هوش مصنوعی در حال نقشه برداری از اتصالات پنهان است – و این تازه شروع شده است

در این پست پنجم و آخر سری ما در مورد پیوند با استفاده از Neptune ML ، ما در حال غوطه ور شدن در فرآیند استنباط هستیم: تنظیم یک نقطه پایانی استنتاج برای استفاده از مدل GNN آموزش دیده ما برای پیش بینی های پیوند. برای ایجاد نقطه پایانی ، ما از API خوشه نپتون و مصنوعات مدل ذخیره شده در S3 استفاده خواهیم کرد. با استفاده از Endpoint Live ، ما آن را برای پیش بینی پیوند ، با استفاده از یک پرس و جو Gremlin برای شناسایی اتصالات بالقوه اعتماد به نفس بالا در نمودار ما پرس و جو می کنیم.

در حال حاضر ، ما قبلاً داده های شبکه های اجتماعی Twitch را در خوشه نپتون بارگذاری کرده ایم (همانطور که در قسمت 1 این سری توضیح داده شده است) ، داده ها را با استفاده از مشخصات ML صادر کردیم (برای جزئیات بخش 2 را بررسی کنید) ، داده ها را از قبل پردازش کرد (همانطور که در توضیح داده شده است. قسمت 3) ، مدل را آموزش داده است (به قسمت 4 مراجعه کنید) ، و اکنون ما آماده استفاده از مدل آموزش دیده برای تولید پیش بینی هستیم.

قسمت 1 را در اینجا بخوانید. قسمت 2 در اینجا ؛ قسمت 3 در اینجا ؛ و قسمت 4 در اینجا.

ایجاد نقطه پایانی

بیایید با استفاده از API خوشه ای و آثار باستانی مدل که در S3 داریم ، نقطه پایانی استنتاج را ایجاد کنیم. طبق معمول ، ما به نقش IAM نیاز داریم که ابتدا به S3 و Sagemaker دسترسی داشته باشد. این نقش همچنین باید یک سیاست اعتماد داشته باشد که به ما امکان می دهد آن را به خوشه نپتون اضافه کنیم (سیاست اعتماد را می توان در قسمت 3 این راهنما یافت). ما همچنین باید از داخل VPC به Sagemaker و CloudWatch API دسترسی داشته باشیم ، بنابراین …