Amazon Neptune ML
Grafikler için kolay, hızlı ve doğru tahminler
Amazon Neptune ML, grafik verilerini kullanarak kolay, hızlı ve daha doğru bir şekilde tahminde bulunmak üzere grafikler için özel olarak oluşturulmuş bir makine öğrenimi (ML) tekniği olan grafik sinir ağlarını (GNN'ler) kullanan yeni bir Neptune özelliğidir. Neptune ML ile grafik tahminlerinin çoğunun doğruluğunu grafiksiz yöntemler kullanarak yapılan tahminlere kıyasla %50'den fazla artırabilirsiniz.
Milyarlarca ilişkiye sahip grafikler üzerinde doğru tahminler yapmak zor ve zaman alıcı olabilir. XGBoost gibi mevcut makine öğrenimi yaklaşımları, tablo verileri için tasarlanmış olmaları nedeniyle grafikler üzerinde etkili bir şekilde çalışamaz. Sonuç olarak, bu yöntemleri grafiklerde kullanmak zaman alabilir, geliştiricilerin özel becerilere sahip olmasını gerektirebilir ve yeterince ideal olmayan tahminler üretebilir.
AWS'nin katkıda bulunduğu açık kaynaklı bir kitaplık olan Deep Graph Library'yi (DGL) kullanmanız, grafik verilerine derin öğrenmeyi uygulamayı kolaylaştırır. Neptune ML, grafik verileri için en iyi makine öğrenimi modelini seçme ve eğitme sürecinin ağır yüklerini otomatikleştirir ve kullanıcıların Neptune API'lerini ve sorgularını kullanarak doğrudan kendi grafiklerinde makine öğrenimi çalıştırmalarını sağlar. Sonuç olarak, yeni araçlar ve makine öğrenimi teknolojileri öğrenmeye gerek kalmadan, birkaç hafta yerine sadece birkaç saat içinde Neptune verileri üzerinde makine öğrenimi oluşturabilir, eğitebilir ve uygulayabilirsiniz.
ML ve üretici yapay zeka
Makine öğrenimi uzmanlığı olmadan grafik verileri hakkında tahminler yapın
Neptune ML, grafik verileriniz üzerinde otomatik olarak makine öğrenimi modelleri oluşturur, eğitir ve uygular. İş yükünüze en uygun makine öğrenimi modelini otomatik olarak seçmek ve eğitmek için DGL'yi kullanması sayesinde, grafik verileri üzerinde birkaç hafta yerine sadece birkaç saatte makine öğrenimine dayalı tahminler yapabilirsiniz.
Çoğu tahminin doğruluğunu %50'den fazla artırın*
Neptune ML, grafik verilerine uygulandığında daha doğru tahminler yapabilmeniz için grafiklerdeki milyarlarca ilişki üzerinde akıl yürütebilen son teknoloji bir makine öğrenimi tekniği olan GNN'leri kullanır.
*GNN'leri kullanan Neptune ML, Stanford Üniversitesi'nin yayınladığı araştırmaya dayalı olarak, grafiksiz makine öğreniminden %50'nin üzerinde daha yüksek doğruluk sağlayabilecek tahminler yapar.
Açık kaynaklı LangChain Python çerçevesi ile bağlama duyarlı grafik uygulamaları oluşturun
LangChain, büyük dil modelleri (LLM'ler) kullanarak uygulamaların oluşturulmasını basitleştirmek için tasarlanmış açık kaynaklı bir Python çerçevesidir. Neptune'ün LangChain entegrasyonu, geliştiricilere bağlama duyarlı uygulamalar oluşturma sürecini basitleştirmek için LangChain'in açık kaynaklı çerçevesini kullanma olanağı tanır.
