Überblick
Native Graph-Umgebung
Spanner Graph unterstützt die ISO Graph Query Language (GQL), den internationalen Standard für Grafikdatenbanken. Sie bietet eine intuitive und präzise Möglichkeit, Muster abzugleichen, Beziehungen zu durchsuchen und Ergebnisse in Grafikdaten zu filtern, sodass verborgene Beziehungen und Erkenntnisse leichter aufgedeckt werden können.
Vereinheitlichte relationale und Graphmodelle
Spanner Graph verbindet relationale Darstellungen und Graphen. Durch die Kombination der Stärken von SQL und GQL können Analysten und Entwickler strukturierte und verknüpfte Daten in einem einzigen Vorgang abfragen. Darüber hinaus vereinfacht Spanner Graph die Erstellung von Grafiken mit einem deklarativen Schema und wandelt Ihre relationalen Daten in komplexe, miteinander verbundene Graphen um, die sich leicht untersuchen und analysieren lassen.
Integrierte Suchfunktionen
Die integrierten Funktionen für Volltext- und Vektorsuchen in Spanner Graph ermöglichen es Ihnen, eine neue Klasse von KI-gestützten Anwendungen bereitzustellen. Sie können nach relevanten Knoten und Edges suchen, entweder basierend auf semantischer Ähnlichkeit mithilfe der Vektorsuche oder basierend auf bestimmten Keywords mithilfe der Volltextsuche. Anschließend können Sie den weiteren Kontext dieser Elemente mithilfe von Graph untersuchen.
Branchenführende Skalierbarkeit, Verfügbarkeit und Konsistenz
Aufgrund der unübertroffenen Skalierbarkeit, Verfügbarkeit (99,999 %) und Konsistenz von Spanner ist Spanner Graph die ideale Wahl – selbst für geschäftskritische Anwendungen. Integriertes Sharding verteilt Daten automatisch für horizontale Skalierbarkeit und sorgt für einen ununterbrochenen Zugriff auf kritische Graphdaten. Durch die Aufrechterhaltung einer konsistenten Ansicht von Knoten und Kanten im gesamten Graphen wird das Risiko von überhängenden Kanten oder anderen Inkonsistenzen eliminiert.
KI-basierte Insights
Spanner Graph ist in Vertex AI eingebunden. Sie können über das Spanner Graph-Schema und die Abfrage direkt auf die umfassende Suite von prädiktiven und generativen Modelle von Vertex AI zugreifen, die Ihren KI-Workflow optimieren.
Enterpriseklasse
Spanner Graph übernimmt die gesamte Unternehmensbereitschaft von Spanner und bietet kundenseitig verwaltete Verschlüsselungsschlüssel (Customer-Managed Encryption Keys, CMEK), Verschlüsselung auf Datenebene, IAM-Einbindung für Zugriff und Kontrolle sowie ein umfassendes Audit-Logging. Außerdem werden VPC-SC, Access Transparency und Zugriffsgenehmigung unterstützt. Mit der detaillierten Zugriffssteuerung können Sie außerdem den Zugriff auf Spanner-Daten auf Tabellen- und Spaltenebene autorisieren.
Funktionsweise
Zum Erstellen eines Diagramms generieren Sie zuerst Tabellen in Spanner, um Entitäten und Beziehungen zu speichern. Dann ordnen Sie die Tabellen mithilfe des Diagrammschemas einem Diagramm zu. Sie können GQL verwenden, um die Grafik abzufragen, oder GQL mit SQL kombinieren, um Grafik und Tabellen zusammen abzufragen.
Zum Erstellen eines Diagramms generieren Sie zuerst Tabellen in Spanner, um Entitäten und Beziehungen zu speichern. Dann ordnen Sie die Tabellen mithilfe des Diagrammschemas einem Diagramm zu. Sie können GQL verwenden, um die Grafik abzufragen, oder GQL mit SQL kombinieren, um Grafik und Tabellen zusammen abzufragen.
Gängige Einsatzmöglichkeiten
Knowledge Graph
Mit Cloud Spanner Graph können Sie Knowledge Graphs entwickeln, die die komplexen Verbindungen zwischen Entitäten in Form von Knoten und deren Beziehungen als Kanten erfassen. Diese Verbindungen liefern einen umfassenden Kontext, wodurch Wissensgraphen für die Entwicklung von Wissensdatenbanksystemen und Empfehlungssystemen von unschätzbarem Wert sind. Mit integrierten Suchfunktionen können Sie semantisches Verständnis, stichwortbasiertes Abrufen und Graph nahtlos kombinieren, um umfassende Ergebnisse zu erhalten.
Anleitungen
Mit Cloud Spanner Graph können Sie Knowledge Graphs entwickeln, die die komplexen Verbindungen zwischen Entitäten in Form von Knoten und deren Beziehungen als Kanten erfassen. Diese Verbindungen liefern einen umfassenden Kontext, wodurch Wissensgraphen für die Entwicklung von Wissensdatenbanksystemen und Empfehlungssystemen von unschätzbarem Wert sind. Mit integrierten Suchfunktionen können Sie semantisches Verständnis, stichwortbasiertes Abrufen und Graph nahtlos kombinieren, um umfassende Ergebnisse zu erhalten.
