Amazon Neptune ML

Einfache, schnelle und genaue Vorhersagen für Graphen

Übersicht

Amazon Neptune ML ist eine neue Funktion von Neptune, die Graph Neural Networks (GNNs) nutzt, eine speziell für Graphen entwickelte Technik des Machine Learnings (ML), um einfache, schnelle und genauere Vorhersagen mithilfe von Graphdaten zu treffen. Mit Neptune ML können Sie die Genauigkeit der meisten Vorhersagen für Diagramme um über 50 % verbessern, verglichen mit Vorhersagen mit Methoden ohne Diagramme.

Genaue Vorhersagen anhand von Diagrammen mit Milliarden von Beziehungen zu treffen, kann schwierig und zeitaufwändig sein. Bestehende ML-Ansätze wie XGBoost können nicht effektiv mit Graphen arbeiten, da sie für tabellarische Daten ausgelegt sind. Daher kann die Verwendung dieser Methoden in Graphen Zeit in Anspruch nehmen, spezielle Fertigkeiten von Entwicklern erfordern und zu suboptimalen Vorhersagen führen.

Die Deep Graph Library (DGL), eine Open-Source-Bibliothek, zu der AWS beiträgt, vereinfacht die Anwendung von Deep Learning auf Diagrammdaten. Neptune ML automatisiert die schwere Arbeit, die mit der Auswahl und dem Training des besten ML-Modells für Graphdaten verbunden ist, und ermöglicht es Benutzern, ML mithilfe von Neptune-APIs und -Abfragen direkt auf ihrem Graphen auszuführen. Als Ergebnis können Sie jetzt ML auf Neptune-Daten in Stunden statt in Wochen erstellen, schulen und anwenden, ohne dass Sie neue Tools und ML-Technologien erlernen müssen.

ML und generative KI

Neptune ML erstellt, trainiert und wendet automatisch ML-Modelle auf Ihre Graphdaten an. Es verwendet DGL, um automatisch das beste ML-Modell für Ihren Workload auszuwählen und zu trainieren, sodass Sie ML-basierte Vorhersagen anhand von Graphdaten innerhalb von Stunden statt Wochen treffen können.

Neptune ML verwendet GNNs, eine hochmoderne ML-Technik, die auf Diagrammdaten angewendet wird und über Milliarden von Beziehungen in Diagrammen nachvollziehen kann, sodass Sie genauere Vorhersagen treffen können.

*Neptune ML verwendet GNNs, um Vorhersagen zu treffen, die mehr als 50 % genauer sein können als Machine Learning ohne Diagramme, basierend auf veröffentlichten Forschungsergebnissen der Stanford University.

LangChain ist ein Open-Source-Python-Framework, das konzipiert ist, um die Erstellung von Anwendungen mithilfe großer Sprachmodelle (LLMs) zu vereinfachen. Die Neptune-Integration in LangChain ermöglicht es Entwicklern, das Open-Source-Framework von LangChain zu verwenden, um die Erstellung kontextsensitiver Anwendungen zu vereinfachen.

Mit Neptune und LangChain können Sie eine Antwort basierend auf dem bereitgestellten Kontext ausgeben und eine Neptune-Graphdatenbank mithilfe der Abfragesprache openCypher abfragen. Sie können beispielsweise die Neptune openCypher QA Chain verwenden, um englische Fragen in openCypher-Abfragen zu übersetzen und eine menschenlesbare Antwort auszugeben. Diese Chain kann verwendet werden, um Fragen wie „Wie viele Ausgangsrouten hat der Flughafen Austin?“ zu beantworten.

Weitere Einzelheiten zur Neptune openCypher QA Chain finden Sie in der Open-Source-Dokumentation zu LangChain.

LlamaIndex ist ein Open-Source-Datenframework zum Verbinden benutzerdefinierter Datenquellen mit großen Sprachmodellen (LLM) und unterstützt die Verwendung von Wissensdiagrammen mit LLMs.

Mit LlamaIndex können Sie Neptune als Diagrammpeicher oder Vektorspeicher verwenden, um generative KI-Anwendungen mit Techniken wie GraphRAG zu erstellen.

Anwendungsfälle

Unternehmen verlieren Millionen (sogar Milliarden) von Dollar durch Betrug und wollen betrügerische Benutzer, Konten, Geräte, IP-Adressen oder Kreditkarten erkennen, um den Verlust zu minimieren. Sie können eine graphenbasierte Darstellung verwenden, um die Interaktion der Entitäten (Benutzer, Gerät oder Karte) zu erfassen und Aggregationen zu erkennen, z. B. wenn ein Benutzer mehrere Mini-Transaktionen initiiert oder verschiedene Konten verwendet, die potenziell betrügerisch sind.

Weitere Informationen

Ein Identitätsdiagramm bietet eine einheitliche Ansicht von Kunden und Interessenten auf der Grundlage ihrer Interaktionen mit einem Produkt oder einer Website auf einer Reihe von Geräten und Identifikatoren. Unternehmen verwenden Identitätsdiagramme für die Personalisierung in Echtzeit und das Targeting von Werbung für Millionen von Benutzern. Neptune ML empfiehlt bestimmten Kunden automatisch die nächsten Schritte oder Produktrabatte, basierend auf Merkmalen wie dem bisherigen Suchverlauf auf verschiedenen Geräten oder darauf, wo sie sich im Akquisitionstrichter befinden.

Weitere Informationen

Wissensgraphen konsolidieren und integrieren die Informationsressourcen eines Unternehmens und machen sie für alle Mitglieder des Unternehmens leichter zugänglich. Neptune ML kann auf fehlende Links zwischen Datenquellen schließen und ähnliche Entitäten identifizieren, um eine bessere Wissensermittlung für alle zu ermöglichen.

Weitere Informationen

Herkömmliche Empfehlungen verwenden Analytik-Services manuell, um Produktempfehlungen abzugeben. Neptune ML ist in der Lage, neue Beziehungen direkt anhand von Diagrammdaten zu erkennen und auf einfache Weise eine Liste von Spielen zu empfehlen, die ein Spieler gerne kaufen würde, anderen Spielern zu folgen oder Produkte zu kaufen.

Preise

Es sind keine Vorabinvestitionen erforderlich. Sie zahlen nur für die genutzten AWS-Ressourcen wie Amazon SageMaker, Neptune und Amazon Simple Storage Service (Amazon S3).

Erste Schritte

Die einfachste Möglichkeit, mit Neptune ML zu beginnen, ist die Verwendung der vorgefertigten Schnellstartvorlagen für AWS CloudFormation. Sie können auch die Neptune-ML-Notebooks durchgehen, um durchgängige Beispiele für Knotenklassifizierung, Knotenregression und Linkvorhersage mithilfe des vorgefertigten CloudFormation-Stacks zu sehen.

Einen Neptune-ML-Stack erstellen