통합 그래프 데이터베이스
그래프는 데이터 간의 연결고리를 찾고 각각의 관계를 파악할 수 있게 해 줍니다. Oracle Graph는 Oracle의 컨버지드 데이터베이스에 통합된 기능으로, 별도의 그래프 데이터베이스나 데이터 이관의 필요성을 없애줍니다. 분석가 및 개발자들은 금융 사기 감지, 제조 추적 기능 등 다양한 사용 사례를 처리할 수 있으며, 동시에 엔터프라이즈급 보안, 데이터 수집 용이성, 운영 워크로드에 대한 강력한 지원 등을 누릴 수 있습니다.
엔터프라이즈용 생성형개발(GenDev) 발표
Juan Loaiza EVP의 Oracle CloudWorld 기조연설을 통해 Oracle이 새롭게 선보이는 획기적인 AI 중심 앱 개발 인프라를 살펴보세요.
Oracle Graph를 사용해야 하는 이유
-
뜻밖의 발견
모든 데이터는 서로 연결되어 있습니다. RDF 또는 속성 그래프를 사용해 80개 이상의 사전 구축된 알고리즘, 자동화된 분석, 시각화 도구, 그래프를 기반으로 한 AI로 손쉽고 빠르게 숨겨진 패턴을 발견하고 새로운 인사이트를 확보할 수 있습니다.
-
실시간 그래프 분석
Oracle Database의 운영 및 트랜잭션 데이터를 기반으로 한 그래프 분석을 통해 정보를 기반으로 한 비즈니스 의사결정을 내릴 수 있습니다.
-
엔터프라이즈급
그래프 분석 실행 시 Oracle Database의 확장성, 고가용성, 보안성, AI 기능 및 기타 컨버지드 기능들을 활용할 수 있습니다.
보안
오늘날 기업 조직들에게 보안은 필수 요소입니다. 그래프는 상호 연결된 IT 시스템, 범죄 네트워크 등 복잡하게 연결된 데이터 내에서 연결고리를 빠르게 파악할 수 있게 해 줍니다. 덕분에 기업 조직은 위협에 더욱 효과적으로 대처하고, 악의적인 행위자들을 식별할 수 있습니다.
-
사이버 보안
그래프는 IT 인프라 내 복잡한 네트워크상의 활동과 이벤트를 수집 및 모델링하기 때문에 사이버 보안에 이상적인 도구입니다. 그래프 분석과 머신러닝(ML)을 결합해 대규모 데이터 내 연결, 패턴, 이상을 신속히 파악하고, 보안 데이터 탐색을 위한 인터랙티브한 시각적 방식을 제공해 위협, 무효 트래픽, 멀웨어를 감지할 수 있습니다. 위협 인텔리전스에서의 그래프 분석 자동화는 수동 조사 대비 시간과 직원들의 노동력을 줄여줍니다.
-
범죄 조사
범죄가 모든 것으로부터 단절된 채 발생하는 일은 흔치 않습니다. 일반적으로는 범죄에 많은 사람, 조직, 위치가 상호 연루되어 있습니다. 데이터를 그래프에 저장하면 입법 당국이 범죄 네트워크와 패턴을 효율적으로 파악할 수 있습니다.
-
데이터 보안 및 GDPR
특정 데이터 요소에 대한 액세스 권한을 가진 사용자를 파악하는 일은 여러 계층의 소프트웨어가 관여된 경우 지루한 작업이 될 수 있습니다. 그래프는 이와 같은 종류의 간접 관계를 추적하고, 기업 조직이 규제 준수 여부를 손쉽게 입증할 수 있게 지원합니다.
AI 및 머신러닝
AI와 머신러닝이 중요한 신기술인 이유는 이 기술들이 기업의 성과 개선과 새로운 영향력의 형성을 약속하기 때문입니다. 그래프는 데이터에 대한 보완된 뷰를 제공하기 때문에 ML 모델의 예측 정확도를 개선하는 데 유용합니다.
-
기능 엔지니어링
일부 특징적인 엔지니어링 작업들은 수행이 복잡합니다. 그래프는 이와 같은 작업들의 단순화에 도움을 줄 수 있습니다. 예를 들어 엔티티 간의 간접 관계를 고려하거나, 긴밀히 연결된 엔티티들의 클러스터를 결정하는 일은 그래프가 없이는 번거로운 작업이 될 수 있습니다. 데이터 세트에서 그래프 알고리즘을 실행하면 풍성한 데이터를 생성할 수 있고, 이 데이터는 머신러닝 모델에 변수로 사용될 수 있습니다.
