Spanner Graph – Übersicht

Spanner Graph kombiniert die Funktionen einer Graphdatenbank mit Spanner Skalierbarkeit, Verfügbarkeit und Konsistenz. Spanner Graph unterstützt eine ISO Graph Query Language (GQL)-kompatible Graphabfrageschnittstelle und ermöglicht die Interoperabilität zwischen relationalen und Graphmodellen.

Mit Spanner Graph können Sie Tabellen mithilfe eines deklarativen Schemas ohne Datenmigration Property-Graphen zuordnen und so Graphen in tabellarische Datasets einfügen. Sie können auch die Auswahl des Datenmodells pro Abfrage verzögern, um das richtige Tool für Ihre Workflows auszuwählen.

Informationen zu den ersten Schritten mit Spanner Graph finden Sie unter Spanner Graph einrichten und abfragen und im Spanner Graph-Codelab.

Vorteile von Spanner Graph-Datenbanken

Graphen bieten einen natürlichen Mechanismus zur Darstellung von Beziehungen in Daten. Beispiele für Anwendungsfälle für Graphdatenbanken sind Betrugserkennung, Empfehlungen, Cybersicherheit, Community-Erkennung, Knowledge Graphs, Customer 360, Datenkatalogisierung und Lineage-Tracking.

Traditionell werden diese Arten von Graphdaten in Anwendungen als Tabellen in einer relationalen Datenbank dargestellt, wobei mehrere Joins verwendet werden, um den Graphen zu durchlaufen. Wenn die Logik für das Durchlaufen von Graphen in SQL ausgedrückt wird, entstehen komplexe Abfragen, die schwer zu schreiben, zu verwalten und zu debuggen sind.

Mit der Graphoberfläche in Spanner Graph können Sie Beziehungen auf intuitive Weise durchlaufen und Muster im Graphen erkennen. Darüber hinaus bietet Spanner Graph graphoptimierte Speicher- und Abfrageverbesserungen, die für analytische und transaktionale Grapharbeitslasten geeignet sind. Alle diese Funktionen sind in die Kernfunktionen von Spanner integriert.

Dieser Ansatz macht Spanner Graph zur idealen Lösung für geschäftskritische Graphanwendungen. Insbesondere die transparente Fragmentierung von Spanner lässt sich elastisch auf sehr große Datasets skalieren. Dabei wird massiv parallele Verarbeitung ohne Nutzereingriff verwendet.

Anwendungsfälle für Spanner Graph

Mit Spanner Graph können Sie viele Arten von Online-Graphanwendungen erstellen, darunter:

  • Finanzbetrug erkennen: Analysieren Sie komplexe Beziehungen zwischen Nutzern, Konten und Transaktionen, um verdächtige Muster und Anomalien wie Geldwäsche und ungewöhnliche Verbindungen zwischen Entitäten zu erkennen, die mit relationalen Datenbanken schwer zu erkennen sind.

  • Kundenbeziehungen verfolgen: Verfolgen Sie Kundenbeziehungen, ‑präferenzen, und ‑kaufhistorien. Sie erhalten ein ganzheitliches Bild von jedem Kunden und können personalisierte Empfehlungen, gezielte Marketingkampagnen und einen verbesserten Kundenservice anbieten.

  • Soziale Netzwerke erfassen: Erfassen Sie Nutzeraktivitäten und ‑interaktionen und verwenden Sie den Graphmusterabgleich für Freundesempfehlungen und die Suche nach Inhalten.

  • Fertigungs- und Lieferketten verwalten: Modellieren Sie Teile, Lieferanten, Bestellungen, Verfügbarkeit und Mängel im Graphen, um Auswirkungen zu analysieren, Kosten zu aggregieren und die Compliance zu prüfen.

  • Gesundheitsdaten analysieren: Erfassen Sie Patientenbeziehungen, ‑zustände, ‑diagnosen und ‑behandlungen, um die Analyse der Ähnlichkeit von Patienten und die Behandlungsplanung zu erleichtern.

  • Lieferketten verwalten: Bewerten Sie anhand eines Versandroutenplans Routen segmente, um Verstöße gegen Segmentregeln zu erkennen.

Hauptmerkmale

Spanner Graph ist eine Multi-Model-Datenbank, die Graph-, relationale, Such- und KI-Funktionen integriert. Sie bietet eine hohe Leistung und Skalierbarkeit und liefert Folgendes:

  • Native Graph-Erfahrung: Die ISO GQL-Schnittstelle bietet eine vertraute, speziell entwickelte Graph-Erfahrung, die auf offenen Standards basiert.

  • GraphRAG-Workflowanwendungen erstellen: Spanner Graph lässt sich in LangChain einbinden, um Ihnen beim Erstellen von GraphRAG-Anwendungen zu helfen. Bei der herkömmlichen Retrieval-Augmented Generation (RAG) wird die Vektorsuche verwendet, um einem Large Language Model (LLM) Kontext zu liefern. Dabei können jedoch keine impliziten Beziehungen in Ihren Daten genutzt werden. GraphRAG überwindet diese Einschränkung, indem ein Graph aus Ihren Daten erstellt wird, um diese komplexen Beziehungen zu erfassen. Anschließend werden die Graphsuche (für beziehungsbasierten Kontext) und die Vektorsuche (für semantische Ähnlichkeit) kombiniert, um genauere, relevantere und vollständigere Antworten zu generieren, als wenn nur eine der beiden Methoden verwendet wird. Weitere Informationen finden Sie unter LLM-gestützte Anwendungen mit LangChain erstellen. Informationen dazu, wie Sie Spanner Graph mit der Gemini Enterprise Agent Platform verwenden können, um die Infrastruktur für eine RAG-fähige generative KI-Anwendung zu erstellen, finden Sie unter GraphRAG-Infrastruktur für generative KI mit der Agent Platform und Spanner Graph.

  • Vereinheitlichung von relationalen und Graphdaten: Die vollständige Interoperabilität zwischen GQL und SQL beseitigt Datensilos. So können Sie für jeden Anwendungsfall das optimale Tool auswählen, ohne dass zusätzlicher Aufwand für ETL-Prozesse (Extrahieren, Transformieren und Laden) entsteht.

  • Integrierte Suchfunktionen: Umfangreiche Vektor- und Volltextsuchfunktionen sind in Graph integriert, sodass Sie semantische Bedeutung und Keywords in der Graphanalyse verwenden können.

  • KI-gestützte Insights: Durch die enge Integration mit der Agent Platform können Sie eine Reihe von KI-Modellen direkt in Spanner Graph nutzen, um Ihre KI-Workflows zu beschleunigen.

  • Skalierbarkeit, Verfügbarkeit und Konsistenz: Die bewährte Skalierbarkeit, Verfügbarkeit und Konsistenz von Spanner bieten eine solide Grundlage.

Nächste Schritte