Grafik veritabanları için en iyi 5 kullanım örneği


Intelligent Security Summit’teki tüm isteğe bağlı oturumlara göz atın burada.


Grafik veritabanı, sektörü on yıldan fazla bir süre önce sarsan NoSQL veritabanı patlamasından ortaya çıkan en büyük yeniliklerden biri olarak duruyor. Grafik veritabanları, birbirine bağlı büyük miktarlardaki verilerden içgörü elde etmek için geliştirildi. Veri nesneleri arasındaki ilişkileri nesnelerin kendilerinde depolayarak, başka yollarla elde edilmesi neredeyse imkansız olan ışık hızında analizlere olanak tanırlar.

Grafik veritabanlarının, onların yerini almaktan ziyade, çoğu kuruluşta hala tercih edilen işgücü depoları olan ilişkisel veritabanlarının yanında çalışması amaçlanmaktadır. En önemli avantajları, tablo birleştirmeleri veya veri dönüştürmeleri nedeniyle ortaya çıkan ek yük olmadan birden çok sistemdeki veriler arasında hızlı bir şekilde karmaşık sorgular gerçekleştirme yeteneğidir. Bu çok uzak verilerin toplanması, genellikle bir veri gölü biçimindeki veri entegrasyon çabalarını gerektirir.

Grafik veritabanlarının faydaları salt sorgulama hızının ötesine geçer. İlişkiler kolayca modellenebildiği ve şemalar dinamik olarak değişebildiği için, karmaşık ilişkisel modellerin artık alışılagelmiş, zahmetli bir şekilde şekillendirilmesine gerek yoktur. Yine de SQL’de akıcı olanların kendilerini dışlanmış hissetmelerine gerek yok; gibi grafik veritabanı sorgulama dilleri GSQL grafik yetenekleriyle zenginleştirilmiş SQL-bitişik dillerdir.

Önemli bir şekilde, ilişkilere yapılan vurgu ve büyük miktarda veriyi verimli bir şekilde işleme yeteneği, grafik veritabanlarını yapay zeka AI ve makine öğrenimi (ML) uygulamaları için ideal hale getirir. Bu kombinasyon, grafik veritabanı yazılımı AI/ML’ye özgü araçlar ve birlikte çalışabilirlik özellikleri içerdiğinde geliştirilebilir.

Etkinlik

İsteğe Bağlı Akıllı Güvenlik Zirvesi

Yapay zeka ve makine öğreniminin siber güvenlikteki kritik rolünü ve sektöre özel vaka incelemelerini öğrenin. İsteğe bağlı oturumları bugün izleyin.

Buraya bak

Peki bu yeni yeteneklerin ortaya çıkan kullanım durumları nelerdir? Beş endüstrinin, dağıtılmış veri depolarında grafik veritabanlarının son derece hızlı ilişkisel sorgu performansından nasıl yararlandığı aşağıda açıklanmıştır.

1. Müşterilerin 360 derecelik bir görünümünü elde etmek

Şirketler ve müşterileri veya satış beklentileri arasındaki etkileşimler, birçok temas noktasıyla karmaşık olma eğilimindedir. İdeal olarak, bunlar sürekli olarak müşteri ihtiyaçlarına uyum sağlayan satış stratejileri sağlamalıdır. Bu tür 360 derecelik senaryolar, ilişkisel bir veritabanı kullanıldığında, eyleme dönüştürülebilir içgörüler elde etmek için zahmetli modelleme ve hantal tablo birleştirmeleri gerektirecek çoktan çoğa ilişkilere hızla neden olur.

Bu, bir grafik veritabanının parladığı türden bir durumdur. Örneğin UnitedHealth Group (UHG), maliyetleri düşürürken 26 milyondan fazla üyenin bakım kalitesini artırmaya yardımcı olmak için bir grafik veritabanını benimsemiştir. Gelire göre dünyanın en büyük sağlık şirketi olan UHG, üyeler, sağlayıcılar, talepler, ziyaretler, reçeteler, prosedürler ve daha fazlası arasındaki 120 milyardan fazla ilişkiyi izlemek için devasa bir grafik veritabanı kullanıyor.

UHG, diğer avantajların yanı sıra doktorlar, eczaneler, klinik laboratuvarlar, sağlık danışmanları ve UHG’nin kendisi arasındaki üye etkileşimlerinin birleştirilmiş bir görünümünü sağlayan grafik veri tabanının üzerinde çeşitli GUI uygulamaları geliştirmiştir. Her gün 23.000’den fazla kullanıcı veritabanına erişerek sağlayıcıların gerçek zamanlı olarak en son üye etkinliğine dayalı olarak daha iyi bakım ve sağlıklı yaşam önerileri belirlemesine olanak tanır. UHG, maliyet tasarruflarının sonunda milyarları bulabileceğini tahmin ediyor.

