Машинное обучение и генеративный искусственный интеллект

Делайте прогнозы на основе графовых данных без опыта работы с машинным обучением

Neptune ML автоматически создает, обучает и применяет модели машинного обучения к вашим графовым данным. Он использует библиотеку DGL, автоматически выбирая и обучая наилучшую для вашей рабочей нагрузки модель машинного обучения, чтобы на ее основе вы могли делать прогнозы для графовых данных за несколько часов, а не недель.

Повысьте точность большинства прогнозов более чем на 50 %*

В Neptune ML используются графовые нейронные сети (ГНС) – современный метод машинного обучения, применяемый к графовым данным и позволяющий анализировать миллиарды взаимосвязей в графах, чтобы вы могли делать более точные прогнозы.

* Согласно опубликованным исследованиям Стэнфордского университета, Neptune ML использует ГНС для составления прогнозов, на 50 % более точных, чем машинное обучение без графов.

Создавайте контекстно-зависимые графовые приложения с помощью платформы LangChain Python с открытым исходным кодом

LangChain – это платформа Python с открытым исходным кодом, разработанная с целью упростить создание приложений с использованием больших языковых моделей (LLM). Благодаря интеграции Neptune с LangChain разработчики могут использовать платформу LangChain с открытым исходным кодом, тем самым упрощая создание контекстно-зависимых приложений.

Переводите вопросы на английском языке в графовые запросы openCypher и получайте доходчивые при прочтении ответы

С помощью Neptune и LangChain вы можете получать ответы на основе предоставленного контекста и запрашивать графовую базу данных Neptune, используя язык запросов openCypher. В частности, можно использовать цепочку вопросов и ответов Neptune openCypher для перевода вопросов на английском языке в запросы openCypher и получения ответов, понятных человеку, например на вопрос «Сколько исходящих рейсов в аэропорту Остина?»

Дополнительные сведения о цепочке вопросов и ответов Neptune openCypher см. в документации LangChain с открытым исходным кодом.

Примеры использования

Выявление мошенничества

Выявление мошенничества

Компании теряют миллионы и даже миллиарды долларов в результате мошенничества и хотят выявлять злоумышленников, а также используемые ими учетные записи, устройства, IP-адреса или кредитные карты, чтобы минимизировать потери. Вы можете фиксировать взаимодействие субъектов (пользователя, устройства или карты), используя графы, и выявлять агрегированные данные, например, когда кто-то инициирует несколько мини-транзакций или использует разные учетные записи, которые могут быть мошенническими.


Идентификация

Привлечение клиентов

С помощью набора устройств и идентификаторов граф идентификации обеспечивает единое унифицированное представление о текущих и потенциальных клиентах на основе их взаимодействия с продуктом или веб-сайтом. Организации используют графы идентификации для персонализации в реальном времени и таргетинга рекламы для миллионов пользователей. Neptune ML автоматически рекомендует определенным клиентам дальнейшие шаги или скидки на продукты на основе таких данных, как история поиска на разных устройствах или готовность к покупке.


Граф знаний

Граф знаний

Графы знаний объединяют и интегрируют информационные активы организации, а также делают их доступнее для всех ее членов. Neptune ML может выявлять недостающие ссылки в источниках данных и идентифицировать похожие объекты, чтобы облегчить вам получение знаний.


Рекомендации по продуктам

Рекомендации по продуктам

Традиционно для составления рекомендаций по продуктам используются аналитические сервисы, управляемые вручную. Neptune ML может определять новые взаимосвязи непосредственно на графовых данных и легко рекомендовать подписаться на других пользователей или приобрести игру либо продукт, которые могут быть интересны игроку.

Как это работает

Принцип работы Amazon Neptune: диаграмма

Цены

Предварительные инвестиции не требуются. Вы платите только за используемые ресурсы AWS, такие как Amazon SageMaker, Amazon Neptune и Amazon S3.

Начало работы

Самый простой способ начать работу с Neptune ML – использовать готовые шаблоны быстрого запуска AWS CloudFormation. Вы также можете ознакомиться с записными книжками Neptune ML и увидеть комплексные примеры классификации узлов и их регрессии, а также прогнозирования ссылок с помощью готового стека CloudFormation.

Ознакомиться с возможностями продукта

Подробнее о возможностях Amazon Neptune.

Подробнее 
Зарегистрировать бесплатный аккаунт

Получите мгновенный доступ к уровню бесплатного пользования AWS. 

Регистрация 
Начать разработку в консоли

Начните разработку с помощью Amazon Neptune в Консоли управления AWS.

Вход