İngilizce soruları openCypher grafik sorgularına çevirin ve insanlar tarafından okunabilen bir yanıt döndürün
Neptune ve LangChain ile, sağlanan bağlama dayalı bir yanıt döndürebilir ve openCypher sorgu dilini kullanarak bir Neptune grafik veri tabanını sorgulayabilirsiniz. Örneğin, İngilizce soruları openCypher sorgularına çevirmek ve insanlar tarafından okunabilen bir yanıt döndürmek için Neptune openCypher Soru-Cevap Zincirini kullanabilirsiniz. Bu zincir, "Austin havaalanında kaç tane gidiş rotası var?" gibi soruları yanıtlamak için kullanılabilir.
Neptune openCypher Soru-Cevap Zinciri hakkında daha fazla ayrıntı için açık kaynaklı LangChain belgelerini ziyaret edin.
Kullanım örnekleri
Dolandırıcılık algılama
Şirketler dolandırıcılık faaliyetleri yüzünden milyonlarca (hatta milyarlarca) dolar kaybediyor ve kayıpları en aza indirmek için dolandırıcılık amaçlı kullanıcıları, hesapları, cihazları, IP adreslerini veya kredi kartlarını saptamak istiyor. Varlıkların (kullanıcı, cihaz veya kart) etkileşimlerini yakalamak ve bir kullanıcının birden çok mini işlem başlatması veya dolandırıcılık amaçlı olabilecek farklı hesapları kullanması gibi toplu eylemleri saptamak için grafik tabanlı bir temsil kullanabilirsiniz.
Kimlik çözümü
Kimlik grafiği, bir dizi cihaz ve tanımlayıcı genelinde bir ürün veya web sitesi ile gerçekleştirdikleri etkileşimlere dayalı olarak müşterilerin ve müşteri adaylarının tek bir birleşik görünümünü sağlar. Kuruluşlar, milyonlarca kullanıcı için gerçek zamanlı kişiselleştirme ve reklam hedefleme amacıyla kimlik grafiklerini kullanır. Neptune ML, birden fazla cihazdaki arama geçmişine veya kişinin edinme hunisinin neresinde bulunduğu gibi özelliklere bağlı olarak, sonraki adımları veya belirli müşterilere ürün indirimlerini otomatik olarak önerir.
Bilgi grafiği
Bilgi grafikleri, bir kuruluşun bilgi varlıklarını birleştirip entegre eder ve bunları kuruluşun tüm üyeleri için daha kolay erişilebilir hale getirir. Neptune ML, veri kaynakları arasındaki eksik bağlantılara ilişkin çıkarımda bulunabilir ve herkes için daha iyi bilgi keşfi sağlamak üzere benzer varlıkları tespit edebilir.
Ürün önerisi
Geleneksel öneriler, ürün önerilerinde bulunmak için analiz hizmetlerini manuel olarak kullanır. Neptune ML, doğrudan grafik verileri üzerinde yeni ilişkiler tespit edebilir ve bir oyuncunun satın almak isteyeceği oyunların, takip etmek isteyebileceği diğer oyuncuların veya satın almak isteyeceği ürünlerin listesini kolayca önerebilir.
Nasıl çalışır?
Fiyatlandırma
Peşin yatırıma gerek yoktur. Yalnızca Amazon SageMaker, Amazon Neptune ve Amazon S3 gibi kullandığınız AWS kaynakları için ödeme yaparsınız.
Kullanmaya başlama
Neptune ML'yi kullanmaya başlamanın en kolay yolu, önceden oluşturulmuş AWS CloudFormation hızlı başlangıç şablonlarını kullanmaktır. Ayrıca, önceden oluşturulmuş CloudFormation yığınını kullanarak düğüm sınıflandırmasının, düğüm regresyonunun ve bağlantı tahmininin uçtan uca örneklerini görmek için Neptune ML not defterlerinde gezinebilirsiniz.
Amazon Neptune özellikleri hakkında daha fazla bilgi edinin.
AWS Management Console’da Amazon Neptune ile oluşturmaya başlayın.