book

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

by Ahmed Menshawy, Sameh Mohamed, Maraim Rizk Masoud

August 2025

Intermediate to advanced

368 pages

12h 32m

French

O'Reilly Media, Inc.

Book available

Read now

Unlock full access

Qu'est-ce que l'apprentissage graphique pour l'entreprise ?Pourquoi l'apprentissage graphique est-il important pour l'entreprise ?À qui s'adresse ce livre ?Aperçu des chapitresConventions utilisées dans ce livreUtilisation d'exemples de codeFormation en ligne O'ReillyComment nous contacterRemerciements
La puissance de l'apprentissage et de l'inférence graphique à l'échelle de l'entrepriseUne vue d'ensemble : Naviguer dans les chapitres du livreGraphes et apprentissage des graphesQu'est-ce qu'un graphe ?Représentation graphique des donnéesApprentissage graphiqueApprentissage graphique évolutif : Répondre aux exigencesAvantages de l'apprentissage graphique évolutif en entrepriseLes graphes à grande échelle dans les entreprises du monde réel : Cas d'utilisationPrédictions de temps de trajet sur Google MapsDéveloppement de médicaments : HalicineDétection des fraudesL'évolution des graphes et de l'apprentissage graphique : Des débuts aux applications modernesÈre 1 : La fondation de la théorie des graphes et des algorithmes (1736-1970)Ère 2 : Progrès des algorithmes et des technologies graphiques (1970-1999)Ère 3 : Émergence des bases de données de graphes et des langages d'interrogation de graphes (2000-2006)Ère 4 : Analyse des graphes et apprentissage automatique traditionnel (2007-2011)Ère 5 : montée en puissance des réseaux neuronaux graphiques (2012-2018)Ère 6 : évolutivité, robustesse et applications d'entreprise (2019-aujourd'hui)Défis des systèmes d'apprentissage graphique prêts pour l'entrepriseDéfis liés à l'harmonisation des donnéesCharges de travail à forte intensité de calculGraphes en évolution dynamiqueSurveillance active et détection des dérivesInférence en temps réelRésumé
Le pipeline de données graphiquesDéfinition des données graphiques et des niveaux de données graphiquesRecherche et compréhension des données graphiquesPréparation des données graphiquesLes pipelines de formation et d'inférence des graphesAperçu du pipeline de formation GMLAperçu du pipeline d'inférence GMLRésumé
Approches de l'apprentissage automatique des graphesApprentissage automatique traditionnel basé sur les graphesApprentissage automatique non traditionnel basé sur les graphesReprésentation des graphes pour l'apprentissage automatique traditionnelReprésentation graphiqueReprésentation des réseaux d'achat d'Amazon sous forme de graphesNaviguer dans les tâches graphiques de l'ensemble de données Amazon CopurchasingIngénierie des caractéristiques des graphesImportance et défisTypes de caractéristiques graphiquesTravaux pratiques : Extraction de caractéristiques pour le graphique d'Amazon CopurchasingCaractéristiques des graphes dans la modélisation MLAperçu des tâches et des techniquesPrédire les produits bien notés avec un modèle de prédictionApprentissage d'entités avec les Node EmbeddingsAlgorithme de marche aléatoireEnsemble de données sur les achats de l'Amazone et les encodages de nœudsRésumé
Aperçu des bibliothèques de graphesDéfis des bibliothèques graphiques open source : Possibilités offertes par PyGrafPyGraf : Une solution pour l'apprentissage et le service de graphes simplifiésIntroduction à PyGrafCaractéristiques principales de PyGrafLes objectifs de PyGraf : Permettre aux environnements dynamiques de s'épanouirArchitecture et capacités principalesCouche des composants de baseCouche d'adaptation et d'intégrationCouche des meilleures pratiquesExploration approfondie des composants de la bibliothèque principaleComposante de donnéesComposant de formationComposant de serviceComposant de préservation de la vie privéeExemple de bout en bout avec PyGraf : Jeu de données Amazon CopurchasingPrétraitement et transformationFormation au modèleÉvaluation et sélection de modèlesDéploiement et surveillanceRésumé
