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.

Bei Verwendung der induktiven Inferenz erstellt die Neptune-Engine das entsprechende Unterdiagramm zur Auswertung des trainierten GNN-Modells. Die Anforderungen dieses Unterdiagramms sind von den Parametern des endgültigen Modells abhängig. Insbesondere bestimmt der Parameter num-layer die Anzahl der Traversierungs-Hops von den Zielknoten oder -kanten. Der Parameter fanouts gibt an, wie viele Nachbarn bei jedem Hop abgefragt werden sollen (siehe HPO-Parameter).

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. Auch wenn es der Abruf von Metadaten direkt aus Amazon S3 durch Neptune langsamer sein kann, ist dies nützlich, wenn der SageMaker-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 inference endpoint")

Sie können den Endpunkt anhand der id oder der URL identifizieren. Beispiele:

 .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" )

Neptune#ml.iamRoleArn

Neptune#ml.iamRoleArn wird in einem with()-Schritt verwendet, um den ARN der SageMaker-Ausführungs-IAM-Rolle anzugeben, wenn notwendig:

 .with("Neptune#ml.iamRoleArn", "the ARN for the SageMaker execution IAM role")

Informationen zum Erstellen der SageMaker-Ausführungs-IAM-Rolle finden Sie in Erstellen der benutzerdefinierten Rolle NeptuneSageMakerIAMRole.

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 Prädikat Neptune#ml.classification wird an den Schritt properties() angefügt, um festzulegen, dass die Eigenschaften vom SageMaker-Endpunkt des Knotenklassifikationsmodells abgerufen werden müssen:

 .properties( "property key of the node classification model" ).with( "Neptune#ml.classification" )

Neptune#ml.regression

Das Prädikat Neptune#ml.regression wird an den Schritt properties() angefügt, um festzulegen, dass die Eigenschaften vom SageMaker-Endpunkt des Knotenregressionmodells 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.