TigerGraph がグラフ分析と ML でデータベースを強化

強力なグラフ アルゴリズムを使用してデータ内の隠れた接続を探索したい企業は、TigerGraph をチェックすることをお勧めします。TigerGraph は本日、クラウドベースのグラフ データベース内で実行されるグラフ分析と機械学習のユース ケースを強化するように設計されたクラウドベースの製品のペアを発表しました。 .

TigerGraph Insights と呼ばれる最初の新製品は、基本的に、TigerGraph クラウド データベースにあるデータを分析するためのローコード、ノーコードの BI および視覚化ツールです。 これは、データを探索し、接続されたデータに基づいてダッシュボードなどの対話型の視覚化を構築したいアナリストや非技術系の従業員が使用するように設計されています。

TigerGraph Insights の大きな利点は、標準の表、円グラフ、折れ線グラフ、棒グラフなどの従来のデータの視覚化と、ネイティブの接続形式でのデータの表示との間をユーザーが行き来できることです。 BI ベンダーは、接続されたデータのグラフ ビューをサポートしていないと、TigerGraph の製品およびイノベーション担当バイス プレジデントである Jay Wu 氏は述べています。

「実際にコネクタを提供しているので、顧客は Tableau や PowerBI などの他の BI ツールを使用できます」と Wu 氏は言います。 データナミ. 「しかし、これらのツールの問題は、従来の BI を実行できるようにするために、グラフ接続ビューからテーブル ビュー、さらにはリレーショナル ビューに変換することです。 私たちが欠けていたのは、接続されたネットワーク グラフ ビューであるグラフ ビューとの統合でした。 そのため、他のツールを接続する必要がないように、これを組み込んでいます。」

データを本来の形式に近づけることで、TigerGraph Insights ユーザーは、他の方法では数字だらけのテーブルに埋もれてしまったり、円グラフや折れ線グラフでは視覚化できなかったデータのパターンを簡単に確認できます。 たとえば、グラフ ビューでの疑わしい銀行取引の接続性は、詐欺リングの存在をユーザーに示す可能性がありますが、リレーショナル データに基づくグラフで接続性を説明するのは困難です。

TigerGraph Insights により、ユーザーはグラフに接続された状態でデータを表示できます (画像提供: TigerGraph)

TigerGraph Insights は、データの上にアルゴリズムを重ねてフィルタリングと分析の別のレイヤーを提供する機能もサポートしています。 クラスターは、Wu が実証したように、色分けによってグラフ内で自動的に区別される場合があります。 データナミ 昨日Zoomで。

「『2 つのノード間の最短経路を見つける』と『考えられるすべての経路』もあります」と Yu 氏は言います。 「たくさんの数字やたくさんのノード名を見る代わりに、ああ、だからこれらは最短経路なのです。 そのため、他の表形式のビューよりも視覚的で直感的です。」

ユーザーは通常、TigerGraph でサポートされているような大規模なデータ セットに対して TigerGraph Insights を使用しません。 そのため、このオファリングでは、アナリストがデータをフィルター処理する必要があります。 ソフトウェアは、それを行うための段階的な方法を提供します。

一方、ML Workbench は、データ サイエンティストが機械学習アプリケーションを開発できるように設計された Python ベースのフレームワークです。 TigerGraph はオンプレミスで ML Workbench のバージョンを提供してきましたが、顧客がこれをクラウドで実行できるのはこれが初めてです。

ML Workbench は基本的に、Jupyter データ サイエンス ノートブックのエクスペリエンスを TigerGraph データベース内で直接提供します。 さらに、PageRank、クラスタリング、中心性などのグラフ データベースに対して動作するように TigerGraph によって特別に調整された 55 の事前構築済みグラフ アルゴリズムがロードされています。

ML Workbench をリリースする前は、TigerGraph データで ML アルゴリズムをトレーニングしたいお客様は通常、データを抽出してから Apache Spark を使用してモデルをトレーニングしていました。 TigerGraph を使用して特徴を抽出し、モデルをトレーニングすると、データ移動に関連するコストが削減され、よりシンプルで統合されたエクスペリエンスが実現します、と Wu 氏は言います。

「代わりになるのは Spark だけです」と Wu 氏は言います。 「データはすでに非常によく整理され、TigerGraph に接続されているため、グラフベースの機械学習の多くを内部にプッシュし、深層学習モデルの構築を深めるために豊富なデータを提供できます。」

このアプローチは、人間が作成したグラフ データベース スキーマを介してデータが事前に並べ替えられ、事前に接続されているという事実を活用するだけでなく、TigerGraph クエリ言語を介してすべての操作を指定できるため、追加の高レベル言語の必要性を排除します。 、GSQL。

「他のベンダーは、これらのアルゴリズムを構築するために、グラフ クエリと Java、JavaScript、Python などの手続き型言語の組み合わせに依存する必要があります」と Yu 氏は言います。 「利点は、クエリの最適化があり、クエリ処理が分散されていることです。それを指定すると、それらの実行をスケーラブルなエンジンに自動的に引き下げます。これは、分散型の並列シェアード ナッシング アーキテクチャです。」

これにより、他のメカニズムで達成できるよりも優れたスケーラビリティが提供されると、Yu 氏は言います。 たとえば、Microsoft は TigerGraph データベースを使用して、1 億人で構成される Xbox に接続されたゲーマー コミュニティ向けに独自のグラフ アルゴリズムを強化しています。 Microsoft は他のデータベースを使用しようとしましたが、それを機能させることができませんでした。 Microsoft は TigerGraph をオンプレミスで実行していますが、現在、このタイプの機能は、いくつかのボタンをクリックするだけで TigerGraph クラウドで利用できます。

TigerGraph は、時間の経過とともに、グラフ ニューラル ネットワーク (GNN) などを含めることで、機械学習の提供を拡大する予定です。 現在、ML Workbench は機能を GNN にフィードするデータ パイプラインの一部として使用できますが、まだ GNN をトレーニングすることはできません。 それはおそらく将来変わるだろう、と Yu は言います。

グラフ アルゴリズムの需要は高いです。 タイガーグラフは、従来の深層学習手法を使用して障害に遭遇したため、テクノロジーを調査したいと考えている大手銀行から関心を持っている、と Yu 氏は言います。

「人々は、従来の機械学習がブラック ボックスで停滞していることに気付いているため、多くの関心が寄せられています」と Yu 氏は言います。 「基本的にグラフ機能で強化されたこのグラフベースの機械学習アプローチを使用すると、モデルの精度パフォーマンスを 20% 向上させることができることを証明している企業がたくさんあります。」

TigerGraph Insights と ML Workbench は、TigerGraph Cloud 内で利用できるようになりました。

関連商品:

TigerGraph が新しいベンチマーク レポートをリリース

TigerGraph は、グラフ データベースの更新によりスケーラビリティを強化します

TigerGraph チャレンジで 100 万ドルを獲得

Leave a Comment

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