Información general
Experiencia nativa de gráficos
Spanner Graph es compatible con Graph Query Language (GQL), los nuevos estándares internacionales para bases de datos de gráficos. Ofrece una forma intuitiva y concisa de comparar patrones, transferir relaciones y filtrar resultados en datos de gráficos, lo que facilita la detección de relaciones y estadísticas ocultas.
Modelos relacionales y de gráficos unificados
Spanner Graph une los mundos de los datos relacionales y de gráficos. Al combinar los puntos fuertes de SQL y GQL, permite a los analistas y desarrolladores consultar datos estructurados y conectados en una sola operación. Además, Spanner Graph simplifica la creación de gráficos con un esquema declarativo, que transforma tus datos relacionales en gráficos ricos e interconectados, listos para explorarlos y analizarlos.
Funciones de búsqueda integradas
Las funciones de búsqueda en todo el texto y de búsqueda vectorial integradas en Spanner Graph te permiten ofrecer una nueva clase de aplicaciones basadas en IA. Puedes buscar nodos y ramas relevantes según la similitud semántica mediante la búsqueda vectorial o palabras clave específicas mediante la búsqueda de texto completo, y luego explorar el contexto que rodea a estos elementos mediante el gráfico.
Escalabilidad, disponibilidad y coherencia líderes en el sector
Gracias a la escalabilidad inigualable, la disponibilidad del 99,999 % y la coherencia de Spanner, Spanner Graph es una opción ideal incluso para aplicaciones esenciales. La fragmentación integrada distribuye automáticamente los datos para ofrecer escalabilidad horizontal y asegurar un acceso ininterrumpido a los datos de gráficos esenciales. Al mantener una vista coherente de los nodos y las aristas en todo el gráfico, se elimina el riesgo de que haya ramas colgantes u otras incoherencias.
Información valiosa basada en IA
Spanner Graph se integra con Vertex AI. Puedes acceder directamente al amplio paquete de modelos predictivos y generativos de Vertex AI a través de la consulta y el esquema de Spanner Graph, que optimizan tu flujo de trabajo de IA.
Preparado para el ámbito empresarial
Spanner Graph hereda toda la preparación para empresas de Spanner, ofreciendo claves de encriptado gestionadas por el cliente (CMEK), encriptado de capa de datos, integración de gestión de identidades y accesos para acceso y controles, y registros de auditoría exhaustivos. Además, es compatible con VPC-SC, Transparencia de acceso y Aprobación de acceso. Además, el control de acceso pormenorizado te permite autorizar el acceso a los datos de Spanner a nivel de tabla y de columna.
Cómo funciona
Para crear un gráfico, primero crea tablas en Spanner para almacenar entidades y relaciones, y, después, asigna las tablas a un gráfico mediante el esquema de gráfico. Puedes usar GQL para consultar el gráfico o combinar GQL con SQL para consultar el gráfico y las tablas a la vez.
Para crear un gráfico, primero crea tablas en Spanner para almacenar entidades y relaciones, y, después, asigna las tablas a un gráfico mediante el esquema de gráfico. Puedes usar GQL para consultar el gráfico o combinar GQL con SQL para consultar el gráfico y las tablas a la vez.
Usos habituales
Gráfico de conocimiento
Spanner Graph te permite desarrollar gráficos de conocimiento que capturen las complejas conexiones entre entidades, representadas como nodos, y sus relaciones, representadas como aristas. Estas conexiones proporcionan contexto enriquecido, lo que hace que los gráficos de conocimiento sean muy útiles para desarrollar sistemas de base de conocimientos y motores de recomendaciones. Con las funciones de búsqueda integradas, puedes combinar a la perfección la comprensión semántica, la recuperación basada en palabras clave y los gráficos para obtener resultados exhaustivos.
Instrucciones
Spanner Graph te permite desarrollar gráficos de conocimiento que capturen las complejas conexiones entre entidades, representadas como nodos, y sus relaciones, representadas como aristas. Estas conexiones proporcionan contexto enriquecido, lo que hace que los gráficos de conocimiento sean muy útiles para desarrollar sistemas de base de conocimientos y motores de recomendaciones. Con las funciones de búsqueda integradas, puedes combinar a la perfección la comprensión semántica, la recuperación basada en palabras clave y los gráficos para obtener resultados exhaustivos.
Motor de recomendaciones
Spanner Graph modela de forma natural las relaciones entre entidades (como usuarios, productos o amigos), lo que facilita la navegación por las conexiones y la detección de posibles relaciones. La búsqueda vectorial y la búsqueda en todo el texto integradas permiten ofrecer recomendaciones basadas en la similitud entre el perfil de usuario de un producto, las descripciones de los productos y las reseñas. Esta combinación permite ofrecer recomendaciones muy relevantes y personalizadas en diversos dominios, todo ello en Spanner Graph.
Instrucciones
Spanner Graph modela de forma natural las relaciones entre entidades (como usuarios, productos o amigos), lo que facilita la navegación por las conexiones y la detección de posibles relaciones. La búsqueda vectorial y la búsqueda en todo el texto integradas permiten ofrecer recomendaciones basadas en la similitud entre el perfil de usuario de un producto, las descripciones de los productos y las reseñas. Esta combinación permite ofrecer recomendaciones muy relevantes y personalizadas en diversos dominios, todo ello en Spanner Graph.
