Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
In Gremlin-Inferenzabfragen verwendete Neptune-ML-Prädikate
Neptune#ml.deterministic
Dieses Prädikat ist eine Option für induktive Inferenzabfragen, d. h. für Abfragen, die das Prädikat Neptune#ml.inductiveInference enthalten.
Wenn induktive Inferenz verwendet wird, erzeugt die Neptun-Engine den entsprechenden Untergraphen, um das trainierte GNN Modell auszuwerten, und die Anforderungen dieses Untergraphen hängen von den Parametern des endgültigen Modells ab. Insbesondere bestimmt der num-layer Parameter die Anzahl der Traversal-Hops von den Zielknoten oder -kanten, und der Parameter gibt an, wie viele Nachbarn bei jedem Hop abgetastet werden sollen (siehe fanouts Parameter). HPO
Standardmäßig werden induktive Inferenzabfragen nicht deterministisch ausgeführt, d. h. Neptune erstellt die Nachbarschaft in randomisierter Weise. Diese normalen Abfragen randomisierter Nachbarschaften führen manchmal zu unterschiedlichen Vorhersagen.
Wenn Sie Neptune#ml.deterministic in eine induktive Inferenzabfrage einfügen, versucht die Neptune-Engine, Nachbarn deterministisch abzufragen, sodass mehrere Aufrufe derselben Abfrage jedes Mal dieselben Ergebnisse zurückgeben. Es kann jedoch nicht garantiert werden, dass die Ergebnisse vollständig deterministisch sind, da Änderungen des zugrunde liegenden Diagramms und Artefakte verteilter Systeme weiter zu Schwankungen führen können.
Sie fügen das Prädikat Neptune#ml.deterministic in eine Abfrage wie die folgende ein:
.with("Neptune#ml.deterministic")
Wenn das Prädikat Neptune#ml.deterministic in einer Abfrage enthalten ist, die nicht auch Neptune#ml.inductiveInference enthält, wird es einfach ignoriert.
Neptune#ml.disableInductiveInferenceMetadataCache
Dieses Prädikat ist eine Option für induktive Inferenzabfragen, d. h. für Abfragen, die das Prädikat Neptune#ml.inductiveInference enthalten.
Für induktive Inferenzabfragen verwendet Neptune eine in Amazon S3 gespeicherte Metadatendatei, um bei der Erstellung der Nachbarschaft die Anzahl der Hops und den Fanout zu bestimmen. Neptune speichert diese Modellmetadaten normalerweise im Cache, um zu vermeiden, dass die Datei wiederholt aus Amazon S3 abgerufen wird. Das Caching kann durch Einfügen des Prädikats Neptune#ml.disableInductiveInferenceMetadataCache deaktiviert werden. Obwohl es für Neptune langsamer sein kann, die Metadaten direkt von Amazon S3 abzurufen, ist es nützlich, wenn der SageMaker KI-Endpunkt nach einem erneuten Training oder einer Transformation aktualisiert wurde und der Cache veraltet ist.
Sie fügen das Prädikat Neptune#ml.disableInductiveInferenceMetadataCache in eine Abfrage wie folgt ein:
.with("Neptune#ml.disableInductiveInferenceMetadataCache")
Dies ist ein Beispielabfrage in einem Jupyter-Notebook:
%%gremlin g.with("Neptune#ml.endpoint", "ep1") .with("Neptune#ml.iamRoleArn", "arn:aws:iam::123456789012:role/NeptuneMLRole") .with("Neptune#ml.disableInductiveInferenceMetadataCache") .V('101').properties("rating") .with("Neptune#ml.regression") .with("Neptune#ml.inductiveInference")
Neptune#ml.endpoint
Das Prädikat Neptune#ml.endpoint wird in einem with()-Schritt verwendet, um den Inferenzendpunkt anzugeben, wenn notwendig:
.with("Neptune#ml.endpoint", "the model's SageMaker AI inference endpoint")
Sie können den Endpunkt entweder anhand seines oder seines identifizieren. id URL Beispielsweise:
.with( "Neptune#ml.endpoint", "node-classification-movie-lens-endpoint" )
Oder:
.with( "Neptune#ml.endpoint", "https://runtime.sagemaker.us-east-1.amazonaws.com/endpoints/node-classification-movie-lens-endpoint/invocations" )
Anmerkung
Wenn Sie den neptune_ml_endpoint Parameter in Ihrer Neptune DB-Cluster-Parametergruppe auf den Endpunkt id oder setzenURL, müssen Sie das Neptune#ml.endpoint Prädikat nicht in jede Abfrage aufnehmen.
