Amazon Neptune ML

Prédictions faciles, rapides et précises pour les graphes

Présentation

Amazon Neptune ML est une nouvelle fonctionnalité de Neptune qui utilise les réseaux neuronaux graphiques (GNN), une technique de ML spécialement conçue pour les graphes, afin de faire des prédictions faciles, rapides et plus précises en utilisant les données de graphe. Avec Neptune ML, vous pouvez améliorer de plus de 50 % la précision de la plupart des prédictions pour les graphes par rapport aux prédictions effectuées à l’aide de méthodes non basées sur les graphes.

Faire des prédictions précises sur des graphes comportant des milliards de relations peut être complexe et chronophage. Les approches ML existantes, telles que XGBoost, ne peuvent pas fonctionner efficacement sur les graphes, car elles sont conçues pour des données tabulaires. En conséquence, l'utilisation de ces méthodes sur les graphes peut être chronophage, nécessiter des compétences spéciales de la part des développeurs et produire des prévisions sous-optimales.

L’utilisation de la Deep Graph Library (DGL), une bibliothèque open source à laquelle AWS contribue, facilite l’application du deep learning aux données de graphe. Neptune ML automatise la lourde tâche de sélectionner et d'entraîner le meilleur modèle de ML pour les données de graphe et permet aux utilisateurs d'exécuter le ML directement sur leur graphe à l'aide des API et des requêtes Neptune. En conséquence, vous pouvez maintenant créer, entraîner et appliquer le ML sur les données de Neptune en quelques heures au lieu de plusieurs semaines sans avoir besoin d'apprendre de nouveaux outils et de nouvelles technologies ML.

ML et IA générative

Prédictions sur des données de graphe sans expertise en ML

Neptune ML crée, entraîne et applique automatiquement des modèles ML sur vos données de graphe. Grâce à l’utilisation de DGL pour sélectionner et entraîner automatiquement le meilleur modèle de ML pour votre charge de travail, vous pouvez réaliser des prédictions basées sur le ML avec des données de graphe en quelques heures au lieu de plusieurs semaines.

Amélioration de la précision de la plupart des prévisions de plus de 50 %*

Neptune ML utilise les GNN, une technique ML de pointe appliquée aux données de graphe capable de prendre en charge des milliards de relations, afin de rendre vos prédictions plus précises.

* Neptune ML utilise les GNN pour réaliser des prédictions dont la précision peut être supérieure de plus de 50 % à celle du ML non basé sur les graphes, d’après des recherches publiées par l’université de Stanford.

Créez des applications de graphe sensibles au contexte avec le framework Python open source LangChain

LangChain est un framework Python open source conçu pour simplifier la création d’applications à l’aide de grands modèles de langage (LLM). L’intégration de Neptune à LangChain permet aux développeurs d’utiliser le framework open source de LangChain pour simplifier la création d’applications sensibles au contexte.

Transformez des questions posées en anglais en requêtes de graphes openCypher et renvoyez des réponses facilement compréhensibles par les utilisateurs

Grâce à Neptune et LangChain, vous pouvez renvoyer une réponse basée sur le contexte fourni et interroger une base de données orientée graphe Neptune à l'aide du langage de requête openCypher. Par exemple, vous pouvez utiliser la chaîne QA openCypher de Neptune pour traduire des questions posées en anglais en requêtes openCypher et renvoyer une réponse lisible par l'homme. Cette chaîne peut être utilisée pour répondre à des questions telles que « Combien d'itinéraires de départ l'aéroport d'Austin compte-t-il ? »

Pour en savoir plus sur la chaîne QA openCypher de Neptune, consultez la documentation LangChain open source.

Créez des applications Graph Retrieval-Augmented Generation (GraphRAG) avec le framework open source LlamaIndex

LLamaIndex est un framework de données open source permettant de connecter des sources de données personnalisées à de grands modèles de langage (LLM) et de prendre en charge l'utilisation de graphes de connaissances avec les LLM.

Avec LlamaIndex, vous pouvez utiliser Neptune comme magasin de graphes ou magasin de vecteurs pour créer des applications d’IA générative à l’aide de techniques telles que GraphRAG.

Cas d'utilisation

Détection des fraudes

Les entreprises perdent des millions (voire des milliards) de dollars en raison de la fraude et souhaitent détecter les utilisateurs, comptes, appareils, adresses IP et cartes de crédit frauduleux afin de minimiser les pertes. Vous pouvez utiliser une représentation orientée graphe pour capturer l’interaction des entités (utilisateur, appareil ou carte), et détecter les agrégations, par exemple lorsqu’un utilisateur initie plusieurs minitransactions ou utilise différents comptes potentiellement frauduleux.

Résolution d’identité

Un graphe d'identité fournit une vue unifiée unique des clients et des prospects en fonction de leurs interactions avec un produit ou un site Web sur un ensemble d'appareils et d'identifiants. Les organisations utilisent des graphes d’identité pour personnaliser le contenu et les publicités en temps réel pour des millions d’utilisateurs. Neptune ML recommande automatiquement à certains clients les mesures à prendre ou des remises sur des produits en fonction de caractéristiques telles que leur historique de recherches ou leur position dans l’entonnoir marketing.

Graphe de connaissances

Les graphes de connaissances consolident et intègrent les actifs informationnels d’une entreprise, tout en les rendant plus facilement accessibles à l’ensemble des employés. Neptune ML est capable de déduire les chaînons manquants entre plusieurs sources de données et d’identifier des entités similaires pour que chacun puisse optimiser la découverte de connaissances.

Recommandation de produit

Les recommandations traditionnelles utilisent les services d’analytique manuellement pour générer des recommandations de produits. Neptune ML est capable d’identifier de nouvelles relations directement sur les données de graphe et de recommander à un joueur des jeux, des produits ou d’autres joueurs qui pourraient l’intéresser.

Tarification

Aucun investissement initial n’est nécessaire. Vous ne payez que pour les ressources AWS utilisées, telles qu’Amazon SageMaker, Neptune et Amazon Simple Storage Service (Amazon S3).

Mise en route

Le moyen le plus simple de démarrer avec Neptune ML est d’utiliser les modèles de démarrage rapide prédéfinis d’AWS CloudFormation. Vous pouvez également parcourir les blocs-notes Neptune ML pour découvrir des exemples complets de prédiction de liens et de classification et régression de nœuds à l’aide de la pile CloudFormation prédéfinie.

Créer une pile Neptune ML