Funzionalità di Amazon Neptune

Con il database Neptune, è possibile aumentare il throughput di lettura per supportare richieste di applicazioni ad alto volume, creando fino a 15 repliche in lettura del database. Le repliche Neptune condividono lo stesso spazio di archiviazione sottostante dell'istanza di origine, riducendo i costi ed eliminando l'esigenza di copiare i dati nei nodi di replica. Ciò consente di liberare una maggiore quantità di potenza di elaborazione per la gestione delle richieste di lettura e di ridurre il ritardo di replica fino a pochi millisecondi. Neptune fornisce inoltre un singolo endpoint per le query di lettura, in modo da permettere all'applicazione di collegarsi senza dover tenere traccia delle repliche che vengono aggiunte e rimosse.

Neptune supporta operazioni rapide ed efficienti, in cui interi cluster di database multi-terabyte possono essere clonati in pochi minuti. La clonazione è utile per numerosi scopi, tra cui sviluppo di applicazioni, test, aggiornamenti di database ed esecuzione di query di analisi. La disponibilità immediata dei dati può velocizzare notevolmente lo sviluppo del software e aggiornare progetti, oltre a rendere più accurata l'analisi.

È possibile clonare un database Neptune in pochi passaggi nella console, senza effetti sull'ambiente di produzione. Il clone viene distribuito e replicato in tre zone di disponibilità.

Neptune Analytics supporta algoritmi per la ricerca dei percorsi, il rilevamento delle comunità (clustering), l'identificazione di dati importanti (centralità) e la quantificazione della somiglianza. Gli algoritmi per la ricerca dei percorsi determinano in modo efficiente il percorso più breve o ottimale tra due nodi. Questi algoritmi consentono di modellare situazioni del mondo reale, come reti stradali o social network, come nodi ed edge interconnessi. Trovare i percorsi più brevi o migliori tra i vari punti è fondamentale in applicazioni come quelle per la pianificazione del percorso per i sistemi GPS, per l'ottimizzazione della logistica e persino per risolvere problemi complessi in campi come la biologia o l'ingegneria.

Gli algoritmi per il rilevamento delle comunità calcolano gruppi o cluster di nodi significativi all'interno di una rete, rivelando modelli e strutture nascosti in grado di fornire informazioni sull'organizzazione e sulla dinamica di sistemi complessi. Ciò è utile in campi come l'analisi dei social network, la biologia (per identificare i moduli funzionali nelle reti di interazione proteina-proteina) e persino per comprendere il flusso di informazioni e la propagazione dell'influenza in vari domini.

Gli algoritmi per la centralità aiutano a individuare i nodi più influenti o importanti all'interno di una rete, fornendo informazioni sugli attori chiave o sui punti di interazione critici. Ciò è utile in campi come l'analisi dei social network, dove contribuisce a identificare le persone influenti, o nelle reti di trasporto, dove consente di individuare gli snodi cruciali per un routing e un'allocazione delle risorse efficienti.

Gli algoritmi per la somiglianza dei grafi consentono di confrontare e analizzare le somiglianze o le differenze strutturali tra diverse strutture di grafi, permettendo di approfondire relazioni, modelli e punti in comune tra diversi set di dati. Ciò è utile in vari campi come la biologia (per confrontare le strutture molecolari), i social network (per identificare comunità simili) e i sistemi di suggerimenti (per consigliare articoli simili in base alle preferenze dell'utente).

Neptune ML è basato su SageMaker, che utilizza reti GNN (Graph Neural Network), una tecnica di machine learning (ML) progettata appositamente per i grafi, per rendere le previsioni semplici e più precise utilizzando i dati a grafo. Con Neptune ML, è possibile migliorare l'accuratezza delle previsioni di oltre il 50% rispetto ai metodi non basati su grafi.

Effettuare previsioni accurate su grafi con miliardi di relazioni può risultare difficile e dispendioso in termini di tempo. Gli approcci di ML esistenti, come XGBoost, non funzionano in modo efficace sui grafi perché sono progettati per i dati tabulari. Di conseguenza, l'impiego di questi metodi sui grafi può richiedere tempo, competenze specifiche da parte degli sviluppatori e producono previsioni non del tutto ottimali.