdida. Puede utilizar una representación basada en grafos para capturar la interacción de las entidades (usuario, dispositivo o tarjeta) y detectar agregaciones, como cuando un usuario inicia varias minitransacciones o utiliza diferentes cuentas que son potencialmente fraudulentas.
Resolución de identidad
Un grafo de identidad proporciona una vista unificada única de los clientes actuales y potenciales en función de sus interacciones con un producto o sitio web en un conjunto de dispositivos e identificadores. Las organizaciones utilizan grafos de identidad para personalizar y segmentar la publicidad en tiempo real para millones de usuarios. Neptune ML recomienda automáticamente los siguientes pasos o descuentos en productos a determinados clientes en función de características como el historial de búsquedas anteriores en todos los dispositivos o el lugar en el que se encuentran en el embudo de compra.
Grafo de conocimiento
Los grafos de conocimiento consolidan e integran los activos de información de una organización y hacen que estén más fácilmente disponibles para todos los miembros de la organización. Neptune ML puede inferir enlaces que faltan en orígenes de datos e identificar entidades similares para permitir un mejor descubrimiento de conocimientos para todos.
Recomendación de producto
Las recomendaciones tradicionales utilizan los servicios de análisis de forma manual para hacer recomendaciones de productos. Neptune ML puede identificar nuevas relaciones directamente en datos de grafos y recomendar con facilidad la lista de juegos que un jugador estaría interesado en comprar, otros jugadores a seguir o productos que comprar.
Funcionamiento
Precios
No se necesitan inversiones iniciales. Solo paga por los recursos de AWS utilizados, como Amazon SageMaker, Amazon Neptune y Amazon S3.
Introducción
La forma más sencilla de empezar a utilizar Neptune ML es utilizar las plantillas de inicio rápido prediseñadas de AWS CloudFormation. También puede revisar los cuadernos de Neptune ML para ver ejemplos integrales de clasificación de nodos, regresión de nodos y predicción de enlaces con la pila prediseñada de CloudFormation.
Obtenga más información sobre las características de Amazon Neptune.
Obtenga acceso instantáneo a la capa gratuita de AWS.
Comience a crear con Amazon Neptune en la consola de administración de AWS.