Fonctionnalités d'Amazon Neptune

Avec Neptune Database, vous pouvez augmenter le débit de lecture pour prendre en charge les requêtes d'application de volume élevé en créant jusqu'à 15 réplicas en lecture de base de données. Les réplicas Neptune partagent le même stockage sous-jacent que l'instance source, ce qui permet de réaliser des économies et d'éviter toute écriture sur les nœuds de réplica. Cela libère davantage de puissance de traitement pour traiter les requêtes en lecture et réduit également le temps de latence des réplicas (quelques millisecondes seulement). Neptune fournit également un point de terminaison unique pour les requêtes de lecture afin que l'application puisse se connecter sans avoir à garder une trace des réplicas ajoutées et retirées.

Neptune prend en charge des opérations de clonage rapides et efficaces, lors desquelles des clusters de base de données de plusieurs téraoctets entiers peuvent être clonés en quelques minutes. Le clonage est utile pour un certain nombre d'objectifs comprenant le développement d'application, les tests, les mises à jour de base de données et l'exécution de requêtes analytiques. La disponibilité immédiate des données peut considérablement accélérer le développement de votre logiciel et les projets de mise à niveau tout en rendant l'analytique plus précise.

Vous pouvez cloner une base de données de Neptune en seulement quelques étapes depuis la console, sans aucun impact sur l’environnement de production. Le clone est distribué et répliqué dans trois zones de disponibilité.

Neptune Analytics prend en charge les algorithmes permettant de trouver des chemins, de détecter les communautés (mise en cluster), d'identifier les données importantes (centralité) et de quantifier les similarités. Les algorithmes de recherche de chemins déterminent efficacement l'itinéraire le plus court ou le plus optimal entre deux nœuds. Les algorithmes de recherche de trajectoire vous permettent de modéliser des situations réelles, telles que les réseaux routiers ou les réseaux sociaux, sous forme de nœuds et de périphéries interconnectés. Trouver les chemins les plus courts ou les plus optimaux entre différents points est crucial dans des applications telles que la planification d'itinéraires pour les systèmes GPS, l'optimisation de la logistique et même pour résoudre des problèmes complexes dans des domaines tels que la biologie ou l'ingénierie.

Les algorithmes de détection communautaire calculent des groupes ou des clusters de nœuds significatifs au sein d'un réseau, révélant ainsi des modèles et des structures cachés qui peuvent fournir des informations sur l'organisation et la dynamique de systèmes complexes. Cette fonction est utile dans des domaines tels que l'analyse des réseaux sociaux, la biologie (pour identifier les modules fonctionnels dans les réseaux d'interactions protéine-protéine), et même pour comprendre le flux d'informations et la propagation de l'influence dans divers domaines.

Les algorithmes de centralité aident à identifier les nœuds les plus influents ou les plus importants au sein d'un réseau, fournissant ainsi des informations sur les principaux acteurs ou les points d'interaction critiques. Cette fonction est utile dans des domaines tels que l'analyse des réseaux sociaux, où elle permet d'identifier les personnes influentes, ou dans les réseaux de transport, où elle permet d'identifier les hubs cruciaux pour un routage et une allocation des ressources efficaces.

Les algorithmes de similarité des graphes vous permettent de comparer et d'analyser les similitudes ou dissemblances structurelles entre les différentes structures de graphes, ce qui permet de mieux comprendre les relations, les modèles et les points communs entre divers jeux de données. Cette fonction est inestimable dans divers domaines tels que la biologie (pour comparer des structures moléculaires), les réseaux sociaux (pour identifier des communautés similaires) et les systèmes de recommandation (pour suggérer des éléments similaires en fonction des préférences des utilisateurs).

Neptune ML est alimenté par SageMaker, qui utilise les GNN, une technique de ML spécialement conçue pour les graphiques, afin de faire des prédictions plus rapides et plus précises à l'aide de données graphiques. Avec Neptune ML, vous pouvez améliorer de plus de 50 % la précision de la plupart des prédictions pour les graphes par rapport aux prédictions effectuées à l’aide de méthodes non basées sur les graphes.

Faire des prédictions précises sur des graphes comportant des milliards de relations peut être complexe et chronophage. Les approches ML existantes, telles que XGBoost, ne peuvent pas fonctionner efficacement sur les graphes, car elles sont conçues pour des données tabulaires. En conséquence, l'utilisation de ces méthodes sur les graphes peut être chronophage, nécessiter des compétences spéciales de la part des développeurs et produire des prévisions sous-optimales.