Neptune#ml.iamRoleArn
Neptune#ml.iamRoleArnwird in einem with() Schritt verwendet, um die ARN SageMaker IAM KI-Ausführungsrolle zu spezifizieren, falls erforderlich:
.with("Neptune#ml.iamRoleArn", "the ARN for the SageMaker AI execution IAM role")
Informationen zum Erstellen der SageMaker IAM AI-Ausführungsrolle finden Sie unterErstellen der benutzerdefinierten Rolle NeptuneSageMakerIAMRole.
Anmerkung
Wenn Sie den neptune_ml_iam_role Parameter in Ihrer Neptune DB-Cluster-Parametergruppe auf den ARN Ihrer SageMaker IAM KI-Ausführungsrolle setzen, müssen Sie das Neptune#ml.iamRoleArn Prädikat nicht in jede Abfrage aufnehmen.
Neptune #ml. inductiveInference
Die transduktive Inferenz ist in Gremlin standardmäßig aktiviert. Um eine induktive Inferenzabfrage in Echtzeit zu erstellen, fügen Sie das Prädikat Neptune#ml.inductiveInference wie folgt hinzu:
.with("Neptune#ml.inductiveInference")
Wenn Ihr Diagramm dynamisch ist, ist die induktive Inferenz häufig die beste Wahl. Wenn Ihr Diagramm jedoch statisch ist, ist die transduktive Inferenz schneller und effizienter.
Neptune#ml.limit
Das Prädikat Neptune#ml.limit begrenzt optional die Anzahl der Ergebnisse, die pro Entität zurückgegeben werden:
.with( "Neptune#ml.limit",2)
Standardmäßig ist der Grenzwert 1. Die maximale Anzahl, die festgelegt werden kann, ist 100.
Neptune#ml.threshold
Das Prädikat Neptune#ml.threshold legt optional einen Mindestwert für Ergebniswerte fest:
.with( "Neptune#ml.threshold",0.5D)
So werden alle Ergebnisse verworfen, deren Werte unter dem angegebenen Schwellenwert liegen.
Neptune#ml.classification
Das Neptune#ml.classification Prädikat wird an den properties() Schritt angehängt, um festzulegen, dass die Eigenschaften vom SageMaker KI-Endpunkt des Knotenklassifikationsmodells abgerufen werden müssen:
.properties( "property key of the node classification model" ).with( "Neptune#ml.classification" )
Neptune#ml.regression
Das Neptune#ml.regression Prädikat wird an den properties() Schritt angehängt, um festzulegen, dass die Eigenschaften vom SageMaker KI-Endpunkt des Knotenregressionsmodells abgerufen werden müssen:
.properties( "property key of the node regression model" ).with( "Neptune#ml.regression" )
Neptune#ml.prediction
Das Prädikat Neptune#ml.prediction wird an die Schritte in() und out() angefügt, um festzulegen, dass es sich um eine Linkvorhersage-Abfrage handelt:
.in("edge label of the link prediction model").with("Neptune#ml.prediction").hasLabel("target node label")
Neptune#ml.score
Das Prädikat Neptune#ml.score wird in Abfragen zur Klassifizierung von Gremlin-Knoten oder -Kanten verwendet, um Machine-Learning-Konfidenzwerte abzurufen. Das Prädikat Neptune#ml.score sollte zusammen mit dem Abfrageprädikat im Schritt properties() übergeben werden, um ML-Konfidenzwerte für Abfragen zur Klassifizierung von Knoten oder Kanten zu erhalten.
Sie finden ein Beispiel für die Knotenklassifizierung mit weiteren Beispielen für die Knotenklassifizierung und ein Beispiel für die Kantenklassifizierung im Abschnitt für die Kantenklassifizierung.
