Amazon Neptune ML
Prediksi grafik yang mudah, cepat, dan akurat
Amazon Neptune ML adalah kemampuan baru Neptune yang menggunakan jaringan neural grafik (GNN), teknik machine learning (ML) yang dibangun khusus untuk grafik, guna membuat prediksi yang mudah, cepat, dan lebih akurat menggunakan data grafik. Dengan Neptune ML, Anda dapat meningkatkan akurasi sebagian besar prediksi untuk grafik lebih dari 50% jika dibandingkan dengan pembuatan prediksi menggunakan metode nongrafik.
Membuat prediksi akurat pada grafik dengan miliaran hubungan dapat menjadi suatu hal yang sulit dan memakan waktu. Pendekatan ML yang sudah ada seperti XGBoost tidak dapat beroperasi secara efektif pada grafik karena didesain untuk data tabular. Akibatnya, menggunakan metode ini pada grafik dapat memakan banyak waktu, memerlukan keterampilan khusus dari developer, dan menghasilkan prediksi yang tidak optimal.
Dengan Deep Graph Library (DGL), sebuah pustaka sumber terbuka yang dikontribusikan AWS, deep learning mudah diterapkan pada data grafik. Neptune ML mengotomatisasi pekerjaan berat dalam memilih dan melatih model ML terbaik untuk data grafik serta memungkinkan pengguna menjalankan ML pada grafik mereka secara langsung dengan menggunakan API dan kueri Neptune. Sehingga, kini Anda dapat membuat, melatih, dan menerapkan ML pada data Neptune dalam hitungan jam, bukan minggu, tanpa harus mempelajari alat dan teknologi ML baru.
ML dan AI generatif
Membuat prediksi pada data grafik tanpa keahlian ML
Neptune ML membuat, melatih, dan menerapkan model ML secara otomatis pada data grafik Anda. Layanan ini menggunakan DGL untuk memilih dan melatih model ML terbaik secara otomatis untuk beban kerja, agar Anda dapat membuat prediksi berbasis ML pada data grafik dalam hitungan jam alih-alih minggu.
Meningkatkan akurasi sebagian besar prediksi sebesar lebih dari 50%*
Neptune ML menggunakan GNN, sebuah teknik ML canggih yang diterapkan pada data grafik yang dapat menjelaskan lebih dari miliaran hubungan dalam grafik agar Anda dapat membuat prediksi yang lebih akurat.
*Neptune ML menggunakan GNN untuk membuat prediksi yang 50% lebih akurat daripada ML nongrafik, berdasarkan penelitian yang diterbitkan dari Stanford University.
Membangun aplikasi grafik sadar konteks dengan kerangka kerja Python LangChain sumber terbuka
LangChain adalah kerangka kerja Python sumber terbuka yang dirancang untuk menyederhanakan pembuatan aplikasi menggunakan model bahasa besar (LLM). Integrasi Neptune dengan LangChain memungkinkan developer menggunakan kerangka kerja sumber terbuka LangChain untuk menyederhanakan pembuatan aplikasi yang sadar konteks.
Menerjemahkan pertanyaan bahasa Inggris ke dalam kueri grafik openCypher dan menghasilkan respons yang dapat dibaca manusia
Dengan Neptune dan LangChain, Anda dapat menghasilkan respons berdasarkan konteks yang disediakan serta mengueri basis data grafik Neptune menggunakan bahasa kueri openCypher. Misalnya, Anda dapat menggunakan Neptune openCypher QA Chain untuk menerjemahkan pertanyaan bahasa Inggris ke dalam kueri openCypher dan menghasilkan respons yang dapat dibaca manusia. Rantai ini dapat digunakan untuk menjawab pertanyaan seperti “Berapa banyak rute keluar yang dimiliki bandara Austin?”
Untuk detail selengkapnya tentang Neptune openCypher QA Chain, kunjungi dokumentasi LangChain sumber terbuka.
Bangun aplikasi Graph Retrieval-Augmented Generation (GraphRAG) dengan kerangka kerja LlamaIndex sumber terbuka
LlamaIndex adalah kerangka data sumber terbuka untuk menghubungkan sumber data khusus ke model bahasa besar (LLM) dan mendukung penggunaan grafik pengetahuan dengan LLM.
Dengan LlamaIndex, dapat menggunakan Amazon Neptune sebagai penyimpanan grafik atau penyimpanan vektor untuk membangun aplikasi AI generatif menggunakan teknik seperti GraphRag.
Kasus penggunaan
Deteksi kecurangan
Perusahaan kehilangan jutaan (bahkan miliaran) dolar karena kecurangan dan ingin mendeteksi pengguna, akun, perangkat, alamat IP, atau kartu kredit yang melakukan kecurangan untuk meminimalkan kerugian. Anda dapat menggunakan representasi berbasis grafik untuk mengambil interaksi entitas (pengguna, perangkat, atau kartu) dan mendeteksi agregasi seperti saat pengguna memulai beberapa transaksi kecil atau menggunakan akun berbeda yang berpotensi kecurangan.
Resolusi identitas
Grafik identitas menyediakan satu tampilan terpadu tentang pelanggan dan prospek berdasarkan interaksi mereka dengan produk atau situs web di seluruh rangkaian perangkat dan pengidentifikasi. Organisasi menggunakan grafik identitas untuk personalisasi waktu nyata dan penargetan iklan bagi jutaan pengguna. Neptune ML secara otomatis merekomendasikan langkah berikutnya atau diskon produk kepada pelanggan tertentu berdasarkan karakteristik seperti riwayat pencarian sebelumnya di seluruh perangkat atau lokasi mereka di corong akuisisi.
Grafik pengetahuan
Grafik pengetahuan mengonsolidasikan dan mengintegrasikan aset informasi organisasi serta membuatnya lebih mudah diakses oleh semua anggota organisasi. Neptune ML dapat menyimpulkan tautan yang hilang di seluruh sumber data dan mengidentifikasi entitas serupa untuk memungkinkan penemuan pengetahuan yang lebih baik bagi semua.
Rekomendasi produk
Rekomendasi tradisional menggunakan layanan analitik secara manual untuk membuat rekomendasi produk. Neptune ML dapat mengidentifikasi hubungan baru secara langsung pada data grafik dan dengan mudah merekomendasikan daftar game yang ingin dibeli oleh pemain, pemain lain untuk diikuti, atau produk untuk dibeli.
Cara kerjanya
Harga
Tidak memerlukan investasi di muka. Anda hanya membayar sumber daya AWS yang digunakan seperti Amazon SageMaker, Amazon Neptune, dan Amazon S3.
Memulai
Cara termudah untuk memulai Neptune ML adalah menggunakan templat mulai cepat AWS CloudFormation yang siap pakai. Anda juga dapat menjelajahi notebook Neptune ML untuk melihat contoh end-to-end klasifikasi simpul, regresi simpul, dan prediksi tautan menggunakan tumpukan CloudFormation yang siap pakai.