Présentation
Expérience de graphes native
Spanner Graph est compatible avec le langage GQL (Graph Query Language) ISO, la norme internationale pour les bases de données de graphes. Il offre un moyen intuitif et concis de faire correspondre des modèles, de parcourir des relations et de filtrer des résultats dans les données de graphes, ce qui facilite la découverte de relations et d'insights cachés.
Modèles relationnels et graphes unifiés
Spanner Graph fait le lien entre les mondes relationnel et non relationnel. En combinant les atouts de SQL et de GQL, il permet aux analystes et aux développeurs d'interroger des données structurées et connectées en une seule opération. De plus, Spanner Graph simplifie la création de graphes grâce à un schéma déclaratif, en transformant vos données relationnelles en graphes riches et interconnectés, prêts à être explorés et analysés.
Fonctionnalités de recherche intégrées
Les fonctionnalités de recherche en texte intégral et vectorielle intégrées à Spanner Graph vous permettent de proposer une nouvelle classe d'applications optimisées par l'IA. Vous pouvez rechercher des nœuds et des arêtes pertinents en fonction de la similarité sémantique à l'aide de la recherche vectorielle ou de mots clés spécifiques à l'aide de la recherche en texte intégral, puis explorer le contexte riche entourant ces éléments à l'aide du graphe.
Évolutivité, disponibilité et cohérence parmi les meilleures du secteur
Basé sur l'évolutivité inégalée, la disponibilité de 99,999 % et la cohérence de Spanner, Spanner Graph est un choix idéal, même pour les applications critiques. La segmentation intégrée distribue automatiquement les données pour permettre l'évolutivité horizontale et contribue à assurer un accès ininterrompu aux données de graphes critiques. En maintenant une vue cohérente des nœuds et des arêtes dans l'ensemble du graphe, il élimine le risque d'arêtes suspendues ou d'autres incohérences.
Insights optimisés par l'IA
Spanner Graph est intégré à Vertex AI. Vous pouvez accéder directement à la vaste suite de modèles prédictifs et génératifs de Vertex AI via le schéma et la requête Spanner Graph, ce qui simplifie votre workflow d'IA.
Une solution adaptée aux entreprises
Spanner Graph hérite de toutes les fonctionnalités de Spanner pour les entreprises, telles que les clés de chiffrement gérées par le client (CMEK), le chiffrement de la couche de données, l'intégration avec IAM pour le contrôle des accès, et les journaux d'audit complets. De plus, il est compatible avec VPC-SC, Access Transparency et Access Approval. En outre, le contrôle des accès ultraprécis vous permet d'autoriser l'accès aux données Spanner au niveau des tables et des colonnes.
Fonctionnement
Pour créer un graphe, commencez par créer des tables dans Spanner pour stocker les entités et les relations, puis mappez les tables à un graphe à l'aide du schéma de graphe. Vous pouvez utiliser GQL pour interroger le graphe, ou combiner GQL et SQL pour interroger le graphe et les tables simultanément.
Pour créer un graphe, commencez par créer des tables dans Spanner pour stocker les entités et les relations, puis mappez les tables à un graphe à l'aide du schéma de graphe. Vous pouvez utiliser GQL pour interroger le graphe, ou combiner GQL et SQL pour interroger le graphe et les tables simultanément.
Utilisations courantes
Knowledge Graph
Avec Spanner Graph, vous pouvez développer des Knowledge Graphs qui capturent les connexions complexes entre les entités, représentées par des nœuds, et leurs relations, représentées par des arêtes. Ces connexions fournissent un contexte riche, ce qui fait des Knowledge Graphs un outil précieux pour développer des systèmes de base de connaissances et des moteurs de recommandations. Grâce aux fonctionnalités de recherche intégrées, vous pouvez combiner facilement la compréhension sémantique, la récupération basée sur des mots clés et les graphiques pour obtenir des résultats complets.
Guides pratiques
Avec Spanner Graph, vous pouvez développer des Knowledge Graphs qui capturent les connexions complexes entre les entités, représentées par des nœuds, et leurs relations, représentées par des arêtes. Ces connexions fournissent un contexte riche, ce qui fait des Knowledge Graphs un outil précieux pour développer des systèmes de base de connaissances et des moteurs de recommandations. Grâce aux fonctionnalités de recherche intégrées, vous pouvez combiner facilement la compréhension sémantique, la récupération basée sur des mots clés et les graphiques pour obtenir des résultats complets.
Moteur de recommandations
Spanner Graph modélise naturellement les relations entre les entités (comme les utilisateurs, les produits ou les amis), ce qui permet de parcourir facilement les connexions et de découvrir des relations potentielles. La recherche vectorielle et la recherche en texte intégral intégrées permettent de proposer des recommandations basées sur la similarité, en fonction du profil utilisateur, des descriptions et des avis sur les produits. Cette combinaison permet de proposer des recommandations très pertinentes et personnalisées dans différents domaines, le tout dans Spanner Graph.
Guides pratiques
Spanner Graph modélise naturellement les relations entre les entités (comme les utilisateurs, les produits ou les amis), ce qui permet de parcourir facilement les connexions et de découvrir des relations potentielles. La recherche vectorielle et la recherche en texte intégral intégrées permettent de proposer des recommandations basées sur la similarité, en fonction du profil utilisateur, des descriptions et des avis sur les produits. Cette combinaison permet de proposer des recommandations très pertinentes et personnalisées dans différents domaines, le tout dans Spanner Graph.