2. Finansal hizmetleri yapay zeka ile dönüştürme

Verilerin üstel büyümesi, anlamlı kalıpları ortaya çıkarmak ve karar vermenin doğruluğunu iyileştirmek için büyük miktarlarda veri gerektiren AI/ML’nin en büyük kolaylaştırıcısı olmuştur. Çok az sektör finansal hizmetlerden daha fazla veri yoğundur, ancak diğer sektörlerde olduğu gibi, veriler birçok farklı kaynaktan gelir ve genellikle ilişkisel veritabanı silolarında son bulur.

Grafik veritabanları, bu silolar arasında köprü kurarken AI/ML’nin üstün tahmine dayalı analitik, risk yönetimi, dolandırıcılık tespiti, kara para aklamayı önleme, içeriden bilgi ticareti izleme, müşteriler için otomatik öneriler ve daha fazlasını sunmasına yardımcı olabilir. Ayrıca, AI/ML ile birleştirilmiş bir grafik veritabanı, müşteri kayıtlarındaki ve yanlış sonuçlara yol açabilecek finansal ürün özniteliklerindeki anormal farklılıkları uzlaştırarak verilerin en baştan temiz olmasını sağlamaya yardımcı olabilir.

Intuit, bir ürün şirketinden yapay zeka odaklı bir uzman platform şirketine dönüşmek için AI/ML ile birlikte grafik veritabanı yazılımı kullanıyor. Bu yolculuğun önemli bir parçası, bilgi grafikleri, verileri zenginleştiren ve ilgili öğe kümelerinden içgörüleri ortaya çıkaran. Intuit, bilgi grafiklerini en gelişmiş makine öğrenimi biçimiyle birleştirir, derin Intuit’in sohbet botlarını ve uygulama içi önerileri güçlendirmek için öğrenme. Normalde, derin öğrenmenin sonuçlarına ne kadar ulaştığını belirlemek zordur; Intuit’in bilgi grafiklerinin önemli bir yararı, derin öğrenmeye “açıklanabilirlik” katmasıdır.

3. Tedarik zincirlerini optimize etmek

Koronavirüs pandemisinin kalıcı etkileri arasında, küresel tedarik zincirlerinin endişe verici derecede kırılgan olabileceğinin fark edilmesi yer aldı. Kesinti olsun ya da olmasın, üreticiler pek çok tedarik zincirini sürdürmenin ve optimize etmenin ne kadar karmaşık olduğunun kesinlikle farkındadır.

Otomobil üreticilerinin karşılaştığı günlük zorlukları düşünün. İlk gereklilik, alıcıların seçmesi beklenen çeşitli model ve seçeneklere kadar, sipariş edilecek parçaların sayısını ve türlerini belirlemek için müşteri talebini doğru bir şekilde tahmin etmektir. Bu tahminlerin, üretim verimliliği ve tedarikçi riskine ilişkin tahminlerin yanı sıra yüzlerce tedarikçiden alınan parçaların mevcudiyeti ile senkronize edilmesi gerekir.

Jaguar Land Rover (JLR), tedarik zinciri analizi için kullanılması gereken birçok veri silosunu kapsayabileceği ve veri öğeleri arasındaki ilişki matrislerini keşfedebileceği için bir grafik veritabanı çözümü seçti. Öncelikli hedefler, satılan birim başına ortalama karı artırmak ve eski envanteri azaltmak ve tedarikçi aksamasının etkilerini en aza indirmekti. JLR’deki bazı temel tedarik zinciri planlama sorguları artık haftalar yerine 45 dakika sürüyor ve daha da önemlisi, yönetim daha önce sorma fırsatı bulamadığı soruları yanıtlayabiliyor.

4. Çevrimiçi perakende operasyonlarının iyileştirilmesi

Perakende e-ticaret firmaları, doğru müşteri ayrıntıları ve satın alma geçmişleri üzerine kurulu daha iyi müşteri deneyimleri sunmak için artan rekabet baskısı ile karşı karşıyadır. Bu temel, tümü müşteri yolculuğu boyunca biriken verilerden yararlanan dinamik fiyatlandırmadan ürün tavsiyelerine ve kişiselleştirilmiş özel tekliflere kadar her şeyi mümkün kılar.