-
그래프 신경망
그래프를 추천 엔진으로 사용하는 방식은 잘 알려져 있습니다. 하지만 그래프는 예측 추천에도 사용될 수 있습니다. 온라인 리테일 매장이 고객이 사용 중인 특정 품목의 소진 시기를 예측해 적절한 타이밍에 고객에게 추천을 전송하는 것을 예로 들 수 있습니다. 그래프 신경망은 그래프 자체를 머신러닝과 신경망의 입력 값으로 수집할 수 있으며, 그래프가 관계형 테이블보다 더 많은 정보를 담을 수 있기 때문에 보다 정확도 높은 예측을 제공할 수 있습니다.
정부
정부는 그래프 기술을 방위 및 공중 안전 분야에 사용하여 공중 보건 이니셔티브나 시민들을 위한 연결된 오픈 데이터 이니셔티브를 지원할 수 있습니다.
-
세금 사기
자금 부족에 시달리는 정부는 창의적이면서도 회피에 능통한 범죄자들을 상대해야 합니다. 그래프는 조직이 협잡 기업 엔티티의 구조를 파악하고, 시각화 도구를 통해 수동 조사 방식을 개선하고, 의심스러운 패턴을 발견해 궁극적으로 사기꾼에게로 이어지는 복잡한 네트워크를 추적할 수 있게 해 줍니다.
-
범죄 조사
대규모 범죄에는 많은 사람, 조직, 위치가 상호 연결되어 있기 마련입니다. 데이터를 그래프에 저장하면 입법 당국이 범죄 네트워크와 패턴을 효율적으로 파악할 수 있습니다.
-
접촉자 추적
질병 접촉자 추적은 전 세계적으로 촉각을 다투는 시급한 활동이 되었습니다. 그래프는 질병 패턴 분석에 이상적입니다. 분석가들은 테스트를 거쳐 확진자들의 정보(와 이들이 만난 사람들 및 방문 장소)를 사용해 핫스팟의 위치와 연결성을 빠르게 파악함으로써 추가적인 발병을 예방할 수 있습니다.
제조업
원자재를 완제품으로 전환하는 과정에는 많은 관계, 구성 요소, 의존성이 수반됩니다. 이 과정에서 그래프 기술은 보다 많은 정보를 빠르게 파악할 수 있게 해 줍니다.
-
BOM(Bill of Material)
한 제품에는 수만 개의 부품이 포함될 수 있습니다. 그중 하나 또는 몇 개의 부품을 변경했을 때 어떤 영향이 있을지를 빠르게 파악해야 하는 상황이라면 어떨까요? 각 부품이 여러 종속성을 보유한 경우라면요? 그래프 분석은 각 쿼리에 대한 실시간 인터랙티브 분석을 가능케 합니다.
-
마스터 데이터 관리
많은 제조 공장에서는 부서마다 동일한 부품을 다른 이름으로 지칭하는 경우가 빈번합니다. 이와 같은 상황은 특정 사용 사례에 대한 보다 자세한 정보가 필요할 때 그리고 해당 특정 품목에 관련된 구성 요소가 무엇인지 파악해야 할 때 문제를 일으킵니다. RDF 그래프는 다양한 구성 요소를 모델링하고, 각각의 구성 요소가 맺은 상호 간의 관계 및 연결성을 사용할 수 있게 해 줍니다.
-
추적 가능성
추적 가능성은 특정 시기에 특정 공장에서 생산된 특정 구성 요소를 추적해야 하는 제품 리콜 상황에서 중요합니다. 그래프 기술이 없었다면 구성 요소를 추적하여 시장에서 자동차 또는 기타 제품을 파악하는 일은 매우 어려웠을 것입니다.
마케팅
대상 잠재 고객에게 어필하려면 마케터들은 고객은 물론 그들과 제품 간의 관계를 이해해야 합니다.
-
전방위적인 고객 분석
오늘날 기업들은 마스터 데이터, 트랜잭션, 입찰 데이터, 예측 등을 통해 고객에 대해 보다 잘 알게 되었지만, 이와 같은 정보를 완전히 활용하지 못하는 경우도 많습니다. 고객에 대한 전방위적인 분석을 생성하는 일은 데이터가 물리적인 플랫폼에 수집 및 통합된 상태에서도 어려울 수 있습니다. 그래프는 데이터를 논리적으로 통합하고 각 고객에 대한 통합 뷰 생성 과정을 단순화할 수 있습니다.
-
제품 추천
비그래프 기술도 추천을 지원하지만 그래프는 맥락을 추가할 수 있기 때문에 보다 정확도 높은 추천이 가능해 집니다. 그래프 데이터베이스는 고객과 고객이 구매하려는 제품 간의 관계 등 연결성을 강조함으로써 추천 프로세스에 보다 맥락이 담긴 입력 값을 제공합니다.
