Base de données de graphe intégrée
Les graphes vous permettent de trouver des connexions et d'explorer les relations dans vos données. Oracle Graph est une fonctionnalité intégrée de la base de données convergée d'Oracle qui élimine le besoin d'une base de données orientée graphe et d'un déplacement de données distincts. Les analystes et les développeurs peuvent répondre à divers cas d'usage, notamment la détection des fraudes financières et la traçabilité de la production, tout en bénéficiant d'une sécurité de niveau entreprise, d'une facilité d'assimilation des données et d'une prise en charge solide des workloads.
Annonce : développement génératif pour les entreprises (GenDev)
Regardez la rediffusion de la keynote du Vice-Président exécutif Juan Loaiza à Oracle CloudWorld pour en savoir plus sur cette infrastructure de développement révolutionnaire d'applications centrées sur l'IA.
Pourquoi utiliser Oracle Graph ?
-
Trouvez l'inattendu
Les données sont connectées. Découvrez des modèles cachés et obtenez de nouvelles analyses facilement et rapidement grâce à plus de 80 algorithmes prédéfinis, analyses automatisées, outils de visualisation et IA alimentée par des graphes à l'aide des graphes RDF ou de propriété.
-
Analyse de graphes en temps réel
Prenez des décisions stratégiques éclairées grâce à des analyses de graphes basées sur les données opérationnelles et transactionnelles dans votre instance Oracle Database.
-
Conçue pour les entreprises
Bénéficiez de l'évolutivité, de la haute disponibilité, de la sécurité, des capacités d'IA et d'autres fonctionnalités convergées d'Oracle Database lors de l'exécution d'analyses de graphes.
Cas d'usage des graphes
Sécurité
La sécurité est une priorité pour les entreprises d'aujourd'hui. Les graphes peuvent vous aider à identifier rapidement les connexions au sein de données en réseau complexes, y compris les systèmes informatiques interconnectés et les réseaux criminels, afin que votre entreprise puisse mieux répondre aux menaces et identifier les malfaiteurs.
-
Cybersécurité
Les graphes sont des outils idéaux pour la cybersécurité car ils capturent et modélisent des activités et des événements dans des réseaux complexes au sein de l'infrastructure informatique. Vous pouvez combiner l'analyse de graphes avec le machine learning pour découvrir rapidement les connexions, les modèles et les anomalies au sein de grands volumes de données et fournir un moyen interactif et visuel d'explorer les données de sécurité pour détecter les menaces, le trafic non valide et les logiciels malveillants. L'automatisation de l'analyse de graphes dans les renseignements sur les menaces permet aux équipes d'économiser du temps et de l'énergie par rapport aux enquêtes manuelles.
-
Enquêtes criminelles
Les crimes ne se produisent généralement pas de manière cloisonnée. Souvent, il existe de nombreuses personnes, organisations et lieux interconnectés. La mise en forme de données sous forme de graphes permet aux forces de l'ordre d'identifier efficacement les réseaux criminels et de repérer les schémas.
-
Protection des données et RGPD
Trouver quel utilisateur a accès à un élément de données spécifique peut être une tâche fastidieuse si plusieurs couches de logiciels sont impliquées. Les graphes permettent de suivre ce type de relations indirectes et permettent aux entreprises de prouver facilement la conformité réglementaire.
AI et machine learning
L'IA et le machine learning sont des nouvelles technologies importantes en raison de leur promesse d'améliorer les résultats de l'entreprise et de créer de nouveaux impacts. Les graphes sont utiles pour améliorer la précision des prédictions à partir des modèles de car ils offrent une vue complémentaire des données.
-
Ingénierie des fonctions
Certaines tâches d'ingénierie des fonctionnalités sont compliquées à accomplir, et les graphes peuvent aider à simplifier ces tâches. Par exemple, la prise en compte des relations indirectes entre les entités ou la détermination de clusters d'entités étroitement liées peut être fastidieuse sans utiliser de graphes. L'exécution d'algorithmes de graphes sur un ensemble de données crée des données enrichies qui peuvent ensuite être utilisées pour les modèles de machine learning en tant que fonctionnalités.
