本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。
如何使用 Neptune ML 特徵的概觀
Amazon Neptune 中的 Neptune ML 功能提供簡化的工作流程，以利用圖形資料庫中的機器學習模型。此程序涉及幾個關鍵步驟：將資料從 Neptune 匯出為 CSV 格式、預先處理資料以準備模型訓練、使用 Amazon 訓練機器學習模型 SageMaker、建立推論端點以提供預測，然後直接從 Gremlin 查詢查詢模型。Neptune 工作台提供便利的線路和儲存格魔術命令，以協助管理和自動化這些步驟。透過將機器學習功能直接整合到圖形資料庫中，Neptune ML 可讓使用者衍生有價值的洞見，並使用儲存在 Neptune 圖形中的豐富關聯資料進行預測。
啟動使用 Neptune ML 的工作流程
在 Amazon Neptune 中使用 Neptune ML 功能通常涉及以下五個步驟以開始：
-
資料匯出和組態 – Data-export 步驟使用 Neptune-Export 服務或
neptune-export命令列工具，將資料從 Neptune 以 CSV 形式匯出至 Amazon Simple Storage Service （Amazon S3）。名為training-data-configuration.json的組態檔案會同時自動產生，指定如何將匯出的資料載入至可訓練的圖形。 -
資料預先處理 – 在此步驟中，匯出的資料集會使用標準技術預先處理，以準備進行模型訓練。可針對數值資料執行特徵標準化，並可以使用
word2vec編碼文字特徵。在此步驟結束時，會從匯出的資料集產生 DGL（深度圖表程式庫） 圖形，以供模型訓練步驟使用。此步驟使用您帳戶中的 SageMaker 處理任務實作，產生的資料會儲存在您指定的 Amazon S3 位置。
-
模型訓練 – 模型訓練步驟會訓練將用於預測的機器學習模型。
模型訓練分兩個階段完成：
第一個階段使用 SageMaker 處理任務來產生模型訓練策略組態集，指定模型訓練將使用的模型和模型超參數範圍類型。
第二階段接著會使用 SageMaker 模型調校任務來嘗試不同的超參數組態，並選擇產生效能最佳的模型的訓練任務。調整工作會對已處理的資料執行預先指定數量的模型訓練工作試驗。在此階段結束時，會使用最佳訓練工作的訓練模型參數，產生用於推論的模型成品。
-
在 Amazon 中建立推論端點 SageMaker – 推論端點是使用最佳訓練任務產生的模型成品啟動的 SageMaker 端點執行個體。每個模型都繫結至單一端點。端點能夠接受來自圖形資料庫的傳入請求，並傳回請求中輸入的模型預測。在您建立端點之後，它會保持作用中狀態，直到您將其刪除為止。
使用 Gremlin 查詢機器學習模型 – 您可以使用 Gremlin 查詢語言的延伸模組，從推論端點查詢預測。
注意
Neptune 工作台包含一個行魔法和一個儲存格魔法，其可以為您節省管理這些步驟的大量時間，即：
