○ planned · proyecto
Otorga nivel a: Graph Neural Network · Network Science
Usa: Graph Theory · Network Science · graph representations · Embeddings · Graph Neural Network
Alejandro Correa y Luisa Roa (Rappi) presentan el arco completo de graph analytics a graph neural networks, con casos reales en Rappi (fraude, riesgo de crédito, comunidades, influencers). Tesis: las conexiones en los datos valen tanto como los propios datos.
Hallazgos clave
- ‘Las conexiones en los datos tienen tanto valor como la propia data’ — tesis central repetida.
- El 90% del valor de los grafos viene del feature engineering (centralidad, comunidades) metido al pipeline ML tradicional, antes de pasar a GNNs.
- ~10% de los papers en ICLR/ICML/NeurIPS/KDD ya eran de graph ML a fines de 2020.
- El PageRank en el grafo de tarjetas predice riesgo de crédito; el % de órdenes pagadas con tarjeta por los vecinos impacta el riesgo propio.
- Recomendación: Neo4j/Cypher para prototipar; Neptune escala, pero para GNNs hay que copiar a memoria con DGL/NetworkX.
Módulos
- Contexto de Rappi y el valor de las conexiones.
- Graph Analytics: querying, algoritmos y features basadas en grafo.
- Graph Neural Networks: message passing y agregación de vecinos.
- Tipos de GNN: GCN, GraphSAGE y Graph Attention Networks.
- Casos: comunidades, influencers, fraude y riesgo de crédito.
Fuente: https://www.youtube.com/watch?v=5EulP9Cr-U0 · Transcript local: data/cursos/datapub-graph-ml/graph-ml.srt
Enlaces
Otorga nivel a: Graph Neural Network · Network Science Usa: Graph Theory · Network Science · graph representations · Embeddings · Graph Neural Network