Descripción general
Experiencia de gráfico nativo
Spanner Graph es compatible con el lenguaje ISO Graph Query Language (GQL), el nuevo estándar internacional para las bases de datos de gráficos. Ofrece una forma intuitiva y concisa de hacer coincidir patrones, atravesar relaciones y filtrar resultados en datos de gráficos, lo que facilita descubrir relaciones y estadísticas ocultas.
Modelos relacionales y de grafos unificados
Spanner Graph une el mundo relacional con el de los gráficos. Combina las fortalezas de SQL y GQL, lo que 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, lo que transforma tus datos relacionales en gráficos enriquecidos y conectados, listos para la exploración y el análisis.
Funciones de búsqueda integradas
Las capacidades de búsqueda de texto completo y de vectores integradas en Spanner Graph te permiten ofrecer una nueva clase de aplicaciones basadas en IA. Puedes buscar nodos y aristas relevantes en función de la similitud semántica con la búsqueda de vectores o palabras clave específicas con la búsqueda de texto completo, respectivamente, y luego explorar el contexto enriquecido que rodea a estos elementos con el gráfico.
Escalabilidad, disponibilidad y coherencia líderes en el sector
Spanner Graph, que se basa en el escalamiento incomparable, la disponibilidad del 99.999% y la coherencia de Spanner, es una opción ideal incluso para aplicaciones fundamentales. La fragmentación integrada distribuye los datos automáticamente para lograr la escalabilidad horizontal y ayuda a garantizar el acceso sin interrupciones a los datos de gráficos fundamentales. Al mantener una vista coherente de los nodos y las aristas en todo el gráfico, se elimina el riesgo de aristas sueltas o de otras inconsistencias.
Estadísticas potenciadas por IA
Spanner Graph está integrado en Vertex AI. Puedes acceder directamente al amplio conjunto 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 empresas
Spanner Graph hereda toda la preparación empresarial de Spanner, por lo que ofrece claves de encriptación administradas por el cliente (CMEK), encriptación de capas de datos, integración en IAM para acceso y controles, y registro de auditoría completo. Además, es compatible con VPC-SC, Transparencia de acceso y Aprobación de acceso. Además, el control de acceso detallado te permite autorizar el acceso a los datos de Spanner a nivel de tabla y columna.
Cómo funciona
Para crear un gráfico, primero crea tablas en Spanner para almacenar entidades y relaciones, luego asigna las tablas a un gráfico con el esquema de gráficos. Puedes usar GQL para consultar el gráfico o combinar GQL con SQL para consultar el gráfico y las tablas en conjunto.
Para crear un gráfico, primero crea tablas en Spanner para almacenar entidades y relaciones, luego asigna las tablas a un gráfico con el esquema de gráficos. Puedes usar GQL para consultar el gráfico o combinar GQL con SQL para consultar el gráfico y las tablas en conjunto.
Usos comunes
Gráfico de conocimiento
Con Spanner Graph, puedes desarrollar gráficos de conocimiento que capturen las conexiones complejas entre entidades, representadas como nodos, y sus relaciones, representadas como aristas. Estas conexiones proporcionan un contexto amplio, lo que hace que los gráficos de conocimiento sean muy valiosos para el desarrollo de sistemas de base de conocimiento y motores de recomendaciones. Gracias a las capacidades de búsqueda integradas, puedes combinar sin problemas la comprensión semántica, la recuperación basada en palabras clave y los gráficos para obtener resultados exhaustivos.
Instructivos
Con Spanner Graph, puedes desarrollar gráficos de conocimiento que capturen las conexiones complejas entre entidades, representadas como nodos, y sus relaciones, representadas como aristas. Estas conexiones proporcionan un contexto amplio, lo que hace que los gráficos de conocimiento sean muy valiosos para el desarrollo de sistemas de base de conocimiento y motores de recomendaciones. Gracias a las capacidades de búsqueda integradas, puedes combinar sin problemas 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 recorrer las conexiones y descubrir relaciones potenciales. La búsqueda de vectores integrada y la búsqueda de texto completo permiten recomendaciones basadas en la similitud en función del perfil de usuario del producto, las descripciones del producto y las opiniones. Esta combinación permite recomendaciones altamente relevantes y personalizadas en diferentes dominios, todo dentro de Spanner Graph.
Instructivos
Spanner Graph modela de forma natural las relaciones entre entidades (como usuarios, productos o amigos), lo que facilita recorrer las conexiones y descubrir relaciones potenciales. La búsqueda de vectores integrada y la búsqueda de texto completo permiten recomendaciones basadas en la similitud en función del perfil de usuario del producto, las descripciones del producto y las opiniones. Esta combinación permite recomendaciones altamente relevantes y personalizadas en diferentes dominios, todo dentro de Spanner Graph.
