グラフ データベース: フラット アースからメタバースへの旅

あなたのために

Chartered Institute for IT に参加して、より大きなものの一部になりましょう。

Rangan 氏は続けます。「データを照会するために開発した言語は、最も直感的な言語の 1 つです。 これは cypher と呼ばれ、Neo4j の全員が、IT、マーケティング、人事、または販売のいずれの部門であっても、それを理解しています。 非常に直感的に使用できる視覚的なブラウザがあります。

DBA や開発者がいるデータベースとは異なり、データ サイエンティストは開発者であり、AI/ML モデルを構築します。 興味深いのは、データ サイエンティストとしてのトレーニングを受けていない大多数のデータ サイエンティストがこれにアクセスできることです。

データサイエンティストから科学を取り出す

単純化された言語、情報を結び付ける単純化された方法は、データサイエンティストの役割をより簡単にするだけでなく、よりアクセスしやすくします. データ分析の役割から、真の科学者になる必要性を取り除いています。 また、Neo4j のグラフ データベースは、ユーザーの最も一般的な要求に対応するように設計されています。 Rangan 氏は続けます。「製品には 60 以上の ML アルゴリズムが組み込まれているため、よくある質問がこれらのアルゴリズムに変換され、モデルが開発されます。」

ML によるデータベースの最大化

私たちは革新を歓迎しますが、機械学習を使用してデータを操作すると、機械の偏りが増幅されるのではないかという懸念はありますか? データを照合する際に「推論」について心配する必要がありますか?

Rangan 氏は続けます。「初めてデータベースにデータをロードするときにギャップが生じる可能性があります。特に、関係が推測されるテーブルベースのデータを取得し、それらの関係をグラフ データベースに入れようとすると、ギャップが生じる可能性があります。というのも、「ねえ、私はその関係を本当に知っていますか? 私はそれについて何かを推測する必要がありますか? したがって、「ロードが完璧であることを確認するか」と「そうでないか」の間にはトレードオフがあります。

「データにギャップが生じた瞬間、それを「ハンギング リレーションシップ」と呼び、そのリレーションシップにフラグを立てて、「どのように対処しますか?」とユーザーに伝えます。 私たちの視点は非常に単純であるため、関係を推測することは避けています。低いデータで推測された関係は破損したデータです。

データと予測のためのツール

データがでっち上げられたり、誤って解釈されたりしていないという安心感があるかもしれませんが、セットアップ内に仮説を立てる余地があり、データベースが単にカタログ化ツールになるだけでなく、効率的な予測ツールの基礎にもなります. Rangan 氏は次のように説明しています。

「デジタルの勝利を見ると、結果をモデル化するための代替方法です。 物理ネットワークのデジタル モデルがある場合は、そのデジタル モデルを使用して “what if” 分析を行うことができます。 では、データがこのように見える場合はどうなるかを調べることができますか? 本当に「もし世界がこんな風に見えたら? 何が起こる可能性がありますか? したがって、「もしも」のシナリオに基づいて、予測力が得られます。 しかし、これらの「what-if」シナリオが何であるかは、完全に実践者次第です。したがって、これらのシナリオが発生した場合、ネットワークはどのように相互作用するのでしょうか?ネットワークは崩壊しますか?どの時点で崩壊しますか?どうすれば修正でき、どのように修正できますか?私はそれを計画しますか? だから、それは非常に強力な計画ツールになります。

Neo4j がメタバースに飛び込む余地はありますか?

グラフ データベースは 3D 空間にあるように見えますが、Neo4j がメタバースに移行する自然な流れはありますか? そして、その進化はどのように見えるのでしょうか? Rangan 氏は次のように考えています。 実際に VR メガネを使用して視覚化とデータ探索を行っているアジアのお客様がいます。 ですから、それは間違いなく魅力的な方向性です。 世界について私たちが持っている直感的なメンタルモデルの概念と、それをどのように表現できるかという概念に戻ります。

Rangan 氏にとって、このムーアの法則スタイルのデータベースの進化の未来は非常に明るく、特に AI の世界ではそうです。 「Gartner は、3 年または 4 年で ML モデルの 80% がグラフ テクノロジに基づくものになると予測しています。 その理由は、ディープ ニューラル ラーニング ネットワークは基本的にグラフだからです。 しかし、グラフに変換されるテーブル ベースのデータを使用するのではなく、グラフ データベースはネイティブにグラフ化されるため、プロセスがはるかに高速になります。」

.

Leave a Comment

Your email address will not be published. Required fields are marked *