Nozioni di base su Amazon Neptune
Panoramica
I database a grafo, come il Database Amazon Neptune e Amazon Neptune Analytics, sono creati appositamente per archiviare e gestire le relazioni. Presentano vantaggi rispetto ai database relazionali per casi d'uso come social network, motori di suggerimenti e rilevamento di frodi, dove è necessario creare complesse relazioni tra dati e sottoporle rapidamente a query. Amazon Neptune utilizza le strutture a grafo come nodi (entità di dati), edge (relazioni) e proprietà per rappresentare e archiviare i dati. Le relazioni vengono archiviate come cittadini di prima classe del modello di dati. Questo consente il collegamento diretto dei dati nei nodi, migliorando drasticamente le prestazioni delle query che governano le relazioni tra i dati.
Nozioni di base sul Database Amazon Neptune
Se i dati sono già pronti in un modello a grafo, è facile iniziare con il Database Amazon Neptune. È possibile caricare i dati nei formati CSV o RDF e iniziare a scrivere query a grafo con Apache TinkerPop Gremlin, SPARQL o openCypher. È possibile utilizzare la documentazione introduttiva o visualizzare AWS Online Tech Talk tramite i link sottostanti. Abbiamo anche consolidato le best practice per il Database Neptune.
Nozioni di base su Amazon Neptune Analytics
È possibile iniziare a utilizzare Neptune Analytics in pochi passaggi creando un grafo tramite la Console di gestione AWS o il CDK, l'SDK o la CLI. Il supporto per AWS CloudFormation sarà presto disponibile. È possibile caricare un grafo su Neptune Analytics dai dati in un bucket Amazon S3 o da un database Neptune. È possibile inviare richieste a un grafo su Neptune Analytics utilizzando il linguaggio di query openCypher direttamente dalle applicazioni a grafo. Inoltre, è possibile connettersi al grafo su Neptune Analytics da un notebook Jupyter per eseguire query e algoritmi a grafo. È possibile riscrivere i risultati delle query analitiche nel grafo di Neptune Analytics per servire le query in entrata o archiviarli su S3 per un'ulteriore elaborazione. Neptune Analytics supporta l'integrazione con la libreria open source LangChain per lavorare con le applicazioni esistenti basate su modelli linguistici di grandi dimensioni.
Nozioni di base su Amazon Neptune ML
- Configurazione dell'ambiente di test
- Avvio dell'esempio di notebook per la classificazione dei nodi
- Caricamento dei dati campione nel cluster
- Esportazione del grafo
- Esecuzione di addestramento di ML
- Esecuzione di query Gremlin con Neptune ML
Nozioni di base sulla visualizzazione a grafo
Se conosci già i linguaggi di query a grafo o l'esecuzione di carichi di lavoro a grafo in un ambiente notebook, puoi iniziare con i notebook Neptune. Neptune fornisce i notebook Jupyter e JupyterLab nel progetto open source dei notebook Neptune a grafo su GitHub e nell'ambiente di lavoro Neptune. Questi notebook offrono esempi di tutorial applicativi e frammenti di codice in un ambiente di codifica interattivo in cui è possibile conoscere meglio la tecnologia a grafo e Neptune.
I notebook Neptune possono sia visualizzare i risultati delle query sia fornire un'interfaccia simile a IDE per lo sviluppo e il test delle applicazioni; altrimenti, è possibile utilizzare i notebook Neptune con altre funzionalità come Neptune Streams e Neptune ML. Inoltre, ogni notebook Neptune ospita un endpoint Graph Explorer. Su ogni istanza del notebook nella console Amazon Neptune è disponibile un link per aprire Graph Explorer.