Empfehlungssystem
Spanner Graph modelliert auf natürliche Weise Beziehungen zwischen Entitäten (wie Nutzern, Produkten oder Freunden), wodurch es einfach ist, Verbindungen zu durchsuchen und potenzielle Beziehungen aufzudecken. Die integrierte Vektor- und Volltextsuche ermöglicht auf Ähnlichkeiten basierende Empfehlungen basierend auf Produktnutzerprofilen, Produktbeschreibungen und Rezensionen. Diese Kombination ermöglicht hochrelevante und personalisierte Empfehlungen in verschiedenen Bereichen, alles innerhalb von Spanner Graph.
Anleitungen
Spanner Graph modelliert auf natürliche Weise Beziehungen zwischen Entitäten (wie Nutzern, Produkten oder Freunden), wodurch es einfach ist, Verbindungen zu durchsuchen und potenzielle Beziehungen aufzudecken. Die integrierte Vektor- und Volltextsuche ermöglicht auf Ähnlichkeiten basierende Empfehlungen basierend auf Produktnutzerprofilen, Produktbeschreibungen und Rezensionen. Diese Kombination ermöglicht hochrelevante und personalisierte Empfehlungen in verschiedenen Bereichen, alles innerhalb von Spanner Graph.
Erkennung von Finanzbetrug
Spanner Graph modelliert auf natürliche Weise die komplexen Beziehungen zwischen Finanzentitäten, darunter Konten, Transaktionen und Einzelpersonen. So lassen sich verdächtige Muster und Verbindungen leichter erkennen, die auf betrügerische Aktivitäten hindeuten könnten. Außerdem deckt die integrierte Vektorsuche verborgene Verbindungen und Anomalien im Einbettungsraum auf. Durch die Kombination dieser Technologien können Finanzinstitute umfassende Betrugserkennungssysteme schaffen, die potenzielle Bedrohungen schnell und genau erkennen und Verluste minimieren.
Anleitungen
Spanner Graph modelliert auf natürliche Weise die komplexen Beziehungen zwischen Finanzentitäten, darunter Konten, Transaktionen und Einzelpersonen. So lassen sich verdächtige Muster und Verbindungen leichter erkennen, die auf betrügerische Aktivitäten hindeuten könnten. Außerdem deckt die integrierte Vektorsuche verborgene Verbindungen und Anomalien im Einbettungsraum auf. Durch die Kombination dieser Technologien können Finanzinstitute umfassende Betrugserkennungssysteme schaffen, die potenzielle Bedrohungen schnell und genau erkennen und Verluste minimieren.
GraphRAG
Spanner Graph hebt die Retrieval-Augmented Generation (RAG) auf eine ganz neue Ebene. Dazu werden Foundation Models auf umfassende, in einem Knowledge Graph gespeicherte Kontextinformationen gestützt. Während die herkömmliche RAG LLMs Datenblöcke zur Verfügung stellt, die aus einem Quelldokument extrahiert wurden, geht GraphRAG einen Schritt weiter und bezieht die Beziehungen zu anderen Inhalten ein, um ein umfassenderes Verständnis und eine umfassendere Inferenz zu ermöglichen.
Anleitungen
Spanner Graph hebt die Retrieval-Augmented Generation (RAG) auf eine ganz neue Ebene. Dazu werden Foundation Models auf umfassende, in einem Knowledge Graph gespeicherte Kontextinformationen gestützt. Während die herkömmliche RAG LLMs Datenblöcke zur Verfügung stellt, die aus einem Quelldokument extrahiert wurden, geht GraphRAG einen Schritt weiter und bezieht die Beziehungen zu anderen Inhalten ein, um ein umfassenderes Verständnis und eine umfassendere Inferenz zu ermöglichen.
Netzwerkvorgänge
Spanner Graph ist eine ausgezeichnete Wahl für die Modellierung großer, komplexer Netzwerke. Telekommunikationsanbieter können verschiedene Bereiche globaler Netzwerke oder das gesamte Netzwerk als digitalen Zwilling modellieren. Dieser stellt die komplexen Beziehungen innerhalb der Netzwerkinfrastruktur eines Telekommunikationsunternehmens dar, darunter Geräte, Verbindungen, Abhängigkeiten, Geschäftsprozesse und Dienstkonfigurationen. Dies kann bei Netzwerküberwachung, Fehlererkennung, Ursachenanalyse und Kapazitätsplanung hilfreich sein.
In Kombination mit BigQuery, Vertex AI und multimodalen KI-Modellen von Gemini können Kunden außerdem eine schnelle Vorfallanalyse, den Abruf historischer Kontexte und einen optimierten Zugriff auf die Dokumentation von Anbietern ermöglichen, um Probleme schneller zu lösen.
