Опубликованы эталонные архитектуры AWS на основе Amazon Neptune, которые предоставляют необходимую для принятия решений информацию о графовых моделях данных и языках запроса, а также основу для архитектур развертывания.
Accenture: Natural Language Processing and Graph Databases for the Oil and Gas Industry (6:23)
Nike: A Social Graph at Scale with Amazon Neptune (7:00)
AWS re:Invent 2020: Building the post-cookie identity graph for marketing (30:48)
AWS re:Invent 2020: ADP’s next-generation platform powers dynamic teams with Amazon Neptune (26:02)
AWS re:Invent 2019. Real‑world customer use cases with Amazon Neptune (30:25)
AWS re:Invent 2018: Building a Social Graph at Nike with Amazon Neptune (53:46)
AWS re:Invent 2018: Data & Analysis with Amazon Neptune: A Study in Healthcare Billing (48:49)
AWS re:Invent 2017: Amazon Neptune Overview and Customer Use Cases (1:00:56)
AWS re:Invent 2022
AWS re:Invent 2022 - Deep dive into Amazon Neptune Serverless (53:04)
AWS Summit SF 2022 - Amazon Neptune: Using graphs to gain security insights (56:43)
AWS re:Invent 2021 - Real-world use cases with graph databases (31:25)
AWS re:Invent 2020
AWS re:Invent 2020: Deep dive on Amazon Neptune (29:50)
AWS re:Invent 2020: New capabilities to build graph apps quickly with Amazon Neptune (26:54)
Семинары AWS Tech Talk
AWS on Air 2020: AWS What's Next представляет Amazon Neptune ML (24:05)
Build Event Driven Graph Applications with AWS Purpose‑Built Databases (48:03)
Understanding Game Changes and Player Behavior with Graph Databases (50:21)
AWS DMS supports copying data from relational databases to Amazon Neptune (1:02:34)
Amazon Neptune: Build Applications for Highly Connected Datasets (32:33)
AWS Summit 2018 в Тель‑Авиве. How Amazon Neptune and Graph Databases Can Transform Your Business (38:39)
AWS re:Invent 2018: How Do I Know I Need an Amazon Neptune Graph Database? (46:12)
Примеры использования клиентами
Audible for Business
Графовая база данных дает более гибкие возможности по сравнению с реляционными системами. Иногда нам требовалось устанавливать множество связей между таблицами [в реляционной модели], что влекло за собой значительную задержку на большей части бизнес-логики. Графовая база данных оптимизирована для нашего сценария использования. Amazon Neptune решил проблему, которую мы давно пытались решить.
С помощью metaphactory и Amazon Neptune компания Siemens Energy создала граф знаний о турбинах и визуализировала связи между сходными частями всех имеющихся газовых турбин. Управляемый сервис графовых баз данных Amazon Neptune идеально подходит для реализации облачной стратегии ИТ-подразделения Siemens Energy, в которой основное внимание уделяется надежности, масштабируемости, сокращению технического обслуживания и интеграции с существующей платформой на Amazon Web Services (AWS).
Мы выбрали Neptune, потому что это мощная графовая база данных, которая отличается безопасностью, производительностью и удобством работы с аналитическими данными. В нашей модели [отслеживания контактов] каждый пользовательский узел соединен с узлом на устройстве. При регистрации устройства в каком-либо месте между устройством и сканируемым кодом (QR-кодом) образуется сигнал, связанный с конкретным объектом (физическим магазином) и соответствующей организацией (коммерческим предприятием). В Neptune мы можем сохранять эти расширенные отношения между пользователями, регистрациями и местами и получать аналитические данные о распространении вируса.
Нам нравится возможность шифрования на уровне приложений в дополнение к шифрованию на уровне базы данных. При использовании Amazon Neptune данные шифруются еще до того, как попадают в базу данных, а затем шифруются повторно при хранении.