Grafik veritabanları çeşitli şekillerde yardımcı olabilir. Müşteriler ve ödeme yöntemleri, müşteriler ve markalar, ürünler ve iade oranları, promosyonlar ve satış oranları ve çok daha fazlası arasındaki olası ilişkileri göz önünde bulundurun. Sadık olarak tanımlanan bir müşteri alt kümesine satış konuşması yapıldığında belirli bir ürün için hangi promosyonların en etkili olduğunu belirlemek için bir sorgu çalıştırmak istediğinizi varsayalım. Uzun zaman alacak bir ilişkisel veritabanı ile, ancak bir grafik veritabanı, sonuçları çok az gecikmeyle döndürebilir.

Hangi müşterilerin neyi satın aldığını güvenilir bir şekilde belirlemeye yönelik görünüşte basit bir eylem, ödeme yöntemi veya satış noktasından bağımsız olarak ilgili tüm müşteri verilerini toplayıp uzlaştırabilen bir grafik veri tabanı tarafından geliştirilebilir. Üç aylık bir grafik veritabanı testinde, büyük bir e-ticaret şirketi, beş farklı perakende web sitesinde 12 milyon yeni hesap bağlantısı keşfetti. Şirket, yaklaşık 3 milyon dolarlık bir verimlilik tasarrufu tahmin etti ve satışlarda %17,6’lık bir artış öngördü.

5. Dolandırıcılık tespitinin doğruluğunu artırma

Hepimiz banka, kredi kartı ve telekom şirketlerimiz aracılığıyla dolandırıcılık tespitinin gelişimine tanık olduk. İlk kurala dayalı çabalar, şüpheli işlemleri gözden kaçırma veya masum işlemleri hileli olarak işaretleme eğilimindeydi. Ancak finans sektörü, AI/ML çabalarını artırmak için grafik veritabanlarını benimsediğinde, dolandırıcılık tespitinin doğruluğu gözle görülür şekilde arttı.

AI/ML ile birleştirilmiş grafik veritabanları, yanlış pozitifleri azaltarak ve aksi takdirde gözden kaçabilecek anormallikleri tespit ederek dolandırıcılık tespitinin doğruluğunu artırır. Makine öğrenimi, bir müşterinin normal davranışını (konum, cihaz, ödeme türü, kimlik doğrulama yöntemi vb.) modellemek için birçok farklı veri türünden yararlanmalıdır. Artı, normal davranış kalıpları olarak tanımlanan şey, meşru değişikliğe yanıt olarak anında ayarlanmalıdır. Grafik veritabanları bu dinamizmi destekler ve AI/ML’nin önemli farklılıkları belirlemek için müşteri etkileşimlerini aşmasını sağlar.

Finansal hizmetler devleri JP Morgan Chase ve Intuit, AI/ML dolandırıcılık tespit çabalarını artırmak için grafik veritabanlarını benimsedi. JP Morgan Chase, ABD’de 60 milyondan fazla hanenin korunmasına yardımcı olmak için bir grafik veritabanı kullanıyor Intuit’e göre, grafik tabanlı makine öğrenimi, şirketin %50 daha fazla olası dolandırıcılık olayını tespit etmesini sağladı ve yanlış pozitifleri yaklaşık olarak aynı oranda azalttı.

Bunlar, grafik veritabanlarının en yaygın kullanımlarından sadece birkaçıdır. Müşteriler ayrıca iş süreçlerini optimize etmek, sağlık hizmeti sonuçlarını iyileştirmek, dijital pazarlama kampanyalarını keskinleştirmek, siber güvenlik tehditlerini belirlemek ve hatta enerji şebekelerini yönetmek için grafik veritabanlarını kullanıyor. Yeni uygulamalar düzenli olarak ortaya çıkıyor.

Grafik veritabanının misyonu, yeni iş fırsatlarını tanımlayabilen, boşa harcanan hareketi işaretleyebilen ve AI/ML girişimleri için çevik bir temel sağlayabilen analitik sunarak veri öğeleri arasındaki ilişkilere yepyeni bir pencere açmaktır. Birden fazla kurumsal veri deposuna erişim verildiğinde, grafik veritabanları tamamen yeni içgörüler ve yetenekler sunabilir.

Yu Xu, TigerGraph’ın CEO’sudur.

Veri Karar Vericileri

VentureBeat topluluğuna hoş geldiniz!

DataDecisionMakers, veri işini yapan teknik kişiler de dahil olmak üzere uzmanların verilerle ilgili içgörüleri ve yenilikleri paylaşabileceği yerdir.

En yeni fikirler ve güncel bilgiler, en iyi uygulamalar ile veri ve veri teknolojisinin geleceği hakkında okumak istiyorsanız DataDecisionMakers’ta bize katılın.

Kendi makalenizle katkıda bulunmayı bile düşünebilirsiniz!

DataDecisionMakers’dan Daha Fazlasını Okuyun


Kaynak : https://venturebeat.com/data-infrastructure/top-5-use-cases-for-graph-databases/

Yorum yapın