-
Réseau neuronaux de graphes
L'utilisation de graphes comme moteur de recommandation est bien connue, mais les graphes peuvent également être utilisés pour les recommandations prédictives. Par exemple, un magasin de vente au détail en ligne souhaite envoyer des recommandations à un client, avec un délai déterminé par le moment où le client est censé être à cours d'un article. Les réseaux neuronaux de graphes, qui peuvent capturer le graphe lui-même en tant qu'entrée du machine learning et des réseaux neuronaux, offrent potentiellement une meilleure précision car le graphe peut contenir plus d'informations que les tables relationnelles.
Government
Les gouvernements peuvent utiliser les technologies de graphes pour la défense et la sécurité publique, pour aider à des initiatives de santé publique et pour des initiatives liées aux données ouvertes pour leurs citoyens.
-
Fraude fiscale
Les gouvernements à court de ressources doivent faire face à des criminels inventifs et évasifs. Les graphes peuvent aider les entreprises à comprendre la structure des entités shell, à améliorer l'enquête manuelle avec des outils de visualisation et à découvrir des schémas suspects pour retracer des chemins dans des réseaux complexes qui mènent finalement au fraudeur.
-
Enquêtes criminelles
Les crimes à grande échelle impliquent souvent de nombreuses personnes, organisations et lieux interconnectés. La mise en forme de données sous forme de graphes permet aux forces de l'ordre d'identifier efficacement les réseaux criminels et de repérer les schémas.
-
Suivi des contacts
Le dépistage des contacts porteurs de maladie a été une activité urgente et critique dans le monde entier. Les graphes sont idéaux pour analyser les schémas de maladies. Les analystes peuvent utiliser les informations sur les personnes qui ont été testées malades - leurs interactions avec d'autres personnes et les lieux qu'elles ont visités - pour aider à localiser rapidement les points névralgiques et les connexions afin de prévenir d'autres épidémies.
Services manufacturiers
La transformation des matières premières en produits implique de nombreuses relations, composants et dépendances, ce qui rend les technologies de graphes parfaitement adaptées pour découvrir rapidement plus d'informations.
-
Nomenclature
Un produit peut comporter des dizaines de milliers de parties. Et si vous deviez trouver rapidement l'impact de la modification d'une ou plusieurs parties ? Que se passe-t-il si chaque partie possède plusieurs dépendances ? L'analyse de graphes permet une analyse interactive en temps réel de ces requêtes.
-
Gestion des données de référence
Dans de nombreuses usines de production, chaque service peut utiliser un nom différent pour le même composant. Des problèmes surviennent lorsque vous devez en savoir plus sur certains cas d'usage et quels composants sont impliqués pour cet élément spécifique. Les graphes RDF vous permettent de modéliser différents composants et d'utiliser les relations et les connexions qu'ils ont entre eux.
-
Traçabilité
La traçabilité est importante dans des situations telles que les rappels de produits lorsque vous devez effectuer le suivi d'un composant spécifique produit à partir d'une usine spécifique à certaines dates et heures. L'identification de voitures ou d'autres produits sur le marché par la traçabilité des composants peut être très difficile sans technologie de graphes.
Marketing
Pour attirer leur public cible, les professionnels du marketing doivent comprendre leurs clients et leurs relations avec leurs produits.
-
Analyse à 360 degrés du client
Aujourd'hui, les entreprises en savent plus sur les clients grâce aux données de référence, aux transactions, aux données d'offre et aux prévisions, mais elles n'exploitent souvent pas pleinement ces informations. La création d'une véritable analyse client 360 est difficile, même lorsque les données sont collectées et intégrées à la plateforme physique. Les graphes peuvent intégrer logiquement les données et simplifier la création d'une vue unifiée de chaque client.
-
Recommandations de produits
Alors que les technologies qui ne sont pas de graphes peuvent prendre en charge les recommandations, les graphes permettent une plus grande précision car ils peuvent ajouter du contexte. Les bases de données orientées graphe mettent l'accent sur les connexions telles que les relations entre les clients et les produits qu'ils aiment acheter, fournissant ainsi une entrée plus contextuelle au processus de recommandation.
