Atributos do Amazon Neptune

Com o banco de dados Neptune, você pode aumentar a throughput de leitura para oferecer suporte aos altos volumes de solicitações das aplicações criando até 15 réplicas de leitura de banco de dados. As réplicas do Neptune compartilham o mesmo armazenamento subjacente que a instância de origem, reduzindo os custos e evitando a necessidade de fazer gravações em nós de réplica. Isso libera mais capacidade de processamento para atender às solicitações de leitura e reduz a defasagem das réplicas para menos de dez milissegundos, na maioria das vezes. Além disso, o Neptune oferece um único endpoint para consultas de leitura. Dessa forma, o aplicativo pode se conectar sem necessidade de acompanhar as réplicas adicionadas e removidas.

O Neptune oferece suporte a operações de clonagem rápidas e eficientes que permitem clonar clusters de banco de dados de vários terabytes em alguns minutos. A clonagem é útil para diversas finalidades, incluindo desenvolvimento de aplicativos, testes, atualizações de banco de dados e execução de consultas analíticas. A disponibilidade imediata de dados pode acelerar consideravelmente projetos de desenvolvimento e atualização de software, bem como aumentar a precisão das análises de dados.

Você pode clonar um banco de dados do Neptune com apenas algumas etapas no console, sem afetar o ambiente de produção. O clone é distribuído e replicado em três AZs.

O Neptune Analytics oferece suporte a algoritmos para a descoberta de caminhos, detecção de comunidades (clusters), identificação de dados importantes (centralidade) e quantificação de semelhanças. Os algoritmos de descoberta de caminhos determinam com eficiência a rota mais curta ou ideal entre dois nós. Os algoritmos de descoberta de caminhos permitem modelar situações do mundo real, como redes rodoviárias ou redes sociais, como nós e bordas interconectados. A descoberta dos caminhos mais curtos ou ideais entre vários pontos é crucial em aplicações como planejamento de rotas para sistemas GPS, otimização da logística e até mesmo na solução de problemas complexos em áreas como biologia ou engenharia.

Os algoritmos de detecção da comunidade calculam grupos ou clusters significativos de nós em uma rede, revelando padrões e estruturas ocultos que podem fornecer informações sobre a organização e a dinâmica de sistemas complexos. Isso é valioso em áreas como análise de redes sociais, biologia (para identificar módulos funcionais em redes de interação proteína-proteína) e até mesmo para entender o fluxo de informações e a propagação da influência em vários domínios.

Os algoritmos de centralidade ajudam a identificar os nós mais influentes ou importantes em uma rede, fornecendo informações sobre os principais participantes ou pontos críticos de interação. Isso é valioso em áreas como análise de redes sociais, onde ajuda a identificar pessoas influentes, ou em redes de transporte, onde ajuda a identificar centros cruciais para roteamento eficiente e alocação de recursos.

Os algoritmos de grafos por similaridade permitem comparar e analisar as semelhanças ou diferenças estruturais entre diferentes estruturas de grafos, permitindo insights sobre relacionamentos, padrões e semelhanças em diversos conjuntos de dados. Isso é inestimável em vários campos, como biologia (para comparar estruturas moleculares), redes sociais (para identificar comunidades semelhantes) e sistemas de recomendação (para sugerir itens semelhantes com base nas preferências do usuário).

O Neptune ML é desenvolvido pelo SageMaker, que usa GNNs, uma técnica de ML criada especificamente para gráficos, para fazer previsões rápidas e precisas usando dados gráficos. Com o Neptune ML, é possível melhorar a exatidão da maioria das previsões de grafos em cerca de 50% em comparação com previsões que utilizam métodos sem grafos.

Fazer previsões exatas em grafos com bilhões de relacionamentos pode ser difícil e demorado. As abordagens de ML existentes, como o XGBoost, não podem operar de modo eficaz em grafos porque foram projetadas para dados tabulares. Como resultado, a utilização desses métodos em grafos pode demorar, exigir habilidades especializadas de desenvolvedores e produzir previsões abaixo do ideal.