Détection de fraudes financières
Spanner Graph modélise naturellement les relations complexes entre les entités financières telles que les comptes, les transactions et les personnes, ce qui permet d'identifier plus facilement les modèles et les connexions suspects qui pourraient signaler une activité frauduleuse. De plus, la recherche vectorielle intégrée révèle les connexions cachées et les anomalies dans l'espace d'encodage. En combinant ces technologies, les établissements financiers peuvent créer des systèmes de détection de la fraude complets, capables d'identifier rapidement et précisément les menaces potentielles, et ainsi de minimiser les pertes.
Guides pratiques
Spanner Graph modélise naturellement les relations complexes entre les entités financières telles que les comptes, les transactions et les personnes, ce qui permet d'identifier plus facilement les modèles et les connexions suspects qui pourraient signaler une activité frauduleuse. De plus, la recherche vectorielle intégrée révèle les connexions cachées et les anomalies dans l'espace d'encodage. En combinant ces technologies, les établissements financiers peuvent créer des systèmes de détection de la fraude complets, capables d'identifier rapidement et précisément les menaces potentielles, et ainsi de minimiser les pertes.
GraphRAG
Spanner Graph fait passer la génération augmentée par récupération (RAG) à la vitesse supérieure en ancrant les modèles de fondation dans des informations contextuelles riches stockées dans un Knowledge Graph. Alors que la RAG traditionnelle fournit aux LLM des extraits de données d'un document source, GraphRAG va plus loin en incluant les relations avec d'autres contenus pour faciliter une compréhension et une inférence plus complètes.
Guides pratiques
Spanner Graph fait passer la génération augmentée par récupération (RAG) à la vitesse supérieure en ancrant les modèles de fondation dans des informations contextuelles riches stockées dans un Knowledge Graph. Alors que la RAG traditionnelle fournit aux LLM des extraits de données d'un document source, GraphRAG va plus loin en incluant les relations avec d'autres contenus pour faciliter une compréhension et une inférence plus complètes.
Jeux vidéo
Les mondes de jeu peuvent être représentés par des entités telles que les joueurs, les personnages, les objets et les lieux, sous forme de nœuds, et les relations entre eux sous forme d'arêtes. Cette structure permet de parcourir efficacement les connexions, ce qui est essentiel pour les mécanismes de jeu tels que la recherche d'itinéraire, la gestion de l'inventaire et les interactions sociales. L'évolutivité de Spanner Graph permet à la base de données de gérer l'afflux de joueurs pendant les périodes de pointe ou les événements majeurs, et d'éviter les retards et les plantages de serveur qui perturbent le jeu et frustrent les utilisateurs.
Guides pratiques
Les mondes de jeu peuvent être représentés par des entités telles que les joueurs, les personnages, les objets et les lieux, sous forme de nœuds, et les relations entre eux sous forme d'arêtes. Cette structure permet de parcourir efficacement les connexions, ce qui est essentiel pour les mécanismes de jeu tels que la recherche d'itinéraire, la gestion de l'inventaire et les interactions sociales. L'évolutivité de Spanner Graph permet à la base de données de gérer l'afflux de joueurs pendant les périodes de pointe ou les événements majeurs, et d'éviter les retards et les plantages de serveur qui perturbent le jeu et frustrent les utilisateurs.
Premiers pas avec Spanner Graph
Découvrez comment utiliser Spanner Graph
Créer une instance Spanner gratuite pendant 90 jours
Présentation de Spanner Graph : les bases de données graphiques réinventées
Explorer les fonctionnalités des graphes
En savoir plus sur Spanner
Cas d'utilisation métier
"Chez Credit Karma, la sécurité des données de nos plus de 130 millions de membres est notre priorité absolue. Pour lutter contre la fraude et l'éliminer de nos systèmes, nous avons collaboré avec Google afin d'améliorer nos capacités de lutte contre la fraude en implémentant la base de données Google Spanner Graph. Cette fonctionnalité avancée de la plate-forme nous permet de détecter les menaces de fraude potentielles avant qu'elles ne se produisent. Avec Spanner Graph, nous détectons et empêchons efficacement les transactions frauduleuses, les prises de contrôle de compte et d'autres activités frauduleuses. " - Credit Karma
Nous contacterPrincipaux avantages
Améliorez vos applications d'IA générative avec l'intelligence basée sur les graphes de connaissances.
Découvrez les relations et les connexions cachées dans vos données.
Simplifiez vos opérations avec une base de données unifiée unique qui intègre des fonctionnalités relationnelles, de graphes, de recherche et de clé-valeur.
Réseaux sociaux
Les personnes, les groupes, les centres d'intérêt et les interactions peuvent être représentés sous forme de nœuds et d'arêtes pour une analyse efficace des liens et la découverte de modèles tels que des amis communs, des centres d'intérêt partagés ou des appartenances à des groupes qui se chevauchent. Ces insights peuvent ensuite être exploités pour générer des recommandations personnalisées de contenus et d'amis, ainsi que pour le ciblage publicitaire. De plus, la recherche full text intégrée vous permet de trouver facilement des personnes, des groupes, des posts ou des sujets spécifiques à l'aide de requêtes en langage naturel.
Guides pratiques
Les personnes, les groupes, les centres d'intérêt et les interactions peuvent être représentés sous forme de nœuds et d'arêtes pour une analyse efficace des liens et la découverte de modèles tels que des amis communs, des centres d'intérêt partagés ou des appartenances à des groupes qui se chevauchent. Ces insights peuvent ensuite être exploités pour générer des recommandations personnalisées de contenus et d'amis, ainsi que pour le ciblage publicitaire. De plus, la recherche full text intégrée vous permet de trouver facilement des personnes, des groupes, des posts ou des sujets spécifiques à l'aide de requêtes en langage naturel.