Visão geral
Experiência de gráfico nativo
O Spanner Graph oferece suporte ao Graph Query Language (GQL), os padrões internacionais para bancos de dados de gráficos. Ele oferece uma maneira intuitiva e concisa de combinar padrões, percorrer relações e filtrar resultados em dados de grafos, facilitando a descoberta de relações e insights ocultos.
Modelos relacionais e de gráficos unificados
O Spanner Graph faz a ponte entre os mundos relacional e de gráficos. Ao combinar os pontos fortes do SQL e do GQL, ele permite que analistas e desenvolvedores consultem dados estruturados e conectados em uma única operação. Além disso, o Spanner Graph simplifica a criação de grafos com um esquema declarativo, transformando seus dados relacionais em gráficos ricos e interconectados, prontos para exploração e análise.
Recursos de pesquisa integrados
Os recursos integrados de pesquisa vetorial e de texto completo no Spanner Graph permitem que você ofereça uma nova classe de aplicativos ativados por IA. É possível pesquisar nós e arestas relevantes com base na similaridade semântica usando a pesquisa vetorial ou palavras-chave específicas usando a pesquisa de texto completo, respectivamente, e depois explorar o contexto detalhado que envolve esses elementos usando o grafo.
Escalonabilidade, disponibilidade e consistência líderes do setor
Criado com a escala, a disponibilidade de 99,999% e a consistência inigualáveis do Spanner, o Spanner Graph é a escolha ideal até mesmo para aplicativos de missão crítica. O sharding integrado distribui automaticamente os dados para escalonabilidade horizontal e ajuda a garantir o acesso ininterrupto a dados de grafos essenciais. Ao manter uma visualização consistente de nós e arestas em todo o gráfico, ele elimina o risco de arestas soltas ou outras inconsistências.
Insights com tecnologia de IA
O Spanner Graph está integrado à Vertex AI. Acesse diretamente o amplo pacote de modelos preditivos e generativos da Vertex AI usando a consulta e o esquema do Spanner Graph, que simplificam seu fluxo de trabalho de IA.
Pronto para empresas
O Spanner Graph herda toda a prontidão empresarial do Spanner, oferecendo chaves de criptografia gerenciadas pelo cliente (CMEK, na sigla em inglês), criptografia de camada de dados, Integração com o IAM para acesso e controles e registro de auditoria abrangente. Além disso, ele oferece suporte para VPC-SC, Transparência no acesso e Aprovação de acesso. O controle de acesso refinado permite autorizar o acesso aos dados do Spanner no nível da tabela e da coluna.
Como funciona
Para criar um gráfico, primeiro crie tabelas no Spanner para armazenar entidades e relacionamentos e, em seguida, mapeie as tabelas para um gráfico usando o esquema do gráfico. É possível usar o GQL para consultar o gráfico ou combinar o GQL com o SQL para consultar o gráfico e as tabelas juntos.
Para criar um gráfico, primeiro crie tabelas no Spanner para armazenar entidades e relacionamentos e, em seguida, mapeie as tabelas para um gráfico usando o esquema do gráfico. É possível usar o GQL para consultar o gráfico ou combinar o GQL com o SQL para consultar o gráfico e as tabelas juntos.
Usos comuns
Mapa de informações
Com o Spanner Graph, é possível desenvolver gráficos de informações que capturam as conexões complexas entre entidades, representadas como nós, e as relações delas, representadas como bordas. Essas conexões fornecem mais contexto, tornando os gráficos de conhecimento inestimáveis para o desenvolvimento de sistemas de base de conhecimento e mecanismos de recomendação. Com recursos de pesquisa integrados, você pode combinar perfeitamente a compreensão semântica, a recuperação baseada em palavras-chave e a criação de gráficos para resultados abrangentes.
Tutoriais
Com o Spanner Graph, é possível desenvolver gráficos de informações que capturam as conexões complexas entre entidades, representadas como nós, e as relações delas, representadas como bordas. Essas conexões fornecem mais contexto, tornando os gráficos de conhecimento inestimáveis para o desenvolvimento de sistemas de base de conhecimento e mecanismos de recomendação. Com recursos de pesquisa integrados, você pode combinar perfeitamente a compreensão semântica, a recuperação baseada em palavras-chave e a criação de gráficos para resultados abrangentes.
Mecanismo de recomendação
O Spanner Graph modela naturalmente as relações entre entidades (como usuários, produtos ou amigos), facilitando a navegação pelas conexões e a descoberta de possíveis relações. A pesquisa vetorial e a pesquisa de texto completo integradas permitem recomendações com base na semelhança entre o perfil do usuário, as descrições e as avaliações do produto. Essa combinação permite recomendações altamente relevantes e personalizadas em diversos domínios, tudo no Spanner Graph.
Tutoriais
O Spanner Graph modela naturalmente as relações entre entidades (como usuários, produtos ou amigos), facilitando a navegação pelas conexões e a descoberta de possíveis relações. A pesquisa vetorial e a pesquisa de texto completo integradas permitem recomendações com base na semelhança entre o perfil do usuário, as descrições e as avaliações do produto. Essa combinação permite recomendações altamente relevantes e personalizadas em diversos domínios, tudo no Spanner Graph.
