Überblick
Native Grafik
Spanner Graph unterstützt die ISO Graph Query Language (GQL), die internationalen Standards 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.
Einheitliche relationale und grafische Modelle
Spanner Graph verbindet relationale Darstellungen und Graphen. Durch die Kombination der Stärken von SQL und GQL können Analysten und Entwickler strukturierte und verbundene 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
Mit den integrierten Volltext- und Vektorsuchfunktionen von Spanner Graph können Sie eine neue Klasse KI-gestützter Anwendungen bereitstellen. Sie können mithilfe der Vektorsuche nach relevanten Knoten und Kanten anhand der semantischen Ähnlichkeit oder mit der Volltextsuche nach bestimmten Suchbegriffen suchen und dann den umfangreichen Kontext rund um diese Elemente mithilfe von Graphen erkunden.
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. Durch die integrierte Fragmentierung werden Daten automatisch verteilt, um horizontale Skalierbarkeit zu ermöglichen und einen unterbrechungsfreien Zugriff auf kritische Grafikdaten sicherzustellen. 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. Darüber hinaus unterstützt es VPC-SC, Access Transparency und Access Approval. 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 bieten umfassenden Kontext, wodurch Knowledge Graphs für die Entwicklung von Wissensdatenbanksystemen und Empfehlungssystemen von unschätzbarem Wert werden. Mit den integrierten Suchfunktionen können Sie semantisches Verständnis, keywordbasierte Abrufe und Grafiken 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 bieten umfassenden Kontext, wodurch Knowledge Graphs für die Entwicklung von Wissensdatenbanksystemen und Empfehlungssystemen von unschätzbarem Wert werden. Mit den integrierten Suchfunktionen können Sie semantisches Verständnis, keywordbasierte Abrufe und Grafiken 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 Domains 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 Domains 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. Darüber hinaus deckt die integrierte Vektorsuche verborgene Verbindungen und Anomalien im Einbettungsbereich auf. Durch die Kombination dieser Technologien können Finanzinstitute umfassende Systeme zur Betrugserkennung aufbauen, die potenzielle Bedrohungen schnell und genau identifizieren und so Verluste minimieren können.
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. Darüber hinaus deckt die integrierte Vektorsuche verborgene Verbindungen und Anomalien im Einbettungsbereich auf. Durch die Kombination dieser Technologien können Finanzinstitute umfassende Systeme zur Betrugserkennung aufbauen, die potenzielle Bedrohungen schnell und genau identifizieren und so Verluste minimieren können.
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.
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 Pfadfindung, Inventarverwaltung und soziale Interaktionen unerlässlich ist. Die Skalierbarkeit von Spanner Graph stellt sicher, dass die Datenbank den Zustrom von Spielern zu Spitzenzeiten oder wichtigen Ereignissen verarbeiten kann. So werden Verzögerungen und Serverabstürze verhindert, die das Gameplay stören und Nutzer frustrieren könnten.
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 Pfadfindung, Inventarverwaltung und soziale Interaktionen unerlässlich ist. Die Skalierbarkeit von Spanner Graph stellt sicher, dass die Datenbank den Zustrom von Spielern zu Spitzenzeiten oder wichtigen Ereignissen verarbeiten kann. So werden Verzögerungen und Serverabstürze verhindert, die das Gameplay stören und Nutzer frustrieren könnten.
Erste Schritte mit Spanner Graph
Informationen zum Verwenden von Spanner Graph
90-tägige Spanner-Instanz kostenlos erstellen
Einführung von Spanner Graph: Grafikdatenbanken neu gedacht
Grafikfunktionen entdecken
Weitere Informationen zu Spanner
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 fortschrittliche 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
KontaktInteressante Vorteile
Optimieren Sie Ihre generativen KI-Anwendungen über Knowledge Graph-gestützte EInsichten.
Erkennen Sie verborgene Verbindungen und Beziehungen in Ihren Daten.
Optimieren Sie Vorgänge mit einer einzigen einheitlichen Datenbank und integrieren Sie Funktionen für relationale, Grafik-, Such- und Schlüssel/Wert-Paare.
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 ganz einfach Personen, Gruppen, Beiträge oder bestimmte Themen mithilfe von Abfragen in natürlicher Sprache finden.
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 ganz einfach Personen, Gruppen, Beiträge oder bestimmte Themen mithilfe von Abfragen in natürlicher Sprache finden.