Conceitos básicos do Amazon Neptune
Visão geral
Os bancos de dados de grafos, como o banco de dados Amazon Neptune e o Amazon Neptune Analytics, foram criados especificamente para armazenar e navegar em relacionamentos. Esses bancos de dados são vantajosos, em comparação a bancos de dados relacionais, em casos de uso como redes sociais, mecanismos de recomendação e detecção de fraudes, onde é necessário criar relacionamentos complexos entre os dados e consultar rapidamente esses relacionamentos. O Amazon Neptune usa estruturas de grafos como nós (entidades de dados), bordas (relacionamentos) e propriedades para representar e armazenar dados. Os relacionamentos são armazenados como cidadãos de primeira ordem no modelo de dados. Isso permite que os dados dos nós sejam vinculados diretamente, aprimorando drasticamente a performance de consultas que navegam em relacionamentos nos dados.
Conceitos básicos do banco de dados Amazon Neptune
Se você já tiver seus dados em um modelo grafo, é fácil começar a usar o banco de dados Amazon Neptune. Você pode carregar dados nos formatos CSV ou RDF e começar a escrever consultas com grafos com o Gremlin do Apache TinkerPop, SPARQL ou openCypher. Você pode usar a documentação de conceitos básicos ou visualizar o AWS Online Tech Talk nos links abaixo. Também consolidamos as práticas recomendadas para o Amazon Neptune.
Conceitos básicos do Amazon Neptune Analytics
Você pode começar a usar o Neptune Analytics em poucas etapas criando um grafo usando o Console de Gerenciamento da AWS ou o CDK, SDK ou CLI. O suporte para o AWS CloudFormation será disponibilizado em breve. Você pode carregar um grafo no Neptune Analytics a partir de dados em um bucket do Amazon S3 ou de um banco de dados do Neptune. Você pode enviar solicitações usando a linguagem de consulta openCypher para um grafo no Neptune Analytics diretamente de suas aplicações de grafos. Você também pode se conectar ao grafo no Neptune Analytics a partir de um caderno Jupyter para executar consultas e criar grafos de algoritmos. Os resultados das consultas de análises podem ser gravados novamente no grafo do Neptune Analytics para atender às consultas recebidas ou armazenadas no S3 para processamento adicional. O Neptune Analytics oferece suporte à integração com a biblioteca LangChain de código aberto para trabalhar com aplicações existentes baseadas em grandes modelos de linguagem.
Conceitos básicos do Amazon Neptune ML
- Configuração do ambiente de teste
- Lançamento da amostra do caderno de classificação de nós
- Carregamento dos dados da amostra no cluster
- Exportação do grafo
- Realização de treinamento de ML
- Execução de consultas do Gremlin com o Neptune ML
Conceitos básicos da visualização de grafos
Se você está familiarizado com linguagens de consulta com grafos ou com a execução de workloads de grafos em um ambiente de caderno, pode começar com os cadernos Neptune. O Neptune fornece os cadernos Jupyter e JupyterLab no projeto de caderno de grafos do Neptune de código aberto no GitHub e na workbench do Neptune. Esses cadernos oferecem exemplos de tutoriais de aplicações e trechos de código em um ambiente de codificação interativo onde você pode aprender sobre a tecnologia de grafos e o Neptune.
Os cadernos do Neptune podem visualizar os resultados da consulta e fornecer uma interface semelhante à IDE para desenvolvimento e teste de aplicações ou você pode usar os cadernos do Neptune com outros atributos do Neptune, como o Neptune Streams e o Neptune ML. Além disso, cada caderno do Neptune hospeda um endpoint do Graph Explorer. Você pode encontrar um link para abrir o Graph Explorer em cada instância do caderno no console do Amazon Neptune.