Amazon Neptune ML pour l'apprentissage automatique sur graphiques - Amazon Neptune

Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.

Amazon Neptune ML pour l'apprentissage automatique sur graphiques

Il existe souvent des informations précieuses dans les grands jeux de données connectés qui peuvent être difficiles à extraire à l'aide de requêtes basées uniquement sur l'intuition humaine. Les techniques d'apprentissage automatique (ML) peuvent aider à trouver des corrélations cachées dans des graphiques comportant des milliards de relations. Ces corrélations peuvent être utiles pour recommander des produits, prédire la solvabilité, identifier la fraude et bien d'autres choses.

La fonctionnalité Neptune ML permet de créer et de former des modèles d'apprentissage automatique utiles sur des graphiques volumineux en quelques heures plutôt que des semaines. Pour ce faire, Neptune ML utilise la technologie GNN (Graph Neural Network) optimisée parAmazon SageMakeret l'Bibliothèque Deep Graph (DGL)(qui estOpen Source). Les réseaux de neurones graphiques sont un domaine émergent de l'intelligence artificielle (voir, par exemple,Une enquête complète sur les réseaux de neurones graphiques). Pour obtenir un didacticiel pratique sur l'utilisation de GNN avec DGL, voirApprentissage des réseaux de neurones graphiques avec Deep Graph Li.

Note

Les sommets de graphes sont identifiés dans les modèles Neptune ML comme des « nœuds ». Par exemple, la classification des sommets utilise un modèle d'apprentissage automatique de classification des nœuds, et la régression des sommets utilise un modèle de régression de nœuds.

Ce que Neptune ML peut faire

Neptune ML peut former des modèles d'apprentissage automatique pour prendre en charge cinq catégories différentes d'inférence :

Types de tâches d'inférence actuellement prises en charge par Neptune ML

  • Classification du nœud— prédire la fonction catégorique d'une propriété de sommet.

    Par exemple, avec le filmLa rédemption Shawshank, Neptune ML peut prédire songenrepropriété commestoryà partir d'un ensemble de candidats[story, crime, action, fantasy, drama, family, ...].

    Il existe deux types de tâches de classification des nœuds :

    • Classification à classe unique : Dans ce type de tâche, chaque nœud ne possède qu'une seule entité cible. Par exemple, la propriété,Place_of_birthdeAlan Turinga la valeurUK.

    • Classification multiclasse : Dans ce type de tâche, chaque nœud peut comporter plusieurs entités cibles. Par exemple, la propriétégenredu filmLe Parrainpossède les valeurscrimeetstory.

  • Régression des nœuds— prédire une propriété numérique d'un sommet.

    Par exemple, avec le filmAvengers : End Game, Neptune ML peut prédire que sa propriétépopularitya la valeur5.0.

  • Classification Edge: prédiction de la fonction catégorielle d'une propriété Edge.

    Il existe deux types de tâches de classification des bords :

    • Classification à classe unique : Dans ce type de tâche, chaque tronçon ne possède qu'une seule entité cible. Par exemple, une limite d'évaluation entre un utilisateur et un film peut avoir la propriété,liked, avec la valeur « Oui » ou « Non ».

    • Classification multiclasse : Dans ce type de tâche, chaque tronçon peut comporter plusieurs entités cibles. Par exemple, une évaluation entre un utilisateur et un film peut comporter plusieurs valeurs pour la balise de propriété, telles que « Funny », « Heartarming », « Chilling », etc.

  • Régression des arêtes— prédire une propriété numérique d'un tronçon.

    Par exemple, une limite de notation entre un utilisateur et un film peut avoir la propriété numérique,score, pour lequel Neptune ML peut prédire une valeur donnée à un utilisateur et à un film.

  • Prévision des liens— prédire les nœuds de destination les plus probables pour un nœud source et une périphérie sortante particuliers, ou les nœuds source les plus probables pour un nœud de destination et une périphérie entrante donnés.

    Par exemple, avec un graphique de connaissances sur les maladies médicamenteux, donnéAspirinen tant que nœud source, ettreatsen tant que périphérique sortant, Neptune ML peut prédire les nœuds de destination les plus pertinents commeheart disease,fever,, etc.

    Ou, avec le graphique de connaissances Wikimédia, donnéPresident-ofcomme bordure ou relation etUnited-Statesen tant que nœud de destination, Neptune ML peut prédire les têtes les plus pertinentes commeGeorge Washington,Abraham Lincoln,Franklin D. Roosevelt,, etc.

Note

La classification des nœuds et la classification Edge prennent uniquement en charge les valeurs de chaîne Cela signifie que les valeurs de propriétés numériques telles que0ou1ne sont pas pris en charge, bien que les équivalents de chaîne"0"et"1"sont. De même, les valeurs des propriétés booléennestrueetfalsene fonctionne pas, mais"true"et"false"faire.

Avec Neptune ML, vous pouvez utiliser des modèles d'apprentissage automatique qui relèvent de deux catégories générales :

Types de modèles d'apprentissage automatique actuellement pris en charge par Neptune ML

  • Modèles de réseau neuronal graphique (GNN)— Il s'agit desRéseaux convolutionnels de graphes relationnels (R-GNC). Les modèles GNN fonctionnent pour les trois types de tâches ci-dessus.

  • Modèles KGE (Knowledge-Graph Embedding)— Il s'agit desTransE,DistMult, etRotatEmodèles. Ils ne fonctionnent que pour la prédiction des liens.

Modèles définis par l'utilisateur— Neptune ML vous permet également de fournir votre propre implémentation de modèle personnalisé pour tous les types de tâches énumérés ci-dessus. Vous pouvez utiliser le pluginBoîte à outils Neptune MLpour développer et tester l'implémentation de votre modèle personnalisé basé sur Python avant d'utiliser l'API de formation Neptune ML avec votre modèle. VoirModèles personnalisés dans Neptune MLpour plus de détails sur la façon de structurer et d'organiser votre implémentation afin qu'elle soit compatible avec l'infrastructure de formation de Neptune ML.