Amazon Neptune ML

การคาดการณ์กราฟที่ถูกต้องแม่นยำ รวดเร็ว และใช้งานง่าย

ภาพรวม

Amazon Neptune ML เป็นความสามารถใหม่ของ Neptune ที่ใช้กราฟนิวรัลเน็ตเวิร์ก (GNN) ซึ่งเป็นเทคนิคแมชชีนเลิร์นนิง (ML) ที่สร้างขึ้นโดยเฉพาะสำหรับกราฟ เพื่อให้สามารถคาดการณ์ได้ง่าย รวดเร็ว และแม่นยำยิ่งขึ้นโดยใช้ข้อมูลกราฟ ด้วย Neptune ML คุณสามารถปรับปรุงความแม่นยำของการทำนายส่วนใหญ่สำหรับกราฟได้มากกว่า 50% เมื่อเปรียบเทียบกับการทำนายโดยใช้เมธอดที่ไม่ใช่กราฟ

การทำนายที่แม่นยำบนกราฟที่มีความสัมพันธ์นับพันล้านรายการอาจเป็นเรื่องยากและใช้เวลานาน วิธีการ ML ที่มีอยู่เช่น XGBoost ไม่สามารถทํางานได้อย่างมีประสิทธิภาพบนกราฟเนื่องจากได้รับการออกแบบมาสําหรับข้อมูลแบบตาราง ด้วยเหตุนี้การใช้วิธีการเหล่านี้บนกราฟอาจต้องใช้เวลาต้องใช้ทักษะพิเศษจากนักพัฒนาและสร้างการคาดการณ์ที่ต่ํากว่าปกติ

Deep Graph Library (DGL) ซึ่งเป็นไลบรารีโอเพ่นซอร์สที่ AWS ให้การสนับสนุน ทำให้การนำการเรียนรู้เชิงลึกไปใช้กับข้อมูลกราฟเป็นเรื่องง่ายขึ้น Neptune ML ทําให้การเลือกและฝึกอบรมโมเดล ML ที่ดีที่สุดสําหรับข้อมูลกราฟเป็นไปโดยอัตโนมัติ และทำให้ผู้ใช้เรียกใช้ ML บนกราฟได้โดยตรงโดยใช้ Neptune API และการสืบค้น ด้วยเหตุนี้ คุณสามารถสร้าง ฝึกฝน และใช้ ML กับข้อมูล Neptune ได้ในเวลาไม่กี่ชั่วโมงแทนที่จะเป็นสัปดาห์โดยไม่จําเป็นต้องเรียนรู้เครื่องมือและเทคโนโลยี ML ใหม่ ๆ

ML และ AI ช่วยสร้าง

Neptune ML จะสร้าง ฝึกอบรม และใช้โมเดล ML กับข้อมูลกราฟของคุณโดยอัตโนมัติ ใช้ DGL เพื่อเลือกและฝึกอบรมโมเดล ML ที่ดีที่สุดสําหรับเวิร์กโหลดของคุณโดยอัตโนมัติ เพื่อให้คุณสามารถคาดการณ์ตาม ML บนข้อมูลกราฟในไม่กี่ชั่วโมงแทนที่จะเป็นสัปดาห์

Neptune ML ใช้ GNN ซึ่งเป็นเทคนิค ML ที่ล้ำสมัยที่ใช้กับข้อมูลกราฟ สามารถให้เหตุผลเกี่ยวกับความสัมพันธ์กว่าพันล้านรายการในกราฟเพื่อให้คุณสามารถคาดการณ์ได้แม่นยํายิ่งขึ้น

*Neptune ML ใช้ GNN เพื่อทำนายผลที่แม่นยำกว่า ML ที่ไม่ใช่กราฟถึง 50% โดยอ้างอิงจากการวิจัยที่ตีพิมพ์จากมหาวิทยาลัย Stanford

LangChain เป็นเฟรมเวิร์ก Python แบบโอเพ่นซอร์สที่ออกแบบมาเพื่อลดความซับซ้อนในการสร้างแอปพลิเคชันโดยใช้โมเดลภาษาขนาดใหญ่ (LLM) การรวม Neptune เข้ากับ LangChain ช่วยให้ผู้พัฒนาสามารถใช้กรอบงานโอเพ่นซอร์สของ LangChain เพื่อลดความซับซ้อนในการสร้างแอปพลิเคชันที่คำนึงถึงบริบท

Neptune และ LangChain ทำให้คุณสามารถส่งคืนคำตอบตามบริบทที่ให้ไว้และสืบค้นฐานข้อมูลแบบกราฟ Neptune โดยใช้ภาษาการสืบค้น openCypher ตัวอย่างเช่น คุณสามารถใช้ Neptune openCypher QA Chain เพื่อแปลคําถามภาษาอังกฤษเป็นการสืบค้น openCypher และส่งคืนคําตอบที่มนุษย์อ่านได้ เชนนี้สามารถใช้เพื่อตอบคําถาม เช่น "สนามบินออสตินมีเส้นทางขาออกกี่เส้นทาง"

