ข้ามไปที่เนื้อหาหลัก

Amazon Neptune

AI ช่วยสร้างและแมชชีนเลิร์นนิง

ทำไมต้องใช้กราฟ

เมื่อองค์กรสร้างและนำแอปพลิเคชันปัญญาประดิษฐ์ (AI) ช่วยสร้างมาใช้ องค์กรย่อมมีความคาดหวังมากขึ้นในด้านความแม่นยำ ความครอบคลุม และความสามารถในการอธิบาย การให้บริบทสำหรับองค์กรและบริบทเฉพาะโดเมนผ่านเทคนิคต่างๆ เช่น การดึงข้อมูลเพื่อการสร้างแบบเสริม (RAG) สามารถช่วยได้ในระดับหนึ่ง โดย RAG ช่วยประหยัดค่าใช้จ่ายในการให้ข้อมูลปัจจุบันและข้อมูลที่เกี่ยวข้องสำหรับ AI ช่วยสร้าง พร้อมกับรักษาความสามารถในการการกำกับดูแลและควบคุมข้อมูล

การดึงข้อมูลเพื่อการสร้างแบบเสริมสำหรับกราฟ (GraphRAG) ยกระดับ RAG ไปอีกขั้นโดยใช้พลังจากทั้งการวิเคราะห์กราฟและการค้นหาเวกเตอร์เพื่อเสริมความแม่นยำ ความครอบคลุม ความสามารถในการอธิบายของการตอบสนองของ AI GraphRAG สามารถทำได้โดยใช้ความสัมพันธ์ระหว่างเอนทิตีหรือองค์ประกอบโครงสร้างในข้อมูล เช่น ส่วนต่าง ๆ หรือชื่อที่มีส่วนย่อยของเอกสาร เพื่อให้ข้อมูลที่เกี่ยวข้องมากที่สุดเป็นอินพุตสำหรับแอปพลิเคชัน RAG โดยสามารถสร้างความเชื่อมโยงแบบหลายช่วงที่เกี่ยวข้องกับเอนทิตีหรือหัวข้อ และใช้ข้อเท็จจริงเหล่านี้เพื่อเสริมการตอบสนองที่สร้างขึ้น

ความสามารถของ Amazon Neptune

1. GraphRAG

Amazon มีตัวเลือกที่มีการจัดการเต็มรูปแบบและตัวเลือกที่มีการจัดการด้วยตนเองสำหรับการสร้างและเรียกใช้แอปพลิเคชัน GraphRAG

  • การจัดการเต็มรูปแบบ: ฐานความรู้ของ Amazon Bedrock นำเสนอหนึ่งในความสามารถของ GraphRAG ที่มีการจัดการเต็มรูปแบบเป็นครั้งแรกของโลก โดยจะจัดการการสร้างและการบำรุงรักษากราฟและการฝังโดยอัตโนมัติ ซึ่งจะทำให้ลูกค้าสามารถให้การตอบสนองที่เกี่ยวข้องกับผู้ใช้ปลายทางได้มากขึ้น ด้วยความสามารถนี้ คุณจึงไม่จำเป็นต้องมีความเชี่ยวชาญด้านกราฟที่ลึกซึ้ง ซึ่งรวมถึงการสร้างกลยุทธ์การแบ่งข้อมูลหรือการผสานรวม RAG ที่ซับซ้อนกับ LLM และการจัดเก็บเวกเตอร์
  • การจัดการด้วยตนเอง: หากคุณต้องการโฮสต์ด้วยตนเองหรือเชื่อมต่อกับแหล่งที่มาของข้อมูลที่กำหนดเอง/ผลิตภัณฑ์ของบุคคลที่สาม (โมเดลพื้นฐาน การจัดเก็บเวกเตอร์ การจัดเก็บข้อมูล) คุณมีสองทางเลือก
    • ชุดเครื่องมือ AWS GraphRAG Python: ชุดเครื่องมือ GraphRAG แบบโอเพนซอร์สใหม่รองรับโมเดลกราฟและโมเดลพื้นฐานที่ทันสมัย โดยมีเฟรมเวิร์กสำหรับการทำให้โครงสร้างกราฟเป็นระบบอัตโนมัติจากข้อมูลที่ไม่มีโครงสร้าง และสำหรับการสืบค้นกราฟนี้เมื่อตอบคำถามของผู้ใช้
    • เฟรมเวิร์กโอเพนซอร์ส: Neptune ช่วยลดความยุ่งยากในการสร้างแอปพลิเคชัน GraphRAG โดยการผสานรวมเข้ากับทั้ง LangChain และ LlamaIndex ซึ่งทำให้การสร้างแอปพลิเคชันด้วย LLM อย่างเช่น แอปพลิเคชันที่พร้อมใช้งานใน Amazon Bedrock เป็นเรื่องง่าย AWS สนับสนุนและมีส่วนร่วมในโปรเจกต์โอเพนซอร์สยอดนิยมทั้งสองโปรเจกต์นี้
ชุดเครื่องมือ GraphRAG แบบโอเพนซอร์ส

