Memulai Amazon Neptune
Ikhtisar
Basis data grafik, seperti Amazon Neptune Database dan Amazon Neptune Analytics, dibangun khusus untuk menyimpan dan menavigasi hubungan. Keduanya memiliki keunggulan dibandingkan basis data relasional untuk kasus penggunaan seperti jejaring sosial, mesin rekomendasi, dan deteksi kecurangan, di mana Anda perlu membuat hubungan yang kompleks di antara data serta mengueri hubungan ini dengan cepat. Amazon Neptune menggunakan struktur grafik seperti simpul (entitas data), edge (hubungan), dan properti untuk menggambarkan serta menyimpan data. Hubungan tersebut disimpan sebagai entitas utama dari model data. Hal ini memungkinkan data di dalam simpul ditautkan secara langsung, sehingga secara dramatis meningkatkan performa kueri yang menavigasi hubungan di dalam data tersebut.
Memulai Basis Data Amazon Neptune
Jika sudah mempunyai data dalam model grafik, Anda akan mudah untuk memulai Amazon Neptune Database. Anda dapat memuat data dalam format CSV atau RDF dan mulai menulis kueri grafik dengan Apache TinkerPop Gremlin, SPARQL, atau openCypher. Anda dapat menggunakan dokumentasi untuk memulai atau melihat AWS Online Tech Talk melalui tautan berikut. Kami juga telah mengonsolidasikan praktik terbaik untuk Neptune Database juga.
Memulai Amazon Neptune Analytics
Anda dapat memulai Neptune Analytics dalam beberapa langkah dengan membuat grafik menggunakan Konsol Manajemen AWS atau CDK, SDK, atau CLI. Dukungan AWS CloudFormation akan segera hadir. Anda dapat memuat grafik ke Neptune Analytics dari data di bucket Amazon S3 atau dari basis data Neptune. Anda dapat mengirim permintaan menggunakan bahasa kueri openCypher ke grafik di Neptune Analytics, langsung dari aplikasi grafik Anda. Anda juga dapat terhubung ke grafik di Analitik Neptune dari notebook Jupyter untuk menjalankan kueri dan algoritma grafik. Hasil kueri analitik dapat kanditulis kembali ke grafik Neptune Analytics untuk melayani kueri masuk atau disimpan dalam S3 agar dapat diproses lebih lanjut. Neptune Analytics mendukung integrasi dengan pustaka LangChain sumber terbuka untuk bekerja dengan aplikasi yang ada yang didukung oleh model bahasa besar.
Memulai Amazon Neptune ML
- Menyiapkan lingkungan pengujian
- Meluncurkan sampel notebook klasifikasi simpul
- Memuat data sampel ke dalam klaster
- Mengekspor grafik
- Melakukan pelatihan ML
- Menjalankan kueri Gremlin dengan Neptune ML
Memulai visualisasi grafik
Jika Anda terbiasa dengan bahasa kueri grafik atau menjalankan beban kerja grafik di lingkungan notebook, Anda dapat memulai dengan notebook Neptune. Neptune menyediakan notebook Jupyter dan JupyterLab dalam proyek notebook grafik Neptune sumber terbuka di GitHub dan di workbench Neptune. Notebook ini menawarkan contoh tutorial aplikasi dan cuplikan kode dalam lingkungan pengodean yang interaktif di mana Anda dapat mempelajari teknologi grafik dan Neptune.
Notebook Neptune dapat memvisualisasikan hasil kueri dan menyediakan antarmuka seperti IDE untuk pengembangan serta pengujian aplikasi, atau Anda dapat menggunakan notebook Neptune dengan fitur Neptune lainnya seperti Neptune Streams dan Neptune ML. Selain itu, setiap notebook Neptune memiliki titik akhir Graph Explorer. Anda dapat menemukan tautan untuk membuka Graph Explorer pada setiap instans notebook di konsol Amazon Neptune.