Detección de fraudes financieros
Spanner Graph representa de forma natural las complejas relaciones entre entidades financieras, como cuentas, transacciones e individuos, lo que facilita la identificación de patrones y conexiones sospechosos que podrían indicar actividad fraudulenta. Además, la búsqueda de vectores integrada revela conexiones ocultas y anomalías en el espacio de inserción. Al combinar estas tecnologías, las instituciones financieras pueden crear sistemas de detección de fraudes exhaustivos que pueden identificar amenazas potenciales de forma rápida y precisa, lo que minimiza las pérdidas.
Instrucciones
Spanner Graph representa de forma natural las complejas relaciones entre entidades financieras, como cuentas, transacciones e individuos, lo que facilita la identificación de patrones y conexiones sospechosos que podrían indicar actividad fraudulenta. Además, la búsqueda de vectores integrada revela conexiones ocultas y anomalías en el espacio de inserción. Al combinar estas tecnologías, las instituciones financieras pueden crear sistemas de detección de fraudes exhaustivos que pueden identificar amenazas potenciales de forma rápida y precisa, lo que minimiza las pérdidas.
GraphRAG
Spanner Graph lleva la generación aumentada de recuperación (RAG) al siguiente nivel al fundamentar los modelos básicos con información contextual rica almacenada en un gráfico de conocimiento. Mientras que los RAG tradicionales proporcionan a los LLM fragmentos de datos extraídos de un documento fuente, GraphRAG va un paso más allá e incluye las relaciones con otros contenidos para facilitar una comprensión e inferencia más completas.
Instrucciones
Spanner Graph lleva la generación aumentada de recuperación (RAG) al siguiente nivel al fundamentar los modelos básicos con información contextual rica almacenada en un gráfico de conocimiento. Mientras que los RAG tradicionales proporcionan a los LLM fragmentos de datos extraídos de un documento fuente, GraphRAG va un paso más allá e incluye las relaciones con otros contenidos para facilitar una comprensión e inferencia más completas.
Videojuegos
Los mundos de los videojuegos se pueden representar como entidades (como jugadores, personajes, objetos y ubicaciones) en forma de nodos, y las relaciones entre ellos, como ramas. Esta estructura permite recorrer las conexiones de forma eficiente, lo que es esencial para las mecánicas del videouego, como el cálculo de rutas, la gestión de inventarios y las interacciones sociales. La escalabilidad de Spanner Graph garantiza que la base de datos pueda gestionar el flujo de jugadores durante las horas punta o los eventos importantes, evitando los retrasos y los fallos del servidor que podrían interrumpir la partida y frustrar a los usuarios.
Instrucciones
Los mundos de los videojuegos se pueden representar como entidades (como jugadores, personajes, objetos y ubicaciones) en forma de nodos, y las relaciones entre ellos, como ramas. Esta estructura permite recorrer las conexiones de forma eficiente, lo que es esencial para las mecánicas del videouego, como el cálculo de rutas, la gestión de inventarios y las interacciones sociales. La escalabilidad de Spanner Graph garantiza que la base de datos pueda gestionar el flujo de jugadores durante las horas punta o los eventos importantes, evitando los retrasos y los fallos del servidor que podrían interrumpir la partida y frustrar a los usuarios.
Empezar a usar Spanner Graph
Más información sobre cómo usar Spanner Graph
Crear una instancia de Spanner de 90 días de forma gratuita
Presentamos Spanner Graph: reimaginamos las bases de datos gráficas
Explorar las funciones de gráficos
Más información sobre Spanner
Caso de negocio
"En Credit Karma, nuestra máxima prioridad es garantizar la seguridad de los datos de nuestros más de 130 millones de usuarios. Para combatir y eliminar el fraude en nuestros sistemas, nos hemos asociado con Google para mejorar nuestras funciones de mitigación de fraude mediante la implementación de la base de datos Spanner Graph de Google Spanner. Esta función avanzada de la plataforma nos permite detectar posibles amenazas de fraude antes de que ocurran. Con Spanner Graph, detectamos y evitamos de forma eficaz las transacciones fraudulentas, la apropiación fraudulenta y otras actividades fraudulentas. " - Credit Karma
Contacta con nosotrosVentajas destacadas
Mejora tus aplicaciones de IA generativa con la inteligencia basada en gráficos de conocimiento.
Descubre conexiones y relaciones ocultas en tus datos.
Optimiza las operaciones con una única base de datos unificada que integra funciones relacionales, de gráficos, de búsqueda y de clave-valor.
Redes sociales
Las personas, los grupos, los intereses y las interacciones se pueden representar como nodos y ramas para analizar las conexiones de forma eficiente y descubrir patrones como amigos comunes, intereses compartidos o pertenencia a grupos superpuestos. Esta información se puede aprovechar para generar recomendaciones personalizadas de amigos y contenido, así como para la segmentación de anuncios. Además, la búsqueda de texto completo integrada te permite encontrar fácilmente personas, grupos, entradas o temas específicos mediante consultas en lenguaje natural.
Instrucciones
Las personas, los grupos, los intereses y las interacciones se pueden representar como nodos y ramas para analizar las conexiones de forma eficiente y descubrir patrones como amigos comunes, intereses compartidos o pertenencia a grupos superpuestos. Esta información se puede aprovechar para generar recomendaciones personalizadas de amigos y contenido, así como para la segmentación de anuncios. Además, la búsqueda de texto completo integrada te permite encontrar fácilmente personas, grupos, entradas o temas específicos mediante consultas en lenguaje natural.