К вам граф Орлов - с визитом!
Большинство методов машинного обучения разработаны для работы с табличными данными или реляционными базами данных. Однако развитие графовых баз данных, таких как Amazon Neptune, Neo4j и TigerGraph, стало вызывать потребность в разработке новых методах машинного обучения, специально разработанных для графов.
Графовые базы данных состоят из вершин и ребер (связи между узлами). Граф обрабатывается набором модулей, которые связаны между собой в соответствии со связями графа. Также каждый из модулей связан с узлами графа. В процессе обучения, модули обновляют свои состояния и обмениваются информацией. Это продолжается до тех пор, пока модули не достигнут устойчивого равновесия.
Метод обучения на основе графов хорошо подходит для таких приложений, как открытие химических соединений, разработка лекарств (где атомы являются узлами, а взаимодействия между ними - ребрами), борьба с отмыванием денег и мошенничеством.
Далее мы поговорим о компаниях, которые начали внедрять графовые нейронные сети (GNN) в свои продукты.
Компания Amazon запустила собственную базу данных графов под названием Neptune в 2017 году. Три года спустя технологический гигант запустил Neptune ML - систему машинного обучения, специально созданную для работы с графами. Это решение обеспечивает поддержку базы данных и аналитики для корпоративных клиентов.
Neptune ML построена на базе Deep Graph Library - библиотеки нейронных сетей для графов с открытым исходным кодом, в создании которой участвуют Intel, Nvidia и другие компании.
В 2019 году Twitter приобрел компанию Fabula AI, создающую GNN для обнаружения манипуляций в социальных сетях.
В том же 2019 году компания Alibaba опубликовала работу о системе AliGraph - графовой нейронной сети, уже развернутой внутри компании для обеспечения персонализированного поиска и рекомендаций товаров.
Uber Eats использует GraphSAGE, систему фреймворков, разработанных в Стэнфорде, которая используется для рекомендаций блюд и ресторанов.
Во втором квартале 20-го года компания DeepMind опубликовала результаты исследования по использованию GNN для понимания процесса формирования стекла, что имеет большое значение для множества отраслей. В проекте вершинами и ребрами были частицы стекла и взаимодействия между ними, соответственно. AI использовался для предсказания движения молекул при переходе между твердым и жидким состояниями.
Ожидается, что рынок баз данных графов будет расти на 17,7% в годовом исчислении и достигнет $4,6 млрд к 2027 году, так что запрыгивайте в поезд, пока он не уехал.
Вот вам история успеха: Neo4j, популярный поставщик баз данных графов, в 4 квартале 20-го года анонсировал инструменты машинного обучения графов для предприятий. В том же квартале компания привлекла $30 млн, достигнув оценки в $532 млн.
В следующем посте рубрики поговорим о роли AI в технологии стриминга данных, а пока что хорошей всем пятницы :)