Amazon Neptune ML
Простые, быстрые и точные прогнозы для графов
Amazon Neptune ML – это новая возможность Neptune, в которой используются графовые нейронные сети (ГНС) – метод машинного обучения, специально разработанный для графов, с целью простого, быстрого и более точного прогнозирования на основе графовых данных. С помощью Neptune ML вы можете повысить точность большинства прогнозов для графов более чем на 50 % по сравнению с прогнозированием на основе неграфовых методов.
Составление точных прогнозов на графиках с миллиардами взаимосвязей может быть сложной и трудоемкой задачей. Существующие подходы машинного обучения, такие как XGBoost, не могут эффективно работать с графами, поскольку они разработаны для табличных данных. Применение этих методов в работе с графами может занять много времени, потребовать специальных навыков от разработчиков и дать неоптимальные прогнозы.
Используя библиотеку Deep Graph Library (DGL) с открытым исходным кодом, в создании которой участвует AWS, можно легко применять глубокое обучение к графовым данным. Neptune ML автоматизирует непростую работу по выбору и обучению лучших для графовых данных моделей машинного обучения, а также позволяет пользователям запускать их на своих графах непосредственно с помощью API и запросов Neptune. Теперь вы можете создавать, обучать и применять машинное обучение к данным Neptune за несколько часов, а не недель, без необходимости изучать соответствующие технологии и новые инструменты.
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.
![](https://d1.awsstatic.com/Neptune%20LangChain%20Integration.0537f77f5a3ed426c7f7aed220e6bd5e7b3ce57f.png)
Создавайте приложения с расширенной генерацией с извлечением данных из графов (GraphRAG), используя платформу LlamaIndex с открытым исходным кодом
LlamaIndex – это платформа данных с открытым исходным кодом, предназначенная для подключения пользовательских источников данных с большими языковыми моделями (LLM) и поддерживающая использование графов знаний с LLM.
Благодаря LlamaIndex вы можете использовать сервис Amazon Neptune как хранилище графов или векторов и на его основе, а также помощью таких методик, как GraphRAG, создавать приложения с генеративным ИИ.
Примеры использования
Выявление мошенничества
![Выявление мошенничества Выявление мошенничества](https://d1.awsstatic.com/products/Neptune/FraudDetection.811dbe3c4b591386d71e7899cd9c405c1662a17a.png)
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 Привлечение клиентов](https://d1.awsstatic.com/products/Neptune/CustomerAcquisition.f64bf71535ae3e0a92441e15ba2495363503985b.png)
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 Граф знаний](https://d1.awsstatic.com/products/Neptune/KnowledgeGraph.41954f8d10edec74eec6e1155e28e4d7075d1d4c.png)
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 Рекомендации по продуктам](https://d1.awsstatic.com/products/Neptune/ProductRecommendations.54f507ea18469b8c673a4e0bf30034c836c6b00e.png)
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 Принцип работы Amazon Neptune: диаграмма](https://d1.awsstatic.com/products/Neptune/NeptuneML%20-%20How%20it%20works.35d60781b44dd115e2437dea06d9a58a0e5b27d5.png)
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.
![](https://d1.awsstatic.com/webteam/product-pages/Product-Page_Standard-Icons_02_Sign-Up_SqInk.f43d5ddc9c43883eec6187f34c68155402b13312.png)
Получите мгновенный доступ к уровню бесплатного пользования AWS.
![](https://d1.awsstatic.com/webteam/product-pages/Product-Page_Standard-Icons_03_Start-Building_SqInk.6a1ef4429a6604cda9b0857084aa13e2ee4eebca.png)
Начните разработку с помощью Amazon Neptune в Консоли управления AWS.