Introduction aux réseaux neuronaux graphiquesL'importance des GNN dans l'apprentissage graphiqueAperçu des applications des GNNFondements des GNNRéseaux convolutifs graphiquesTransition de l'apprentissage graphique traditionnel aux réseaux convolutifs graphiquesComment les GCN simplifient l'ingénierie des caractéristiquesExemple pratique E2E utilisant PyG et l'interface PyGrafPyG : Exemple du club de karatéClassification des nœuds CoraInterface API PyGrafLimites de l'architecture basée sur le GCNRésumé
Différents types de graphesGraphes homogènesGraphes hétérogènesGraphes temporelsModèles d'intégration de graphesComment fonctionne l'intégration des graphes de connaissances ?Formation des modèles d'intégration de graphes de connaissancesMéthodes d'interaction d'intégrationObjectifs de la formationPoints forts des modèles d'intégration de graphesExemple : Apprentissage sur l'ensemble de données FreebaseAttention sur les graphesVecteurs de caractéristiquesMécanisme d'attentionAttention à plusieurs têtesExemple : Network+ de citationsExemple de cas d'utilisation de CiteSeerPrétraitement et visualisation des donnéesEntraînement du modèle à l'aide de PyGTest de modèleVisualisation des emboîtementsRésumé
Défis liés à la mise à l'échelle des modèles d'apprentissage graphiqueDéfis informatiquesContraintes de mémoireComplexité et taille des donnéesMini-batching dans les réseaux neuronaux graphiquesDéfinition et importance du mini-batchingTechniques pour un mini-batching efficaceTechniques de formation efficaces sur le plan de la mémoirePoint de contrôle du gradientMéthodes d'échantillonnage de sous-graphesPropagation de la pertinence au niveau de la coucheDonnées distribuées et stratégies de calculStratégies d'exécution distribuéeStratégies de partitionnement des graphesOutils d'apprentissage graphique distribuéFormation distribuée avec PyGPréparation et partitionnement des données du grapheExécution manuelle de la formation distribuéeComposants clés de l'apprentissage distribué avec PyGArchitectures avancées pour la mise à l'échelle des réseaux neuronaux graphiquesExploitation de la sparitéTechniques d'approximationUtilisation de la mémoire externeRésumé
Connaissance des clients et des marchésSegmentation des clientsAnalyse des réseaux sociauxMoteurs de recommandationGestion des opérations et de la chaîne d'approvisionnementOptimisation des réseaux dans les chaînes d'approvisionnementGestion des stocksGestion des risques et résilience de la chaîne d'approvisionnementApplications dans le monde réelSécurité et gestion des risquesDétection et analyse des menacesGestion des identités et des accèsDétection des fraudesRéponse aux incidents de cybersécuritéGestion des risques et conformitéSoins de santé et sciences de la vieCartographie et personnalisation du parcours du patientDécouverte et développement de médicamentsOptimisation des essais cliniquesGénomique et médecine personnaliséeProduits populaires des sciences de la vieRésumé
L'importance de la confidentialité dans l'apprentissage graphiqueExemples d'entreprises et applicationsAperçu des techniques de préservation de la vie privéeMenaces pour la vie privée dans l'apprentissage graphiqueÉtudes de cas d'atteintes à la vie privéeTechniques de préservation de la vie privée pour les données graphiquesAnonymisation des données graphiquesk-Anonymat et t-Closeness dans les graphesTechniques de modification des graphesConfidentialité différentielle des bordsConfidentialité différentielle des nœudsGénération de données graphiques synthétiquesCalcul de graphe préservant la vie privéeSMPC pour les graphesChiffrement homomorphique dans l'apprentissage des graphesAlgorithmes d'apprentissage à confidentialité différentielleApprentissage graphique fédéréPrincipes et architectureRéseaux neuronaux graphiques fédérésProtocoles de formation et de communicationAmélioration de la confidentialité dans l'apprentissage par graphe fédéréApplications de l'apprentissage graphique préservant la vie privéeTechniques de préservation de la vie privée dans l'analyse des réseaux sociauxCas d'utilisationÉtude de cas : Application de FedGraphNN à un système de recommandation utilisant les données d'EpinionsEnsemble de donnéesImportance de l'application de l'apprentissage fédéréTraitement des donnéesLogique de formation fédéréeExécution du pipeline fédéréRésumé

