Amazon Neptune ML

簡單、快速和準確的圖形預測

概觀

Amazon Neptune ML 是 Neptune 的一項新功能，使用圖形神經網路 (GNN)，這是一種專門針對圖形建置的機器學習技術，可以使用圖形資料進行簡單、快速和更準確的預測。相較於使用非圖形方法進行預測，使用 Neptune ML，您可以將大多數圖形預測的準確性提升 50% 以上。

對具有數十億關係的圖形進行準確預測可能既困難又耗時。現有的 ML 方法 (如 XGBoost) 無法在圖形上有效運作，因為這些方法專為表格資料設計。因此，在圖形上使用這些方法可能比較耗時，需要開發人員具備專業技能，並會產生不理想的預測。

Deep Graph Library (DGL) 是一個 AWS 貢獻的開放原始碼庫，讓您能夠輕鬆地將深度學習運用於圖形資料。Neptune ML 可自動化為圖形資料選取和訓練最佳 ML 模型的繁重工作，並讓使用者直接使用 Neptune API 和查詢在圖形上執行 ML。因此，您現在可以用幾小時而不是幾周在 Neptune 資料上建立、訓練和應用 ML，而不需要學習新的工具和 ML 技術。

ML 和生成式 AI

無需 ML 專業知識就能對圖形資料進行預測

Neptune ML 會針對圖形資料自動建立、訓練和應用 ML 模型。它使用 DGL 自動為您的工作負載選擇和訓練最佳 ML 模型，以便您可以用數小時而不是數週的時間，對圖形資料進行以 ML 為基礎的預測。

將大多數預測的準確度提高超過 50%*

Neptune ML 使用 GNN，這是一種應用於圖形資料的最先進 ML 技術，可以理解圖形中超過數十億個關係，以便您進行更準確的預測。

*根據斯坦福大學發表的研究，相較於非圖形 ML，Neptune ML 使用 GNN 做出的預測準確度要高出 50% 以上。

使用開放原始碼的 LangChain Python 架構，建置情境感知的圖形應用程式

LangChain 是一個開放原始碼 Python 架構，旨在簡化使用大型語言模型 (LLM) 建立應用程式。Neptune 與 LangChain 的整合，允許開發人員使用 LangChain 的開放原始碼架構，來簡化情境感知應用程式的建立。

將英語問題翻譯成 openCypher 圖形查詢，並返回人類可讀的回應

使用 Neptune 和 LangChain，您可以根據提供的情境傳回回應，並使用 openCypher 查詢語言查詢 Neptune 圖形資料庫。例如，您可以使用 Neptune openCypher QA 鏈將英語問題翻譯成 openCypher 查詢，並傳回人類可讀的回應。該鏈可用於回答「奧斯汀機場有多少條出發路線？」等問題

如需有關 Neptune openCypher QA 鏈的更多詳細資訊，請造訪開放原始碼的 LangChain 文件。