Amazon Neptune ML

ML และ AI ช่วยสร้าง

ทําการคาดการณ์ข้อมูลกราฟโดยไม่ต้องมีความเชี่ยวชาญด้าน ML

Neptune ML จะสร้าง ฝึกอบรม และใช้โมเดล ML กับข้อมูลกราฟของคุณโดยอัตโนมัติ ใช้ DGL เพื่อเลือกและฝึกอบรมโมเดล ML ที่ดีที่สุดสําหรับเวิร์กโหลดของคุณโดยอัตโนมัติ เพื่อให้คุณสามารถคาดการณ์ตาม ML บนข้อมูลกราฟในไม่กี่ชั่วโมงแทนที่จะเป็นสัปดาห์

ปรับปรุงความแม่นยําของการคาดการณ์ส่วนใหญ่เพิ่มขึ้นมากกว่า 50% *

Neptune ML ใช้ GNN ซึ่งเป็นเทคนิค ML ที่ล้ำสมัยที่ใช้กับข้อมูลกราฟ สามารถให้เหตุผลเกี่ยวกับความสัมพันธ์กว่าพันล้านรายการในกราฟเพื่อให้คุณสามารถคาดการณ์ได้แม่นยํายิ่งขึ้น

*Neptune ML ใช้ GNN เพื่อทำการคาดการณ์ที่แม่นยํากว่า ML ที่ไม่ใช่กราฟมากกว่า 50% โดยอิงจากงานวิจัยที่ตีพิมพ์จากมหาวิทยาลัยสแตนฟอร์ด

สร้างแอปกราฟแบบรับรู้บริบทด้วยเฟรมเวิร์ก LangChain Python แบบโอเพนซอร์ส

LangChain เป็นเฟรมเวิร์ก Python แบบโอเพนซอร์สที่ออกแบบมาเพื่อลดความซับซ้อนในการสร้างแอปพลิเคชันโดยใช้โมเดลภาษาขนาดใหญ่ (LLM) การรวมดาวเนปจูนกับ LangChain ช่วยให้นักพัฒนาสามารถใช้เฟรมเวิร์กโอเพนซอร์สของ LangChain เพื่อลดความซับซ้อนในการสร้างแอปพลิเคชันที่รับรู้บริบท

แปลคําถามภาษาอังกฤษเป็นการสืบค้นกราฟ openCypher และส่งคืนเป็นคําตอบที่มนุษย์อ่านได้

Neptune และ LangChain ทำให้คุณสามารถส่งคืนคำตอบตามบริบทที่ให้ไว้และสืบค้นฐานข้อมูลแบบกราฟ Neptune โดยใช้ภาษาการสืบค้น openCypher ตัวอย่างเช่น คุณสามารถใช้ Neptune openCypher QA Chain เพื่อแปลคําถามภาษาอังกฤษเป็นการสืบค้น openCypher และส่งคืนคําตอบที่มนุษย์อ่านได้ เชนนี้สามารถใช้เพื่อตอบคําถาม เช่น "สนามบินออสตินมีเส้นทางขาออกกี่เส้นทาง"

สําหรับรายละเอียดเพิ่มเติมเกี่ยวกับ Neptune openCypher QA Chain โปรดไปที่ เอกสาร LangChain แบบโอเพนซอร์ส

กรณีการใช้งาน

การตรวจจับการฉ้อโกง

บริษัทสูญเสียเงินหลายล้านดอลลาร์ไปกับการฉ้อโกงและต้องการตรวจจับผู้ใช้ บัญชี อุปกรณ์ ที่อยู่ IP หรือบัตรเครดิตที่มีการฉ้อโกงเพื่อลดการสูญเสีย คุณสามารถใช้การแสดงตามกราฟเพื่อบันทึกการโต้ตอบของเอนทิตี (ผู้ใช้ อุปกรณ์ หรือบัตร) และตรวจหาการรวม เช่น เมื่อผู้ใช้เริ่มต้นธุรกรรมมูลค่าต่ำมากหลายรายการ หรือใช้บัญชีต่าง ๆ ที่อาจเป็นการฉ้อโกง

การแก้ปัญหาข้อมูลประจําตัวระบุตัวตน

กราฟข้อมูลระบุตัวตนให้มุมมองลูกค้าและผู้ที่มีแนวโน้มจะเป็นลูกค้าแบบรวมในมุมมองเดียว ตามการโต้ตอบที่มีต่อผลิตภัณฑ์หรือเว็บไซต์ในชุดอุปกรณ์และตัวระบุ องค์กรใช้กราฟข้อมูลระบุตัวตนในการปรับให้เหมาะกับแต่ละบุคคลแบบเรียลไทม์และการกําหนดเป้าหมายการโฆษณาสําหรับผู้ใช้หลายล้านคน Neptune ML จะแนะนําขั้นตอนถัดไปหรือส่วนลดผลิตภัณฑ์ให้กับลูกค้าบางรายโดยอัตโนมัติตามลักษณะต่าง ๆ เช่น ประวัติการค้นหาที่ผ่านมาในอุปกรณ์ต่าง ๆ หรือจุดที่ลูกค้าอยู่ในช่องทางการได้มา

กราฟความรู้

กราฟความรู้รวบรวมและผสานรวมสินทรัพย์ข้อมูลขององค์กร และทําให้สินทรัพย์ดังกล่าวพร้อมใช้งานมากขึ้นสำหรับสมาชิกทุกคนในองค์กร Neptune ML สามารถสรุปลิงก์ที่ขาดหายไปในแหล่งที่มาของข้อมูล และระบุเอนทิตีที่คล้ายกันเพื่อให้สามารถค้นพบความรู้ได้ดียิ่งขึ้นสําหรับทุกคน

การแนะนําผลิตภัณฑ์

การแนะนําแบบดั้งเดิมใช้บริการวิเคราะห์ด้วยตนเองเพื่อให้การแนะนําผลิตภัณฑ์ Neptune ML สามารถระบุความสัมพันธ์ใหม่ได้โดยตรงบนข้อมูลกราฟและแนะนํารายชื่อเกมที่ผู้เล่นสนใจที่จะซื้อ ผู้เล่นคนอื่น ๆ ที่จะติดตาม หรือผลิตภัณฑ์ที่จะซื้อ

วิธีทำงาน

ราคา

ไม่จําเป็นต้องลงทุนล่วงหน้า คุณจ่ายเฉพาะค่าทรัพยากร AWS ที่ใช้ เช่น Amazon SageMaker, Amazon Neptune และ Amazon S3 เท่านั้น

เริ่มต้นใช้งาน

วิธีที่ง่ายที่สุดในการเริ่มต้นใช้งาน Neptune ML คือการใช้เทมเพลตเริ่มต้นใช้งานด่วน AWS CloudFormation ที่สร้างไว้ล่วงหน้า คุณยังสามารถดู Neptune ML Notebook เพื่อดูตัวอย่างการจัดประเภทโหนด รีเกรสชันของโหนด และการคาดการณ์ลิงก์แบบครบวงจร โดยใช้สแต็ก CloudFormation ที่สร้างไว้ล่วงหน้า

สร้างสแต็ก Neptune ML