Amazon Neptune の特徴

データベースに最大 15 個のリードレプリカを作成することで、大量のアプリケーションリクエストをサポートできるよう読み込みスループットを向上させることができます。Neptune レプリカは基盤となるストレージをソースインスタンスと共有しているため、コストを削減でき、レプリカノードへの書き込みの実行が必要ありません。これにより、読み取りリクエストに対応するための処理能力が向上し、レプリカの遅延時間がしばしば 10 ミリ秒足らずまで短縮されます。また、Neptune では、読み取りクエリのための単一のエンドポイントも提供されるため、アプリケーションは、追加および削除されたレプリカを追跡せずに接続できます。

Neptune では、マルチテラバイトのデータベースクラスター全体を数分で複製できる、高速かつ効率的なクローニング処理がサポートされています。クローニングは、アプリケーションの開発、テスト、データベースの更新、分析クエリの実行など、さまざまな目的に役立ちます。データをすぐに入手できるため、ソフトウェアの開発やプロジェクトのアップグレードの時間を大幅に短縮でき、より正確な分析が可能になります。

コンソールのわずか数ステップで、本番環境に影響を与えることなく Neptune のデータベースをクローン化できます。クローンは 3 つの AZ に分散して複製されます。

Neptune Analytics は、経路検索、コミュニティの検出 (クラスタリング)、重要なデータの識別 (中心性)、および類似性の定量化のためのアルゴリズムをサポートしています。経路検索アルゴリズムは、2 つのノード間の最短または最適なルートを効率的に決定します。経路探索アルゴリズムにより、道路網やソーシャルネットワークなどの現実世界の状況を、相互接続されたノードやエッジとしてモデル化できます。さまざまな地点間の最短または最適な経路を見つけることは、GPS システムのルート計画、ロジスティクスの最適化などのアプリケーションでは非常に重要です。また、生物学や工学などの分野の複雑な問題を解決する場合にも重要です。

コミュニティ検出アルゴリズムは、ネットワーク内の意味のあるノードグループまたはクラスターを計算し、複雑なシステムの組織とダイナミクスに関する洞察を提供できる隠れたパターンや構造を明らかにする。これは、ソーシャルネットワーク分析、生物学（タンパク質間相互作用ネットワークの機能モジュールを特定するため）などの分野で役立ちます。また、さまざまな領域における情報の流れや影響伝播の理解にも役立ちます。

中心性アルゴリズムは、ネットワーク内で最も影響力のあるノードや重要なノードを特定するのに役立ち、主要なプレーヤーや重要なインタラクションポイントに関する洞察を提供します。これは、影響力のある個人を特定するのに役立つソーシャルネットワーク分析などの分野や、効率的なルーティングとリソース割り当てのための重要なハブの特定に役立つ交通ネットワークなどの分野で役立ちます。

グラフ類似性アルゴリズムを使用すると、さまざまなグラフ構造間の構造の類似点または非類似点を比較および分析できるため、さまざまなデータセット間の関係、パターン、共通点に関する洞察を得ることができます。これは、生物学（分子構造を比較するため）、ソーシャルネットワーク（類似のコミュニティを特定するため）、レコメンデーションシステム（ユーザーの好みに基づいて類似のアイテムを提案するため）など、さまざまな分野で非常に貴重です。

Neptune ML には SageMaker が搭載されており、グラフ専用の機械学習手法であるグラフニューラルネットワーク (GNN) を使用して、グラフデータを用いて高速かつより正確な予測を行います。Neptune ML を使用すれば、グラフ以外の方法を使用して予測を行う場合と比べて、グラフのほとんどの予測精度を 50% 以上向上させることができます。

数十億の関係を持つグラフで正確な予測を行うことは、困難で時間がかかる場合があります。XGBoost などの既存の ML アプローチは、表形式のデータ用に設計されているため、グラフを効果的に操作できません。その結果、これらの方法をグラフで使用すると、時間がかかるだけでなく、デベロッパーの専門的なスキルが必要になり、生成された予測が最適な結果ではない可能性があります。