Amazon Neptune ML

Previsões fáceis, rápidas e precisas para grafos

Visão geral

O Amazon Neptune ML é um novo recurso do Neptune que usa redes neurais de grafos (GNNs), uma técnica de machine learning (ML) criada especificamente para grafos, a fim de fazer previsões fáceis, rápidas e mais precisas usando dados de grafos. Com o Neptune ML, você pode melhorar a precisão da maioria das previsões de grafos em mais de 50% quando comparado a previsões feitas usando métodos sem grafos.

Fazer previsões exatas em grafos com bilhões de relacionamentos pode ser difícil e demorado. As abordagens de ML existentes, como o XGBoost, não podem operar de modo eficaz em grafos porque foram projetadas para dados tabulares. Como resultado, a utilização desses métodos em grafos pode demorar, exigir habilidades especializadas de desenvolvedores e produzir previsões abaixo do ideal.

A Deep Graph Library (DGL), uma biblioteca de código aberto para a qual a AWS contribui, facilita a aplicação do aprendizado profundo aos dados de grafos. O Neptune ML automatiza o trabalho pesado de selecionar e treinar o melhor modelo de ML para dados de grafos e permite que os usuários executem ML em seus grafos diretamente, usando APIs e consultas do Neptune. Como resultado, agora é possível criar, treinar e aplicar a ML aos dados do Neptune em horas, em vez de semanas, sem precisar aprender novas ferramentas e tecnologias de ML.

ML e IA generativa

O Neptune ML cria, treina e aplica automaticamente modelos de ML aos seus dados de grafos. Ele usa o DGL para escolher e treinar automaticamente o melhor modelo de ML para sua workload, para que você possa fazer previsões baseadas em ML para dados de grafos em horas, em vez de semanas.

O Neptune ML usa GNNs, uma técnica de ML de última geração aplicada a dados de grafos que pode gerar bilhões de relacionamentos em grafos, possibilitando previsões mais precisas.

*O Neptune ML usa GNNs para fazer previsões cuja precisão pode ser mais de 50% superior em comparação com o ML sem grafos, de acordo com pesquisas publicadas pela Universidade de Stanford.

O LangChain é uma estrutura Python de código aberto projetada para simplificar a criação de aplicações usando grandes modelos de linguagem (LLMs). A integração do Neptune com o LangChain permite que os desenvolvedores usem a estrutura de código aberto do LangChain para simplificar a criação de aplicações com reconhecimento de contexto.

Com o Neptune e o LangChain, você pode retornar uma resposta com base no contexto fornecido e consultar um banco de dados de grafos do Neptune usando a linguagem de consulta openCypher. Por exemplo, você pode usar a cadeia de controle de qualidade openCypher do Neptune para converter perguntas em inglês em consultas openCypher e retornar uma resposta legível por humanos. Essa cadeia pode ser usada para responder a perguntas como “Quantas rotas de saída o aeroporto de Austin tem?”

Para obter mais detalhes sobre a cadeia de controle de qualidade openCypher do Neptune, consulte a documentação do LangChain de código aberto.

O LlamaIndex é uma estrutura de dados de código aberto para conectar fontes de dados personalizadas a grandes modelos de linguagem (LLM) e aceita o uso de grafos de conhecimento com LLMs.

Com o LlamaIndex, é possível usar o Neptune como um armazenamento de grafos ou armazenamento vetorial para criar aplicações de IA generativa usando técnicas como o GraphRAG.

Casos de uso

As empresas perdem milhões (até bilhões) de dólares em fraudes e querem detectar usuários, contas, dispositivos, endereços IP ou cartões de crédito fraudulentos para minimizar as perdas. Você pode usar uma representação baseada em grafos para capturar a interação das entidades (usuário, dispositivo ou cartão) e detectar agregações, como quando um usuário inicia várias minitransações ou usa contas diferentes que são potencialmente fraudulentas.

Saiba mais

Um gráfico de identidade fornece uma visão exclusiva e unificada de clientes atuais e potenciais com base em suas interações com um produto ou site em um conjunto de dispositivos e identificadores. As organizações usam grafos de identidade para personalização em tempo real e segmentação de publicidade para milhões de usuários. O Neptune ML recomenda automaticamente as próximas etapas ou descontos em produtos para determinados clientes com base em características como histórico de pesquisas anteriores em vários dispositivos ou onde eles se encontram no funil de aquisição.

Saiba mais

Grafos de conhecimento consolidam e integram os ativos de informações de uma organização e os tornam mais facilmente disponíveis para todos os membros da organização. O Neptune ML pode inferir links ausentes em fontes de dados e identificar entidades semelhantes para possibilitar uma melhor descoberta de conhecimento para todos.

Saiba mais

As recomendações tradicionais usam serviços de analytics manualmente para fazer recomendações de produtos. O Neptune ML pode identificar novos relacionamentos diretamente nos dados de grafos e recomendar facilmente a lista de jogos que um jogador gostaria de comprar, outros jogadores que poderia seguir ou produtos para comprar.

Definição de preço

Não há necessidade de investimentos iniciais. Você paga apenas pelos recursos da AWS usados, como Amazon SageMaker, Neptune e Amazon Simple Storage Service (Amazon S3).

Conceitos básicos

A maneira mais fácil de começar a usar o Neptune ML é por meio dos modelos de início rápido pré-criados do AWS CloudFormation. Você também pode percorrer os notebooks do Neptune ML para ver exemplos completos de classificação de nós, regressão de nós e previsão de links usando a pilha pré-criada do CloudFormation.

Crie uma pilha de ML do Neptune