Amazon Neptune ML

Dự đoán dễ dàng, nhanh chóng và chính xác cho đồ thị

Tổng quan

Amazon Neptune ML là một tính năng mới của Neptune sử dụng mạng nơ-ron đồ thị (GNN), một kỹ thuật máy học được xây dựng chuyên dụng cho đồ thị để đưa ra các dự đoán dễ dàng, nhanh chóng và chính xác hơn bằng cách sử dụng dữ liệu đồ thị. Với Neptune ML, bạn có thể cải thiện độ chính xác của hầu hết các dự đoán cho đồ thị thêm hơn 50% khi so sánh với việc đưa ra dự đoán bằng cách sử dụng các phương pháp không dùng đồ thị.

Việc đưa ra dự đoán chính xác trên các biểu đồ với hàng tỷ mối quan hệ có thể khó khăn và tốn thời gian. Các phương pháp tiếp cận máy học hiện có như XGBoost không thể hoạt động hiệu quả trên đồ thị vì được thiết kế cho dữ liệu dạng bảng. Do đó, việc sử dụng các phương pháp này trên đồ thị có thể mất thời gian, yêu cầu các kỹ năng chuyên sâu từ các nhà phát triển và đưa ra các dự đoán không tối ưu.

Thư viện mã nguồn mở Deep Graph Library (DGL) mà AWS có đóng góp sẽ giúp bạn áp dụng học sâu cho dữ liệu đồ thị dễ dàng hơn. Neptune ML tự động hóa phần việc nặng nhọc là lựa chọn và đào tạo mô hình máy học phù hợp nhất cho dữ liệu đồ thị và cho phép người dùng chạy máy học trên biểu đồ của họ trực tiếp bằng cách sử dụng API và truy vấn Neptune. Do đó, giờ đây, bạn có thể tạo, đào tạo và áp dụng máy học trên dữ liệu Neptune chỉ trong vài giờ thay vì vài tuần mà không cần phải tìm hiểu về các công cụ mới và công nghệ máy học.

ML và AI tạo sinh

Neptune ML tự động tạo, đào tạo và áp dụng các mô hình máy học trên dữ liệu đồ thị của bạn. Tính năng này sử dụng DGL để tự động chọn và đào tạo mô hình ML phù hợp nhất cho khối lượng công việc của bạn để bạn có thể đưa ra dự đoán dựa trên ML về dữ liệu đồ thị trong vài giờ thay vì vài tuần.

Neptune ML sử dụng GNN, một kỹ thuật ML hiện đại được áp dụng cho dữ liệu đồ thị có thể lý giải hơn hàng tỷ mối quan hệ trong đồ thị để bạn có thể đưa ra dự đoán chính xác hơn.

*Neptune ML sử dụng GNN để đưa ra các dự đoán có thể chính xác hơn 50% so với máy học không sử dụng đồ thị, dựa trên nghiên cứu do Đại học Stanford công bố.

LangChain là một khung Python nguồn mở được thiết kế để đơn giản hóa việc tạo ứng dụng bằng cách sử dụng các mô hình ngôn ngữ lớn (LLM). Tích hợp Neptune với LangChain cho phép các nhà phát triển sử dụng khung nguồn mở của LangChain để đơn giản hóa việc tạo ứng dụng nhận biết ngữ cảnh.

Với Neptune và LangChain, bạn có thể trả về câu trả lời dựa trên ngữ cảnh được cung cấp và truy vấn cơ sở dữ liệu đồ thị Neptune bằng ngôn ngữ truy vấn openCypher. Ví dụ: bạn có thể sử dụng chuỗi hỏi đáp (QA) openCypher của Neptune để dịch các câu hỏi tiếng Anh thành các truy vấn openCypher và trả về câu trả lời mà người đọc được. Có thể sử dụng chuỗi này để trả lời các câu hỏi như “Có bao nhiêu tuyến bay cất cánh từ Sân bay Austin?”

Để biết thêm chi tiết về chuỗi QA Neptune openCypher, hãy tham khảo tài liệu LangChain nguồn mở.

LlamaIndex là một khung dữ liệu nguồn mở để kết nối các nguồn dữ liệu tùy chỉnh với các mô hình ngôn ngữ lớn (LLM) và hỗ trợ sử dụng đồ thị kiến thức với LLM.

Với LlamaIndex, có thể sử dụng Neptune làm kho đồ thị hoặc kho véc-tơ để xây dựng các ứng dụng AI tạo sinh bằng cách sử dụng các kỹ thuật như GraphRAG.

Trường hợp sử dụng

Các công ty mất hàng triệu (thậm chí hàng tỷ) đô la vì hành vi lừa đảo và muốn phát hiện người dùng, tài khoản, thiết bị, địa chỉ IP hoặc thẻ tín dụng gian lận để giảm thiểu tổn thất. Bạn có thể biểu diễn dựa trên đồ thị để ghi lại tương tác của các thực thể (người dùng, thiết bị hoặc thẻ) và phát hiện dữ liệu tổng hợp, chẳng hạn như khi người dùng bắt đầu nhiều giao dịch nhỏ hoặc sử dụng các tài khoản khác nhau có khả năng gian lận.

Tìm hiểu thêm

Biểu đồ nhận dạng cung cấp thông tin tổng quan thống nhất duy nhất về khách hàng và khách hàng tiềm năng dựa trên tương tác của họ với sản phẩm hoặc trang web trên một tập hợp các thiết bị và mã định danh. Các tổ chức sử dụng biểu đồ danh tính để cá nhân hóa theo thời gian thực và xác định mục tiêu quảng cáo cho hàng triệu người dùng. Neptune ML tự động đề xuất các bước tiếp theo hoặc chiết khấu sản phẩm cho một số khách hàng nhất định dựa trên các đặc điểm như lịch sử tìm kiếm trước đây trên các thiết bị hoặc vị trí của họ trong phễu thu hút khách hàng.

Tìm hiểu thêm

Đồ thị kiến thức hợp nhất và tích hợp các tài sản thông tin của tổ chức và giúp tất cả các thành viên của tổ chức tiếp cận các tài sản đó dễ dàng hơn. Neptune ML có thể suy luận ra những liên kết còn thiếu giữa các nguồn dữ liệu và xác định các thực thể tương tự để tạo điều kiện tìm hiểu tri thức tốt hơn cho tất cả mọi người.

Tìm hiểu thêm

Đề xuất thông thường sử dụng các dịch vụ phân tích theo cách thủ công để đưa ra đề xuất sản phẩm. Neptune ML có thể xác định các mối quan hệ mới trực tiếp trên dữ liệu đồ thị và dễ dàng đề xuất danh sách các trò chơi mà người chơi muốn mua, những người chơi khác họ muốn theo dõi hoặc sản phẩm họ muốn mua.

Giá

Không cần trả tiền trước. Bạn chỉ thanh toán cho các tài nguyên AWS được sử dụng như Amazon SageMaker, Amazon Neptune và Amazon Simple Storage Service (Amazon S3).

Bắt đầu

Cách dễ nhất để bắt đầu sử dụng Neptune ML là sử dụng các mẫu khởi động nhanh được tạo sẵn trong AWS CloudFormation. Bạn cũng có thể xem xét chi tiết sổ tay Neptune ML để xem các ví dụ toàn diện về phân loại nút, hồi quy nút và dự đoán liên kết bằng cách sử dụng bộ CloudFormation được tạo sẵn.

Tạo bộ Neptune ML