Stratégies de déploiementDéploiement de Canary : Tester les eauxDéploiements bleu-vert : Transitions en douceurDéploiements fantômes : Voler sous le radarDéploiements en périphérie : Déploiements en périphérie : pour aller jusqu'au boutDéploiement des tests A/B : Expériences contrôléesDéploiements progressifs : Mise à l'échelle progressiveDéploiements en conteneursConsidérations matériellesTemps d'exécution de l'inférenceCadres et bibliothèques d'inférencePrécalculs et mise en cacheInférence en ligne ou hors ligneTechniques d'optimisation des modèlesQuantificationÉlagageDistillation des connaissancesMise à l'échelle de l'inférence pour les grands graphesSystèmes d'inférence distribuésPartitionnement des graphes pour une inférence évolutiveInférence incrémentaleRésumé
Défis liés à la surveillance des modèles de graphesMétriques spécifiques aux graphesGraphes dynamiquesÉchelle et complexitéQuestions relatives au système et au déploiementConception d'un cadre de surveillanceComposer avec des connexions en constante évolution (topologie des graphes)Vérifier le "sens" (évaluation des emboîtements)L'acte d'équilibre (performance du système par rapport aux tâches du graphe)Mécanismes de collecte de donnéesSurveillance des modèles de graphes déployésSeuils d'alerteOutils de visualisationBoucles de rétroaction dans les systèmes graphiquesRétroaction de l'utilisateur : Apprendre de l'interactionRétroaction du système : Optimisation de la performance du modèleRétroaction sur les données : S'adapter à un monde en mutationSynergie entre les boucles de rétroactionSystèmes en boucle fermée : Automatisation de l'adaptationPipelines de recyclage adaptatifSystèmes de notificationRésumé
Introduction aux LLMs renforcés par les graphesLes LLMs et leur impact transformateurLa nécessité d'une mémoire externe : La configuration RAGAvantages de la configuration RAG améliorée par les graphesAugmentation de la recherche grâce à l'intégration des graphesDéfis de la génération traditionnelle de recherche-augmentéeIntégration des graphesMéthodologie et pipeline GraphRAGProcessus d'indexationProcessus d'interrogationCapacités améliorées et raisonnement sur l'ensemble des donnéesConsidérations relatives à la mise en oeuvreRAG de base et GraphRAGRAG avec les graphes de connaissances pour répondre aux questions du service clientRésumé

Content preview from Mettre à l'échelle l'apprentissage des graphes pour l'entreprise

Chapitre 5. Réseaux neuronaux graphiques

Cet ouvrage a été traduit à l'aide de l'IA. Tes réactions et tes commentaires sont les bienvenus : translation-feedback@oreilly.com

Dans ce chapitre, nous allons explorer les réseaux neuronaux de graphes (GNN), une classe essentielle d'architectures basées sur les neurones dans le cadre de notre parcours d'apprentissage des graphes. Les réseaux neuronaux graphiques sont conçus pour traiter les données structurées en graphe, ce qui leur permet d'exploiter les relations et les interconnexions inhérentes à ces ensembles de données. Leur capacité à opérer sur des données structurées en graphe est différente de celle des réseaux neuronaux conventionnels, qui ne sont pas intrinsèquement conçus pour interagir directement avec des données dépourvues d'une structure régulière en forme de grille. Contrairement aux formats de données normalisés, tels que les images ou les textes séquentiels qui s'intègrent parfaitement dans ces modèles traditionnels, les données graphiques sont intrinsèquement complexes et irrégulières, composées de nœuds (ou sommets) et d'arêtes qui représentent une gamme variée de relations et d'attributs.

Les GNN ont la capacité de modéliser et d'interpréter ces relations complexes dans les données de graphe telles que les réseaux sociaux, les graphes de connaissances et les systèmes de recommandation. Grâce à un processus de passage itératif de messages - dans lequel les nœuds échangent des informations et encodent ces interactions ...