Publié le: Feb 11, 2022
Vous pouvez désormais définir des modèles machine learning personnalisés avec Neptune Machine Learning (ML) pour vos données de graphe sur Amazon Neptune. Neptune ML est la fonctionnalité machine learning d’Amazon Neptune qui utilise les réseaux de neurones sur graphes (GNNs, Graph Neural Networks) développés avec Deep Graph Library (DGL) pour automatiser le gros du travail de sélection et d’entraînement de modèles ML pour les données de graphe. Grâce à ce lancement, vous pouvez également exécuter les requêtes d’inférence SPARQL sur le modèle de données Resource Description Framework (RDF) de W3C, outre les requêtes d’inférence Gremlin d’Apache TinkerPop sur les graphes de propriétés. De nouvelles tâches machine learning pour RDF incluent la classification d’objets, la régression d’objets, la prédiction d’objets et la prédiction de sujets.
L’entraînement de modèles personnalisés s’adresse aux utilisateurs qui souhaitent fournir leurs propres modèles GNN personnalisés développés dans DLG, ou aux cas d’utilisation avancés dans la classification et la régression de nœuds, comme les modèles tabulaires ou d’ensembles. Par exemple, vous pouvez créer un modèle ML personnalisé pour lier les registres de clients dans un graphe d’identité ou combiner les prédictions à partir d’un modèle non associé au graphe et de graphe pour la détection de fraude. Grâce à la prise en charge de SPARQL, Neptune ML peut inférer la classification catégorique ou la régression numérique sur les propriétés des objets et des sujets. Neptune ML peut également prédire l’objet le plus probable selon un sujet et une prédicat existants, et inversement sur les données de RDF..
Vous pouvez utiliser le guide d’installation à démarrage rapide pour démarrer avec Neptune ML. Neptune ML est disponible à partir de Neptune versions 1.0.5.0 et ultérieures, dans toutes les régions dans lesquelles Amazon Neptune est disponible. Vous pouvez utiliser Neptune ML sans frais supplémentaires. Vous ne payez que les ressources allouées, telles qu'Amazon Neptune, Amazon SageMaker, Amazon CloudWatch et Amazon S3.
Pour plus d’informations sur les modèles personnalisés, reportez-vous à la documentation ou consultez les exemples de modèles pour la classification des nœuds et d’autres tâches sur GitHub. Des exemples de requêtes d’inférence SPARQL pour Neptune ML sont disponibles dans notredocumentation.