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.

Casos de uso

Detección de fraude

Detección de fraudes

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

Incorporación de clientes

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

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

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

Diagrama del funcionamiento de Amazon Neptune

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.

Consulte las características del producto

Obtenga más información sobre las características de Amazon Neptune.

Más información 
Regístrese para obtener una cuenta gratuita

Obtenga acceso instantáneo a la capa gratuita de AWS. 

Registrarse 
Comience a crear en la consola

Comience a crear con Amazon Neptune en la consola de administración de AWS.

Inicie sesión