Detección de fraude financiero
Spanner Graph modela de forma natural las relaciones complejas entre entidades financieras, como cuentas, transacciones y personas, 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 embedding. Si se combinan estas tecnologías, las instituciones financieras pueden crear sistemas de detección de fraudes integrales que pueden identificar amenazas potenciales con rapidez y precisión, lo que minimiza las pérdidas.
Instructivos
Spanner Graph modela de forma natural las relaciones complejas entre entidades financieras, como cuentas, transacciones y personas, 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 embedding. Si se combinan estas tecnologías, las instituciones financieras pueden crear sistemas de detección de fraudes integrales que pueden identificar amenazas potenciales con rapidez y precisión, lo que minimiza las pérdidas.
GraphRAG
Spanner Graph lleva la generación mejorada por recuperación (RAG) al siguiente nivel al fundamentar los modelos de base con información contextual rica almacenada en un gráfico de conocimiento. Mientras que la RAG tradicional proporciona a los LLM fragmentos de datos extraídos de un documento de origen, GraphRAG va un paso más allá y también incluye las relaciones con otros contenidos para facilitar una comprensión y una inferencia más completas.
Instructivos
Spanner Graph lleva la generación mejorada por recuperación (RAG) al siguiente nivel al fundamentar los modelos de base con información contextual rica almacenada en un gráfico de conocimiento. Mientras que la RAG tradicional proporciona a los LLM fragmentos de datos extraídos de un documento de origen, GraphRAG va un paso más allá y también incluye las relaciones con otros contenidos para facilitar una comprensión y una inferencia más completas.
Videojuegos
Los mundos de los juegos pueden representarse como entidades, como jugadores, personajes, elementos y ubicaciones como nodos, y las relaciones entre ellos como aristas. Esta estructura permite recorrer conexiones de manera eficiente, lo que es esencial para la mecánica del juego, como la búsqueda de rutas, la administración de inventario y las interacciones sociales. La escalabilidad de Spanner Graph garantiza que la base de datos pueda manejar la afluencia de jugadores durante las horas pico o los eventos importantes, lo que evita los retrasos y los bloqueos del servidor que podrían interrumpir el juego y frustrar a los usuarios.
Instructivos
Los mundos de los juegos pueden representarse como entidades, como jugadores, personajes, elementos y ubicaciones como nodos, y las relaciones entre ellos como aristas. Esta estructura permite recorrer conexiones de manera eficiente, lo que es esencial para la mecánica del juego, como la búsqueda de rutas, la administración de inventario y las interacciones sociales. La escalabilidad de Spanner Graph garantiza que la base de datos pueda manejar la afluencia de jugadores durante las horas pico o los eventos importantes, lo que evita los retrasos y los bloqueos del servidor que podrían interrumpir el juego y frustrar a los usuarios.
Comienza a usar Spanner Graph
Aprende a usar Spanner Graph
Crea una instancia de Spanner de 90 días de forma gratuita
Presentación de Spanner Graph: Reinventamos las bases de datos de gráficos
Explora las capacidades de los gráficos
Más información sobre Spanner
Caso empresarial
“En Credit Karma, nuestra prioridad es garantizar la seguridad de los datos de más de 130 millones de miembros. Para combatir y eliminar el fraude en nuestros sistemas, nos asociamos con Google para mejorar nuestras capacidades de mitigación del fraude mediante la implementación de Google Spanner Graph Database. Esta capacidad avanzada de la plataforma nos permite detectar posibles amenazas de fraude antes de que ocurran. Con Spanner Graph, detectamos y prevenimos de forma eficaz las transacciones fraudulentas, las suplantaciones de identidad y otras actividades fraudulentas. "- Credit Karma
Comunícate con nosotrosBeneficios destacados
Mejora tus aplicaciones de IA generativa con inteligencia potenciada por gráficos de conocimiento.
Descubre conexiones y relaciones ocultas en tus datos.
Optimiza las operaciones con una sola base de datos unificada, que integra capacidades relacionales, de gráficos, de búsqueda y de pares clave-valor.
Redes sociales
Las personas, los grupos, los intereses y las interacciones se pueden representar como nodos y aristas para un análisis eficiente de las conexiones y el descubrimiento de patrones, como amigos en común, intereses compartidos o membresías en grupos superpuestos. Estas estadísticas se pueden aprovechar para generar recomendaciones personalizadas de amigos y contenido, así como segmentación de anuncios. Además, la búsqueda de texto completo integrada te permite encontrar fácilmente personas, grupos, publicaciones o temas específicos con consultas de lenguaje natural.
Instructivos
Las personas, los grupos, los intereses y las interacciones se pueden representar como nodos y aristas para un análisis eficiente de las conexiones y el descubrimiento de patrones, como amigos en común, intereses compartidos o membresías en grupos superpuestos. Estas estadísticas se pueden aprovechar para generar recomendaciones personalizadas de amigos y contenido, así como segmentación de anuncios. Además, la búsqueda de texto completo integrada te permite encontrar fácilmente personas, grupos, publicaciones o temas específicos con consultas de lenguaje natural.