Bases de dades de gràfics: el viatge de la terra plana al metavers

Per a tu

Forma part d’alguna cosa més gran, uneix-te al Chartered Institute for IT.

Rangan continua: “El llenguatge que hem desenvolupat per consultar les dades, és un dels llenguatges més intuïtius que hi ha. Es diu cypher i tothom de Neo4j ho entén, ja sigui en informàtica, màrqueting, recursos humans o vendes. Tenim un navegador visual que el fa molt intuïtiu d’utilitzar.

“Quan es tracta de ciència de dades i AI/ML, aquesta és una àrea completament nova que és molt interessant perquè, a diferència de les bases de dades on teniu DBA i desenvolupadors, ara els científics de dades són desenvolupadors, que creen models d’IA/ML. L’apassionant és que això és accessible per a la majoria dels científics de dades que no s’han format com a científics de dades”.

Traient la ciència del científic de dades

Un llenguatge simplificat, una manera simplificada de connectar la informació entre si, fa que el paper del científic de dades no només sigui més fàcil, sinó més accessible. És treure la necessitat de ser un veritable científic fora de la funció d’anàlisi de dades. Les bases de dades de gràfics de Neo4j també estan dissenyades per treballar amb les demandes més habituals de l’usuari. Rangan continua: “Hem incorporat més de 60 algorismes de ML al producte, de manera que les preguntes habituals que vulgueu fer es tradueixen amb aquests algorismes per desenvolupar el model que tenim”.

Maximització de la base de dades mitjançant ML

Tot i que acollim la innovació, hi ha por que l’ús de l’aprenentatge automàtic per manipular dades pugui amplificar algun biaix a la màquina? Ens hauríem de preocupar per la “inferència” a l’hora de recopilar les dades?

Rangan continua: “Quan carregueu dades a la base de dades per primera vegada, hi podria haver buits, sobretot quan agafeu dades basades en taules on es dedueixen les relacions i després intenteu posar aquestes relacions en una base de dades de gràfics, llavors hi ha una possibilitat. perquè, “ei, realment conec la relació? Hauria d’inferir alguna cosa al respecte?” Per tant, hi ha una compensació entre “m’asseguro que la càrrega sigui perfecta” i “no ho és”.

“En el moment en què ens trobem amb un buit a les dades, l’anomenem “relació pendent” i tornarem a marcar aquesta relació a l’usuari i li direm “com la voleu tractar?” Evitem inferir una relació perquè el nostre punt de vista és molt senzill, una relació inferida amb dades baixes és dades corruptes.’

Una eina de dades i previsió

Tot i que pot estar segur que les dades no s’inventen o s’interpreten malament, hi ha espai per a hipòtesis dins de la configuració i perquè la base de dades no només sigui una eina de catalogació, sinó també la base d’una eina de previsió eficient. Rangan explica: “El que s’ha d’entendre és que la base de dades de gràfics en si mateixa no crea dades sintètiques i no fem les millors conjectures: aquesta és una tècnica que utilitza el desenvolupador o el científic de dades per crear una hipòtesi.

“Si ens fixem en la victòria digital, és una manera alternativa de modelar els resultats. Si tens un model digital de la xarxa física, pots agafar el model digital i fer anàlisis “i si”. Per tant, podeu explorar què passaria si les dades fossin així? Què és realment “I si el món semblés així? Què podria passar?” Per tant, us ofereix poder predictiu, basat en escenaris de “i si”. Però depèn completament del practicant quins són aquests escenaris “i si” i, per tant, si aquests escenaris es produeixen, com podria interactuar la xarxa? Es trencarà? En quin moment es trenca? Com ​​ho puc arreglar i com Per tant, es converteix en una eina de planificació molt potent”.

Hi ha espai perquè Neo4j pugui saltar al metavers?

La base de dades de gràfics sembla viure en un espai 3D: hi ha una progressió natural perquè Neo4j es mogui al metavers? I com podria ser aquesta evolució? Rangan pensa: “Podria apuntalar els tipus de coses que podríeu fer en un metavers. Tenim un client a Àsia que realment utilitza ulleres de realitat virtual per fer la visualització i l’exploració de dades. Així que sens dubte és una direcció fascinant a prendre. Presenta un munt de possibilitats, de nou a la noció de models mentals intuïtius que tenim sobre el món i com som capaços de representar-lo.

Per a Rangan, el futur de l’evolució de la base de dades a l’estil de la Llei de Moore és molt brillant, especialment al món de la IA. “Gartner prediu que d’aquí a tres o quatre anys, el 80% dels models ML es basaran en tecnologia de gràfics. I el motiu és que una xarxa d’aprenentatge neuronal profunda és fonamentalment un gràfic. Però en lloc de tenir dades basades en taules que es tradueixen a un gràfic, les bases de dades de gràfics són gràfics de manera nativa, de manera que és un procés molt més ràpid.’

.

Leave a Comment

Your email address will not be published. Required fields are marked *