기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.

진화하는 그래프 데이터를 기반으로 예측

그래프가 계속 변경되므로, 새로운 데이터를 사용하여 주기적으로 새 배치 예측을 생성하는 것이 좋습니다. 미리 계산된 예측을 쿼리(변환 추론)하는 것이 최신 데이터를 기반으로 즉석에서 새로운 예측을 생성(유도 추론)하는 것보다 훨씬 빠를 수 있습니다. 데이터가 변경되는 속도와 성능 요구 사항에 따라 두 접근 방식 모두 활용됩니다.

유도 추론과 변환 추론의 차이

변환 추론을 수행할 때 Neptune은 훈련 당시 미리 계산된 예측을 조회하여 반환합니다.

유도 추론을 수행할 때 Neptune은 관련 하위 그래프를 구성하고 해당 속성을 가져옵니다. 그런 다음 DGL GNN 모델은 데이터 처리 및 모델 평가를 실시간으로 적용합니다.

따라서 유도 추론을 통해 훈련 당시에는 없었던 노드와 엣지를 포함하며 그래프의 현재 상태를 반영하는 예측을 생성할 수 있습니다. 하지만 이 경우 지연 시간이 길어집니다.

그래프가 동적인 경우 최신 데이터를 고려하게 하려면 유도 추론을 사용하는 것이 좋지만, 그래프가 정적이라면 변환 추론이 더 빠르고 효율적입니다.

유도 추론은 기본적으로 비활성화되어 있습니다. 다음과 같이 쿼리에 Gremlin Neptune#ml.inductiveInference 조건자를 사용하여 쿼리에 대해 이를 활성화할 수 있습니다.

.with( "Neptune#ml.inductiveInference")