Mettre à l'échelle l'apprentissage des graphes pour l'entreprise

Chapitre 2. Le pipeline d'apprentissage graphique

Cet ouvrage a été traduit à l'aide de l'IA. Tes réactions et tes commentaires sont les bienvenus : [e-mail]

Dans le chapitre 1, nous t'avons donné un aperçu du monde de l'apprentissage graphique en entreprise. Nous avons parlé de ses différents cas d'utilisation et conclu le chapitre en soulignant les défis qu'il pose. À mesure que nous avançons dans le livre, nous allons te donner un aperçu de haut niveau de l'ensemble du pipeline d'apprentissage par graphe que nous allons explorer. Du début à la fin, ce pipeline couvre tout, de la collecte des données des graphes à leur utilisation pour le GML.

Dans ce chapitre, nous commencerons par l'étape de base : le pipeline de données graphiques. Cette phase initiale, cruciale pour l'ensemble du processus, fait référence à une série de processus conçus pour manipuler, traiter et analyser efficacement les données structurées sous forme de graphes. Elle prépare le terrain pour tout ce qui suit. Ensuite, nous aborderons le pipeline de formation GML, une série d'étapes conçues pour former et évaluer un algorithme d'apprentissage graphique choisi pour une tâche graphique spécifique, telle que la classification des nœuds ou la prédiction des liens. Enfin, nous passerons en revue le pipeline d'inférence des graphes, qui teste si le nouveau modèle est prêt à être promu en production. Si c'est le cas, le modèle est déployé pour être utilisé par les systèmes en aval. Par exemple, ...