Anleitungen
Spanner Graph ist eine ausgezeichnete Wahl für die Modellierung großer, komplexer Netzwerke. Telekommunikationsanbieter können verschiedene Bereiche globaler Netzwerke oder das gesamte Netzwerk als digitalen Zwilling modellieren. Dieser stellt die komplexen Beziehungen innerhalb der Netzwerkinfrastruktur eines Telekommunikationsunternehmens dar, darunter Geräte, Verbindungen, Abhängigkeiten, Geschäftsprozesse und Dienstkonfigurationen. Dies kann bei Netzwerküberwachung, Fehlererkennung, Ursachenanalyse und Kapazitätsplanung hilfreich sein.
In Kombination mit BigQuery, Vertex AI und multimodalen KI-Modellen von Gemini können Kunden außerdem eine schnelle Vorfallanalyse, den Abruf historischer Kontexte und einen optimierten Zugriff auf die Dokumentation von Anbietern ermöglichen, um Probleme schneller zu lösen.
Gaming
Spielwelten können als Entitäten wie Spieler, Charaktere, Gegenstände und Orte als Knoten, Beziehungen zwischen ihnen können als Kanten dargestellt werden. Diese Struktur ermöglicht ein effizientes Durchlaufen von Verbindungen, was für Spielmechaniken wie die Wegfindung, die Inventarverwaltung und soziale Interaktionen unerlässlich ist. Die Skalierbarkeit von Spanner Graph sorgt dafür, dass die Datenbank auch bei Spitzenzeiten oder großen Events den Ansturm der Spieler bewältigen kann. So werden Verzögerungen und Serverabstürze vermieden, die das Gameplay stören und die Nutzer frustrieren würden.
Anleitungen
Spielwelten können als Entitäten wie Spieler, Charaktere, Gegenstände und Orte als Knoten, Beziehungen zwischen ihnen können als Kanten dargestellt werden. Diese Struktur ermöglicht ein effizientes Durchlaufen von Verbindungen, was für Spielmechaniken wie die Wegfindung, die Inventarverwaltung und soziale Interaktionen unerlässlich ist. Die Skalierbarkeit von Spanner Graph sorgt dafür, dass die Datenbank auch bei Spitzenzeiten oder großen Events den Ansturm der Spieler bewältigen kann. So werden Verzögerungen und Serverabstürze vermieden, die das Gameplay stören und die Nutzer frustrieren würden.
Anwendungsszenario
„Für uns bei Credit Karma hat der Schutz der Daten unserer über 130 Millionen Mitglieder oberste Priorität. Um Betrug in unseren Systemen zu bekämpfen und auszuschließen, haben wir uns mit Google zusammengetan, um unsere Funktionen zur Betrugsbekämpfung durch die Implementierung der Google Spanner Graph Database zu verbessern. Diese erweiterte Plattformfunktion ermöglicht es uns, potenzielle Betrugsbedrohungen zu erkennen, bevor sie auftreten. Mit Spanner Graph können wir betrügerische Transaktionen, Kontoübernahmen und andere betrügerische Aktivitäten effektiv erkennen und verhindern. " - Credit Karma
Interessante Vorteile
Optimieren Sie Ihre generativen KI-Anwendungen über Knowledge Graph-gestützte EInsichten.
Verborgene Verbindungen und Beziehungen in Ihren Daten aufdecken
Optimieren Sie Abläufe mit einer einzigen einheitlichen Datenbank, die relationale, Graph-, Such- und Schlüssel/Wert-Funktionen integriert.
Soziale Netzwerke
Individuen, Gruppen, Interessen und Interaktionen können als Knoten und Kanten dargestellt werden, um Verbindungen effizient zu analysieren und Muster zu erkennen, z. B. gemeinsame Freunde, gemeinsame Interessen oder überlappende Gruppenmitgliedschaften. Anhand dieser Informationen lassen sich personalisierte Empfehlungen für Freunde und Inhalte sowie für das Anzeigen-Targeting generieren. Außerdem können Sie mit der integrierten Volltextsuche in natürlicher Sprache nach Personen, Gruppen, Beiträgen oder bestimmten Themen suchen.
Informationen zur Verwendung von Spanner bei Snapchat
Anleitungen
Individuen, Gruppen, Interessen und Interaktionen können als Knoten und Kanten dargestellt werden, um Verbindungen effizient zu analysieren und Muster zu erkennen, z. B. gemeinsame Freunde, gemeinsame Interessen oder überlappende Gruppenmitgliedschaften. Anhand dieser Informationen lassen sich personalisierte Empfehlungen für Freunde und Inhalte sowie für das Anzeigen-Targeting generieren. Außerdem können Sie mit der integrierten Volltextsuche in natürlicher Sprache nach Personen, Gruppen, Beiträgen oder bestimmten Themen suchen.
Informationen zur Verwendung von Spanner bei Snapchat