-
Réseaux sociaux
Les médias sociaux sont motivés par des relations, connectant les utilisateurs à travers le monde. Il est essentiel de garantir la légitimité de ces utilisateurs. Graph peut parcourir les réseaux sociaux et les données connexes très rapidement, fournissant des recommandations d'utilisateurs, d'images, de produits, tout en détectant les activités frauduleuses et les faux-nez.
Services financiers
Peu importe à quel point ils essaient de le déguiser, les criminels financiers sont liés par des relations : à d'autres criminels, lieux ou comptes bancaires. La technologie de graphes tire parti de ce fait pour déployer de nouveaux moyens de lutte contre les criminels.
-
Le blanchiment d'argent
Les criminels tentent de cacher de l'argent obtenu frauduleusement grâce à une longue et complexe série de transferts valides entre des comptes légitimes. Les graphes facilitent la détection des fraudes en analysant les transactions entre les entités et en identifiant celles qui ont des informations similaires, en révélant les comptes qui envoient de l'argent les uns aux autres.
-
Détection des mules financières et de la fraude à la mule
Traditionnellement, les alertes des modèles basés sur des règles combinées à l'inspection manuelle sont utilisées pour détecter les mules financières et la fraude à la mule. Le machine learning est également utilisé pour prédire les décisions humaines. Cependant, l'amélioration de ces modèles est difficile en raison des informations limitées des comptes. Les graphes vont au-delà de cette limite en prenant les informations de transaction comme des arêtes et en générant d'autres caractéristiques des comptes en fonction des relations et des transactions environnantes.
-
Détection de la fraude en temps réel
Les consommateurs exigent un accès instantané aux services et aux transferts d'argent, créant ainsi des opportunités pour les criminels. Parce que les graphes permettent des réponses ultra-rapides aux requêtes et un accès étendu aux données, ils sont devenus une technologie populaire dans la détection des fraudes en temps réel. Le graphe de propriétés est souvent utilisé, en particulier dans les services bancaires en ligne et l'analyse de la localisation des distributeurs automatiques de billets, car les graphes aident à améliorer les algorithmes de détection des fraudes en utilisant des données qui sont par ailleurs difficiles à associer.
Tarification d'Oracle Graph
Les analyses de graphes et les bases de données orientée graphes sont intégrées à Oracle Database et incluses dans les licences de base de données on-premises et dans Autonomous Database.
Découvrez comment la base de données orientée graphe d’Oracle facilite l’exploration des relations et la découverte de connexions dans les données en prenant en charge différentes structures de graphes, des analyses puissantes et une visualisation intuitive.
Découvrez comment créer des modèles de graphe de propriétés pour analyser des relations complexes à l'aide d'instructions SQL simples sans duplication de données. Découvrez comment utiliser les graphes de connaissances pour booster les modèles de machine learning et la génération augmentée de récupération (RAG) pour les applications alimentées par l'IA.
Créez et gérez des modèles de graphes de propriétés SQL en quelques clics, sans écrire de code SQL. Explorez des connexions complexes dans les données sans les dupliquer.
Les graphes de connaissances, également appelés ontologies, aident les applications à interroger les données dans le contexte associé et permettent aux utilisateurs de prendre des décisions stratégiques en fonction du contexte. Découvrez comment Oracle Graph prend en charge ces ontologies à l'aide d'un cas d'usage pratique.
Apportez la puissance des graphes à l'IA générative
Melliyal Annamalai, Product Manager émérite, Oracle
L'IA générative peut répondre à des questions en langage humain sur un large éventail de sujets à l'aide de grands modèles de langage (LLM) entraînés sur les données disponibles. Mais qu'en est-il des données sur lesquelles le LLM n'a pas été entraîné sur vos propres données d'entreprise ? Comment pouvons-nous utiliser la puissance de l'IA générative sur ces données ? Nous avons la réponse : Graph RAG. De plus, Oracle a facilité l'exploitation de la puissance de Graph RAG.
Lire la suite de l'article