สําหรับรายละเอียดเพิ่มเติมเกี่ยวกับ Neptune openCypher QA Chain โปรดไปที่ เอกสารประกอบ LangChain แบบโอเพ่นซอร์ส

LlamaIndex เป็นกรอบข้อมูลโอเพ่นซอร์สสำหรับการเชื่อมต่อแหล่งที่มาของข้อมูลที่กำหนดเองเข้ากับโมเดลภาษาขนาดใหญ่ (LLM) และรองรับการใช้กราฟความรู้กับ LLM

ด้วย LlamaIndex คุณสามารถใช้ Neptune เป็น ที่จัดเก็บกราฟ หรือ ที่จัดเก็บเวกเตอร์ เพื่อสร้างแอปพลิเคชัน AI ช่วยสร้างโดยใช้เทคนิคเช่น GraphRAG

กรณีใช้งาน

บริษัทสูญเสียเงินหลายล้านดอลลาร์ไปกับการฉ้อโกงและต้องการตรวจจับผู้ใช้ บัญชี อุปกรณ์ ที่อยู่ IP หรือบัตรเครดิตที่มีการฉ้อโกงเพื่อลดการสูญเสีย คุณสามารถใช้การแสดงตามกราฟเพื่อบันทึกการโต้ตอบของเอนทิตี (ผู้ใช้ อุปกรณ์ หรือบัตร) และตรวจหาการรวม เช่น เมื่อผู้ใช้เริ่มต้นธุรกรรมมูลค่าต่ำมากหลายรายการ หรือใช้บัญชีต่าง ๆ ที่อาจเป็นการฉ้อโกง

เรียนรู้เพิ่มเติม

กราฟข้อมูลระบุตัวตนให้มุมมองลูกค้าและผู้ที่มีแนวโน้มจะเป็นลูกค้าแบบรวมในมุมมองเดียว ตามการโต้ตอบที่มีต่อผลิตภัณฑ์หรือเว็บไซต์ในชุดอุปกรณ์และตัวระบุ องค์กรใช้กราฟข้อมูลระบุตัวตนในการปรับให้เหมาะกับแต่ละบุคคลแบบเรียลไทม์และการกําหนดเป้าหมายการโฆษณาสําหรับผู้ใช้หลายล้านคน Neptune ML จะแนะนําขั้นตอนถัดไปหรือส่วนลดผลิตภัณฑ์ให้กับลูกค้าบางรายโดยอัตโนมัติตามลักษณะต่าง ๆ เช่น ประวัติการค้นหาที่ผ่านมาในอุปกรณ์ต่าง ๆ หรือจุดที่ลูกค้าอยู่ในช่องทางการได้มา

เรียนรู้เพิ่มเติม

กราฟความรู้รวบรวมและผสานรวมสินทรัพย์ข้อมูลขององค์กร และทําให้สินทรัพย์ดังกล่าวพร้อมใช้งานมากขึ้นสำหรับสมาชิกทุกคนในองค์กร Neptune ML สามารถสรุปลิงก์ที่ขาดหายไปในแหล่งที่มาของข้อมูล และระบุเอนทิตีที่คล้ายกันเพื่อให้สามารถค้นพบความรู้ได้ดียิ่งขึ้นสําหรับทุกคน

เรียนรู้เพิ่มเติม

คำแนะนำแบบดั้งเดิมจะใช้บริการวิเคราะห์ด้วยตนเองเพื่อทำการแนะนำผลิตภัณฑ์ Neptune ML สามารถระบุความสัมพันธ์ใหม่บนข้อมูลกราฟได้โดยตรง และแนะนำรายชื่อเกมที่ผู้เล่นสนใจจะซื้อ ผู้เล่นคนอื่นที่ต้องการติดตาม หรือผลิตภัณฑ์ที่จะซื้อได้อย่างง่ายดาย

ราคา

ไม่จำเป็นต้องมีการลงทุนล่วงหน้า คุณจะจ่ายเฉพาะทรัพยากร AWS ที่ใช้ เช่น Amazon SageMaker, Neptune และ Amazon Simple Storage Service (Amazon S3)

เริ่มต้นใช้งาน

วิธีที่ง่ายที่สุดในการเริ่มต้นใช้งาน Neptune ML คือการใช้เทมเพลตเริ่มต้นใช้งานด่วน AWS CloudFormation เทมเพลตการเริ่มต้นอย่างรวดเร็ว คุณยังสามารถดู Neptune ML Notebook เพื่อดูตัวอย่างการจัดประเภทโหนด รีเกรสชันของโหนด และการคาดการณ์ลิงก์แบบครบวงจร โดยใช้สแต็ก CloudFormation ที่สร้างไว้ล่วงหน้า

สร้างสแต็ก Neptune ML