Detecção de fraude financeira
O Spanner Graph modela naturalmente as relações complexas entre entidades financeiras, como contas, transações e indivíduos, facilitando a identificação de padrões e conexões suspeitas que podem indicar atividade fraudulenta. Além disso, a pesquisa vetorial integrada revela conexões ocultas e anomalias no espaço de embedding. Ao combinar essas tecnologias, as instituições financeiras podem criar sistemas abrangentes de detecção de fraudes que identificam ameaças em potencial de forma rápida e precisa, minimizando as perdas.
Tutoriais
O Spanner Graph modela naturalmente as relações complexas entre entidades financeiras, como contas, transações e indivíduos, facilitando a identificação de padrões e conexões suspeitas que podem indicar atividade fraudulenta. Além disso, a pesquisa vetorial integrada revela conexões ocultas e anomalias no espaço de embedding. Ao combinar essas tecnologias, as instituições financeiras podem criar sistemas abrangentes de detecção de fraudes que identificam ameaças em potencial de forma rápida e precisa, minimizando as perdas.
GraphRAG
O Spanner Graph leva a geração aumentada de recuperação (RAG) a um novo nível ao fundamentar os modelos com informações contextuais ricas armazenadas em um gráfico de conhecimento. Enquanto a RAG tradicional fornece aos LLMs blocos de dados extraídos de um documento de origem, o GraphRAG vai além, incluindo as relações com outros conteúdos para facilitar um entendimento e inferência mais abrangentes.
Tutoriais
O Spanner Graph leva a geração aumentada de recuperação (RAG) a um novo nível ao fundamentar os modelos com informações contextuais ricas armazenadas em um gráfico de conhecimento. Enquanto a RAG tradicional fornece aos LLMs blocos de dados extraídos de um documento de origem, o GraphRAG vai além, incluindo as relações com outros conteúdos para facilitar um entendimento e inferência mais abrangentes.
Jogos
Os mundos dos jogos podem ser representados como entidades, como jogadores, personagens, itens e locais, como nós, e as relações entre eles como bordas. Essa estrutura permite a travessia eficiente de conexões, essencial para mecânicas de jogo como busca de caminhos, gerenciamento de inventário e interações sociais. A escalonabilidade do Spanner Graph garante que o banco de dados possa lidar com o fluxo de jogadores durante os horários de pico ou eventos importantes, evitando atrasos e falhas do servidor que interromperiam o jogo e frustrariam os usuários.
Tutoriais
Os mundos dos jogos podem ser representados como entidades, como jogadores, personagens, itens e locais, como nós, e as relações entre eles como bordas. Essa estrutura permite a travessia eficiente de conexões, essencial para mecânicas de jogo como busca de caminhos, gerenciamento de inventário e interações sociais. A escalonabilidade do Spanner Graph garante que o banco de dados possa lidar com o fluxo de jogadores durante os horários de pico ou eventos importantes, evitando atrasos e falhas do servidor que interromperiam o jogo e frustrariam os usuários.
Começar a usar o Spanner Graph
Saiba como usar o Spanner Graph
Crie uma instância de 90 dias do Spanner gratuitamente
Apresentação do Spanner Graph: bancos de dados de gráficos reimaginados
Conheça os recursos de gráfico
Saiba mais sobre o Spanner
Caso de negócios
"No Credit Karma, a segurança dos dados dos mais de 130 milhões de membros é nossa prioridade. Para combater e eliminar a fraude nos nossos sistemas, fizemos uma parceria com o Google para melhorar nossos recursos de mitigação de fraude com a implementação do banco de dados do Spanner Graph do Google. Com esse recurso avançado da plataforma, podemos detectar possíveis ameaças de fraude antes que elas aconteçam. Com o Spanner Graph, detectamos e impedimos de maneira eficaz transações fraudulentas, invasões de contas e outras atividades fraudulentas. " – Credit Karma
Entre em contatoBenefícios em destaque
Melhore seus aplicativos de IA generativa com a inteligência baseada no mapa de informações.
Descubra conexões e relações ocultas nos seus dados.
Simplifique as operações com um único banco de dados unificado, integrando recursos relacionais, de gráficos, de pesquisa e de chave-valor.
Redes sociais
Indivíduos, grupos, interesses e interações podem ser representados como nós e arestas para uma análise eficiente de conexões e a descoberta de padrões, como amigos em comum, interesses compartilhados ou participações em grupos sobrepostas. Esses insights podem ser usados para gerar recomendações personalizadas de amigos e conteúdo, além de segmentação de anúncios. Além disso, a pesquisa de texto completo integrada permite encontrar pessoas, grupos, postagens ou tópicos específicos com facilidade usando consultas de linguagem natural.
Tutoriais
Indivíduos, grupos, interesses e interações podem ser representados como nós e arestas para uma análise eficiente de conexões e a descoberta de padrões, como amigos em comum, interesses compartilhados ou participações em grupos sobrepostas. Esses insights podem ser usados para gerar recomendações personalizadas de amigos e conteúdo, além de segmentação de anúncios. Além disso, a pesquisa de texto completo integrada permite encontrar pessoas, grupos, postagens ou tópicos específicos com facilidade usando consultas de linguagem natural.