-
소셜 미디어
소셜 미디어는 관계에 의해 촉진되며, 전 세계의 사용자들을 연결합니다. 이 사용자들의 유효성을 검증하는 일이 핵심입니다. 그래프는 소셜 네트워크 및 관련 데이터를 대단히 빠른 속도로 가로지르면서 사용자, 이미지, 제품에 관한 추천을 제공하고, 동시에 사기 행위 및 꼭두각시 계정을 감지합니다.
금융 서비스
아무리 위장하려고 애를 써도 금융 범죄는 다른 범죄자, 위치 또는 은행 계좌 등 관계로 연결되어 있습니다. 그래프 기술은 이와 같은 사실을 활용해 범죄에 맞서기 위한 새로운 가능성을 열어줍니다.
-
돈세탁
범죄자들은 오랜 기간 복잡한 방식으로 합법적인 계정 간의 검증된 송금을 이어감으로써 사기를 통해 얻은 돈을 숨기려고 합니다. 그래프는 엔티티 간 거래를 분석하고 유사한 정보를 보유한 엔티티를 파악함으로써 서로에게 돈을 송금한 계정들을 드러내 사기를 손쉽게 감지할 수 있게 해 줍니다.
-
돈 운반책 및 운반 사기 탐지
전통적으로, 돈 운반책 및 운반 사기를 탐지하는 데에는 규칙 기반 모델의 경고 기능과 수동 조사가 함께 사용되어 왔습니다. 머신러닝 또한 인간의 의사결정을 예측하는 데에 사용되었습니다. 하지만 계정에 대한 제한된 정보 탓에 이와 같은 모델을 개선하기는 어려운 상황입니다. 그래프는 트랜잭션 정보를 에지로 활용하고, 주변 관계 및 트랜잭션을 기반으로 해당 계정에 대한 보다 많은 변수들을 생성해 냄으로써 이와 같은 한계를 넘어섭니다.
-
실시간 사기 탐지
소비자들은 서비스 및 송금에 대한 즉각적인 액세스를 요구합니다. 이와 같은 상황은 범죄의 기회를 창출합니다. 빛의 속도로 쿼리에 대한 답과 데이터에 대한 확장된 액세스를 제공하는 그래프는 실시간 사기 감지를 위한 인기 기술로 자리잡았습니다. 속성 그래프는 특히 온라인 뱅킹 및 ATM 위치 분석에 종종 사용되는데, 그래프가 일반적으로는 연관성을 파악하기 어려운 데이터를 사용해 사기 감지 알고리즘을 개선해 주기 때문입니다.
Oracle Graph 가격 정책
그래프 데이터베이스와 그래프 분석은 Oracle Database에 통합되어 있으며, 온프레미스 데이터베이스 라이선스 및 Autonomous Database에 포함되어 있습니다.
Oracle의 그래프 데이터베이스가 어떻게 쉽게 다양한 그래프 구조, 강력한 분석과 직관적인 시각화를 지원하여 데이터에서 관계를 탐색하고 연결을 찾는지 알아보세요.
데이터 중복 없이, 간단한 SQL을 사용하여 복잡한 관계성을 분석하기 위한 속성 그래프 모델을 생성하는 방법을 확인해 보세요. 지식 그래프를 사용해 AI 기반 앱을 위한 머신 러닝모델 및 검색 증강 생성(RAG)을 보강하는 방법을 살펴보세요.
SQL 구문을 수동으로 코딩할 필요 없이 몇 번의 클릭만으로 SQL 속성 그래프 모델을 만들고 관리할 수 있습니다. 데이터를 별도의 장소로 복제할 필요 없이 데이터 간의 복잡한 연결성을 탐색할 수 있습니다.
온톨로지라고도 부르는 지식 그래프는 애플리케이션이 연관된 맥락을 활용해 데이터를 쿼리하고 사용자가 해당 맥락을 기반으로 비즈니스 의사결정을 내릴 수 있게 지원합니다. 유틸리티 사용 사례를 통해 Oracle Graph가 이와 같은 온톨로지를 지원하는 방법을 확인해 보세요.
생성형 AI에 Graphs 적용하기
Oracle, Distinguished Product Manager, Melliyal Annamalai
생성형 AI는 사용 가능한 데이터에 대해 학습한 대규모 언어 모델(LLM)을 사용해 다양한 주제에 대한 질문에 자연어로 답변할 수 있습니다. 그러나 귀사의 비즈니스 데이터와 같이 LLM이 학습하지 못한 데이터의 경우는 어떨까요? 그러한 데이터에 생성형 AI의 위력을 어떻게 적용할 수 있을까요? 해답은 바로 Graph RAG 입니다. 또한 Oracle은 Graph RAG의 성능을 훨씬 손쉽게 활용 가능한 방법을 제공합니다.
게시물 전문 읽어보기