2. แมชชีนเลิร์นนิง

  • แมชชีนเลิร์นนิง (ML) ของ Neptune: Neptune ML จะสร้าง ฝึกอบรม และใช้โมเดล ML กับข้อมูลกราฟของคุณโดยอัตโนมัติ ใช้ Deep Graph Library (DGL) เพื่อเลือกและฝึกอบรมโมเดล ML ที่ดีที่สุดสําหรับเวิร์กโหลดของคุณโดยอัตโนมัติ เพื่อให้คุณสามารถคาดการณ์ตาม ML บนข้อมูลกราฟในไม่กี่ชั่วโมงแทนที่จะใช้เวลาหลายสัปดาห์
  • การสร้างการสืบค้นข้อมูลด้วยภาษาธรรมชาติสำหรับกราฟ: หากคุณไม่คุ้นเคยกับภาษาการสืบค้น เช่น Gremlin หรือ Cypher การผสานรวม Neptune กับ NeptuneOpenCypherQAchain จะช่วยให้คุณสามารถตั้งคำถามกับฐานข้อมูลแบบกราฟ Neptune ของคุณได้โดยใช้ภาษาธรรมชาติ ตัวอย่างเช่น คุณสามารถแปลคำถามภาษาอังกฤษเป็นการสืบค้น openCypher และส่งคืนคำตอบที่มนุษย์อ่านได้ เชนนี้สามารถใช้เพื่อตอบคําถาม เช่น “สนามบินใดในสหรัฐฯ ที่มีเส้นทางขาออกยาวที่สุดและสั้นที่สุด”
DGL

กรณีการใช้งาน

    GraphRAG สามารถใช้เพื่อปรับปรุงฝ่ายสนับสนุนและศูนย์ติดต่อ IT ได้ ตัวอย่างเช่น GraphRAG สามารถเปิดใช้งานทีม Security Operations Center (SOC) เพื่อตีความการแจ้งเตือนได้อย่างแม่นยำยิ่งขึ้นเพื่อช่วยรักษาความปลอดภัยระบบที่สำคัญ แชทบอทสนับสนุนสมาชิกด้านการดูแลสุขภาพสามารถค้นหาข้อมูลที่เกี่ยวข้องได้อย่างรวดเร็วจากวรรณกรรมทางการแพทย์จำนวนมากเพื่อตอบคำถามที่ซับซ้อนเกี่ยวกับอาการ การรักษา และผลลัพธ์ของผู้ป่วยได้

    แอปพลิเคชัน GraphRAG สามารถให้บริการข้อมูลเชิงลึกที่ลึกซึ้งสำหรับทีมขององค์กร เช่น การวางแผนทางการเงินและการบัญชี (FP&A) การตลาด กฎหมาย ทรัพยากรบุคคลเป็นต้น ตัวอย่างเช่น ทีมกฎหมายขององค์กรสามารถค้นหาข้อมูลเกี่ยวกับกฎหมายภาษี ข้อบังคับ และข้อกำหนดเบื้องต้นของกรณีได้อย่างมีประสิทธิภาพมากขึ้นเพื่อคิดเกี่ยวกับกลยุทธ์กรณี ทีมการตลาดสามารถสร้างมุมมองลูกค้า 360 องศาได้ตามความสัมพันธ์ทางสังคมและประวัติการซื้อของผู้มีโอกาสเป็นลูกค้าได้

    บริษัทต่าง ๆ ในอุตสาหกรรมได้รับประโยชน์จาก GraphRAG ตัวอย่างเช่น ในอุตสาหกรรมยา ทีม R&D สามารถใช้ GraphRAG เพื่อเร่งการวิจัยและการทดลองยาได้ ในพื้นที่ธนาคารเพื่อการลงทุน ความสามารถของ GraphRAG ในการทำแผนที่ความสัมพันธ์ที่ซับซ้อนและให้มุมมองแบบองค์รวมของการจัดเก็บไฟล์ขององค์กร ซึ่งช่วยให้ทีมตรวจสอบความถูกต้องค้นพบข้อมูลเชิงลึก เช่น สิทธิด้านกฎระเบียบและการเปลี่ยนแปลงการแข่งขันได้ด้วย RAG ซึ่งเป็นข้อมูลที่ปกติแล้วจะไม่ชัดเจนได้อย่างง่ายดาย

เริ่มต้นใช้งาน

มีหลายวิธีในการเริ่มต้นใช้งาน ได้แก่: