Amazon Neptune ML

Predicciones fáciles, rápidas y precisas para grafos

Información general

Amazon Neptune ML es una nueva capacidad de Neptune que utiliza las redes neuronales de grafos (Graph Neural Networks, GNN), una técnica de machine learning creada específicamente para grafos, con el objetivo de hacer predicciones fáciles, rápidas y más precisas mediante datos de grafos. Con Neptune ML, puede mejorar la precisión de la mayoría de las predicciones de grafo en más de un 50 % en comparación con las predicciones hechas con métodos no gráficos.

Hacer predicciones precisas en grafos con millones de relaciones puede resultar difícil y requerir mucho tiempo. Los métodos de ML existentes, como XGBoost, no pueden funcionar de manera eficaz en grafos porque están diseñados para datos tabulares. Como resultado, el uso de estos métodos en grafos puede llevar tiempo, requerir habilidades especializadas por parte de los desarrolladores y producir predicciones no del todo óptimas.

Deep Graph Library (DGL), una biblioteca de código abierto a la que contribuye AWS, facilita la aplicación de aprendizaje profundo a los datos de grafos. Neptune ML automatiza la ardua tarea de seleccionar y entrenar el mejor modelo de machine learning para los datos de grafos y permite a los usuarios ejecutar el machine learning en sus grafos directamente mediante las API y consultas de Neptune. Como resultado, ahora puede crear, entrenar y aplicar ML en datos de Neptune en horas en lugar de semanas sin la necesidad de aprender nuevas herramientas y tecnologías ML.

ML e IA generativa

Neptune ML crea, entrena y aplica automáticamente modelos de ML en los datos de sus grafos. Utiliza DGL para elegir y entrenar automáticamente el mejor modelo de machine learning para su carga de trabajo, de modo que pueda hacer predicciones basadas en machine learning sobre datos de grafos en horas en lugar de semanas.

Neptune ML usa GNN, una técnica de ML de última generación que se aplica a datos de grafos que puede razonar más de miles de millones de relaciones en los grafos para que pueda hacer predicciones más precisas.

*Según una investigación publicada por la Universidad de Stanford, Neptune ML usa GNN para hacer predicciones que pueden ser más de un 50 % más precisas que las de ML sin gráficos.

LangChain es un marco de código abierto de Python diseñado para simplificar la creación de aplicaciones con modelos de lenguaje de gran tamaño (LLM). Gracias a la integración de Neptune en LangChain, los desarrolladores utilizan el marco de código abierto de LangChain para simplificar la creación de aplicaciones sensibles al contexto.

Con Neptune y LangChain, puede devolver una respuesta basada en el contexto proporcionado y consultar una base de datos de grafos de Neptune mediante el lenguaje de consultas openCypher. Por ejemplo, puede usar la cadena de control de calidad de openCypher de Neptune para traducir preguntas en inglés a consultas de openCypher y devolver una respuesta legible para personas humanas. Esta cadena se puede usar para responder preguntas como “¿Cuántas rutas de salida tiene el aeropuerto de Austin?”

Para obtener más información sobre la cadena de control de calidad openCypher de Neptune, consulte la documentación de LangChain de código abierto.

LlamaIndex es un marco de datos de código abierto para conectar orígenes de datos personalizados a modelos de lenguaje grandes (LLM) y admite el uso de gráficos de conocimiento con LLM.

Con LlamaIndex, puede usar Neptune como almacén de gráficos o almacén vectorial para crear aplicaciones de IA generativa con técnicas como GraphRAG.

Casos de uso

Las empresas pierden millones (incluso miles de millones) de dólares en fraudes y quieren detectar usuarios, cuentas, dispositivos, direcciones IP o tarjetas de crédito fraudulentos para minimizar la pérdida. Puede utilizar una representación basada en grafos para capturar la interacción de las entidades (usuario, dispositivo o tarjeta) y detectar agregaciones, como cuando un usuario inicia varias minitransacciones o utiliza diferentes cuentas que son potencialmente fraudulentas.

Más información

Un grafo de identidad proporciona una vista unificada única de los clientes actuales y potenciales en función de sus interacciones con un producto o sitio web en un conjunto de dispositivos e identificadores. Las organizaciones utilizan grafos de identidad para personalizar y segmentar la publicidad en tiempo real para millones de usuarios. Neptune ML recomienda automáticamente los siguientes pasos o descuentos en productos a determinados clientes en función de características como el historial de búsquedas anteriores en todos los dispositivos o el lugar en el que se encuentran en el embudo de compra.

Más información

Los grafos de conocimiento consolidan e integran los activos de información de una organización y hacen que estén más fácilmente disponibles para todos los miembros de la organización. Neptune ML puede inferir enlaces que faltan en orígenes de datos e identificar entidades similares para permitir un mejor descubrimiento de conocimientos para todos.

Más información

Las recomendaciones tradicionales utilizan los servicios de análisis de forma manual para recomendar productos. Neptune ML identifica directamente nuevas relaciones en los datos de los gráficos y recomienda, de manera sencilla, una lista de juegos que al jugador le interesaría comprar, otros jugadores a los que le interesaría seguir, o productos que le gustaría adquirir.

Precios

No se necesitan inversiones iniciales. Solo paga por los recursos de AWS utilizados, como Amazon SageMaker, Neptune y Amazon Simple Storage Service (Amazon S3).

Introducción

La forma más sencilla de empezar a utilizar Neptune ML es utilizar las plantillas prediseñadas de inicio rápido de AWS CloudFormation. También puede revisar los cuadernos de Neptune ML para ver ejemplos integrales de clasificación de nodos, regresión de nodos y predicción de enlaces con la pila prediseñada de CloudFormation.

Crear una pila de Neptune ML