סקירה כללית של Spanner Graph

‫Spanner Graph משלב בין יכולות של מסד נתונים גרפי לבין המדרגיות, הזמינות והעקביות של Spanner. ‫Spanner Graph תומך בממשק שאילתות של גרפים שתואם ל-Graph Query Language‏ (GQL) של ISO, ומאפשר יכולת פעולה הדדית בין מודלים יחסיים ומודלים של גרפים.

‫Spanner Graph מאפשר למפות טבלאות לגרפים של מאפיינים באמצעות סכימה דקלרטיבית ללא העברת נתונים, וכך להוסיף גרפים למערכי נתונים טבלאיים. אפשר גם לבחור מודל נתונים לכל שאילתה בנפרד, מה שעוזר לכם לבחור את הכלי הנכון לתהליכי העבודה שלכם.

כדי להתחיל להשתמש ב-Spanner Graph, אפשר לעיין במאמרים הגדרה של Spanner Graph והפעלת שאילתות וב-Spanner Graph codelab.

היתרונות של מסדי נתונים של Spanner Graph

גרפים מספקים מנגנון טבעי לייצוג קשרים בנתונים. דוגמאות לתרחישים לדוגמה לשימוש במסדי נתונים של גרפים כוללות זיהוי הונאות, המלצות, אבטחת סייבר, זיהוי קהילות, גרפים של ידע, תצוגה של נתוני לקוחות מכל הזוויות, קטלוג נתונים ומעקב אחר מקורות נתונים.

באופן מסורתי, אפליקציות מייצגות נתונים של גרפים מהסוג הזה כטבלאות במסד נתונים רלציוני, באמצעות כמה הצטרפויות כדי לעבור את הגרף. הבעת לוגיקה של מעבר בין צמתים בגרף ב-SQL יוצרת שאילתות מורכבות שקשה לכתוב, לתחזק ולנפות בהן באגים.

ממשק הגרפים ב-Spanner Graph מאפשר לכם לנווט בין קשרים ולזהות דפוסים בגרף בדרכים אינטואיטיביות. בנוסף, Spanner Graph מספק שיפורים באחסון ובשאילתות שעברו אופטימיזציה לגרפים, שמתאימים לעומסי עבודה של גרפים טרנזקציוניים ואנליטיים אונליין, והכול מובנה ביכולות הליבה של Spanner.

הגישה הזו הופכת את Spanner Graph לפתרון האידיאלי גם לאפליקציות גרפים קריטיות. בפרט, חלוקת הנתונים (sharding) השקופה של Spanner מתרחבת באופן גמיש למערכי נתונים גדולים מאוד. היא משתמשת בעיבוד מקבילי נרחב ללא התערבות המשתמש.

תרחישי שימוש ב-Spanner Graph

אתם יכולים להשתמש ב-Spanner Graph כדי ליצור סוגים רבים של אפליקציות גרף אונליין, כולל:

  • זיהוי הונאות פיננסיות: ניתוח של קשרים מורכבים בין משתמשים, חשבונות ועסקאות כדי לזהות דפוסים חריגים ואנומליות, כמו הלבנת הון וקשרים לא רגילים בין ישויות. קשה לזהות את הדפוסים והאנומליות האלה באמצעות מסדי נתונים רלציוניים.

  • מעקב אחרי קשרי לקוחות: מעקב אחרי קשרי לקוחות, העדפות והיסטוריית רכישות. הבנה מקיפה של כל לקוח, קבלת המלצות מותאמות אישית, הפעלת קמפיינים שיווקיים ממוקדים ושיפור חוויית שירות הלקוחות.

  • תיעוד רשתות חברתיות: תיעוד פעילויות ואינטראקציות של משתמשים, ושימוש בהתאמת תבניות גרף להמלצות על חברים ולגילוי תוכן.

  • ניהול הייצור ושרשרת האספקה: אפשר ליצור מודלים של חלקים, ספקים, הזמנות, זמינות ופגמים בתרשים כדי לנתח את ההשפעה, לסכם את העלויות ולבדוק את התאימות.

  • ניתוח נתונים בתחום הבריאות: אפשר לתעד את הקשרים עם המטופלים, את המצבים הרפואיים שלהם, את האבחונים והטיפולים כדי להקל על ניתוח הדמיון בין המטופלים ותכנון הטיפול.

  • ניהול שרשרת אספקה: בהינתן תוכנית לניתוב משלוחים, הערכת מקטעי מסלול כדי לזהות הפרות של כללי המקטעים.

יכולות עיקריות

‫Spanner Graph הוא מסד נתונים מרובה-מודלים שמשלב יכולות של גרפים, יחסים, חיפוש ו-AI. היא מציעה ביצועים גבוהים וגמישות, ומספקת את היתרונות הבאים:

  • חוויית גרף מקורית: ממשק ISO GQL מציע חוויית גרף מוכרת, שנוצרה במיוחד ומבוססת על תקנים פתוחים.

  • פיתוח אפליקציות עם תהליכי עבודה של GraphRAG: Spanner Graph משתלב עם LangChain כדי לעזור לכם לפתח אפליקציות GraphRAG. בעוד ש-RAG (יצירה מוגברת בשליפה) רגיל משתמש בחיפוש וקטורי כדי לספק הקשר למודל שפה גדול (LLM), הוא לא יכול להשתמש ביחסים המרומזים בנתונים שלכם. כדי להתגבר על המגבלה הזו, GraphRAG יוצר גרף מהנתונים שלכם כדי לתעד את הקשרים המורכבים האלה. לאחר מכן, הוא משלב בין חיפוש גרפים (להקשר שמבוסס על קשרים) לבין חיפוש וקטורים (לדמיון סמנטי), ומפיק תשובות מדויקות, רלוונטיות ומלאות יותר מאשר שימוש בכל אחת מהשיטות בנפרד. מידע נוסף זמין במאמר פיתוח אפליקציות מבוססות-LLM באמצעות LangChain. כדי ללמוד איך אפשר להשתמש ב-Spanner Graph עם Vertex AI כדי לבנות תשתית לאפליקציית AI גנרטיבי עם יכולות GraphRAG, אפשר לעיין במאמר תשתית GraphRAG ל-AI גנרטיבי באמצעות Vertex AI ו-Spanner Graph.

  • איחוד של נתונים רלציוניים ונתוני גרף: יכולת פעולה הדדית מלאה בין GQL ל-SQL מאפשרת לפרק את סילו הנתונים. כך תוכלו לבחור את הכלי האופטימלי לכל תרחיש שימוש, בלי עלויות תפעוליות של חילוץ, שינוי וטעינה (ETL).

  • יכולות חיפוש מובנות: יכולות חיפוש וקטורי עשיר וחיפוש טקסט מלא משולבות בתרשים, ומאפשרות לכם להשתמש במשמעות סמנטית ובמילות מפתח בניתוח התרשים.

  • תובנות מבוססות-AI: שילוב עמוק עם Vertex AI מאפשר גישה לחבילה של מודלים של AI ישירות ב-Spanner Graph, ועוזר לכם להאיץ את תהליכי העבודה שלכם עם AI.

  • מדרגיות, זמינות ועקביות: המדרגיות, הזמינות והעקביות המוכחות של Spanner מספקות בסיס מוצק.

המאמרים הבאים