Integrierte Graph-Datenbank
Mit Graphen können Sie Zusammenhänge und Beziehungen in Ihren Daten erkennen. Oracle Graph ist eine KI-fähige, integrierte Funktion der konvergenten Datenbank von Oracle, die die Notwendigkeit einer separaten Diagrammdatenbank und Datenverschiebung überflüssig macht. So können Analysten und Entwickler verschiedene Anwendungsfälle angehen, darunter die Erkennung von Finanzbetrug und die Rückverfolgbarkeit von Produktionsprozessen, während sie gleichzeitig von unternehmensgerechter Sicherheit, einfacher Datenaufnahme und starker Unterstützung für betriebliche Workloads profitieren.
Haben Sie schon von der „KI für Daten“-Revolution gehört?
Sehen Sie sich die Oracle AI World-Keynote mit Juan Loaiza, EVP Database Technologies, und T.K. Anand, EVP Healthcare and Analytics, an. Erfahren Sie, wie Ihr Unternehmen im neuen Zeitalter von „KI für Daten“ erfolgreich wachsen kann.
Warum gerade Oracle Graph?
-
Das Unerwartete entdecken
Daten sind verbunden. Entdecken Sie verborgene Muster und gewinnen Sie schnell und einfach neue Erkenntnisse mit mehr als 80 vorgefertigten Algorithmen, automatisierten Analysen, Visualisierungstools und graphengestützter KI mit RDF- oder Property-Graphen.
-
Graph-Analysen in Echtzeit
Treffen Sie fundierte geschäftliche Entscheidungen mithilfe von Graph-Analysen, die auf Betriebs- und Transaktionsdaten in Ihrer Oracle AI Database basieren.
-
Unternehmenslösung
Profitieren Sie im Rahmen Ihrer Graph-Analysen von der Skalierbarkeit, der High Availability, der Sicherheit, den KI-Funktionen und anderen konvergenten Funktionen der Oracle AI Database.
Graph-Anwendungsfälle
Sicherheit
Sicherheit ist für Unternehmen von heute unverzichtbar. Graphen helfen Ihnen, Verbindungen innerhalb komplexer vernetzter Daten, einschließlich miteinander verbundener IT-Systeme und krimineller Netzwerke, schnell zu erkennen, damit Ihr Unternehmen besser auf Bedrohungen reagieren und bösartige Akteure identifizieren kann.
-
Cybersicherheit
Graphen sind ideale Tools für die Cybersicherheit, da sie Aktivitäten und Ereignisse in komplexen Netzwerken innerhalb der IT-Infrastruktur erfassen und modellieren. Sie können die Graph-Analyse mit maschinellem Lernen (ML) kombinieren, um Verbindungen, Muster und Anomalien in großen Datenmengen schnell aufzudecken und eine interaktive, visuelle Methode zur Untersuchung von Sicherheitsdaten bereitzustellen, um Bedrohungen, ungültigen Datenverkehr und Malware zu erkennen. Die Automatisierung der Graph-Analyse in der Bedrohungsanalyse spart Ihren Mitarbeitern im Vergleich zu manuellen Untersuchungen Zeit und Aufwand.
-
Strafrechtliche Ermittlungen
Verbrechen finden nicht oft in Silos statt. Häufig sind viele Menschen, Organisationen und Orte miteinander verbunden. Die Aufbereitung von Daten in Graphen ermöglicht es den Strafverfolgungsbehörden, kriminelle Netzwerke effizient zu identifizieren und Muster zu erkennen.
-
Datenschutz und DSGVO
Die Suche nach dem Benutzer, der Zugriff auf ein bestimmtes Datenelement hat, kann eine mühsame Aufgabe sein, wenn mehrere Softwareebenen beteiligt sind. Graphen helfen dabei, diese Art von indirekten Beziehungen im Auge zu behalten und ermöglichen es Unternehmen, die Einhaltung von Vorschriften leicht nachzuweisen.
KI und Machine Learning
KI und maschinelles Lernen sind wichtige neue Technologien, weil sie versprechen, die Geschäftsergebnisse zu verbessern und neue Impulse zu setzen. Graphen sind nützlich, um die Genauigkeit der Vorhersagen von ML-Modellen zu verbessern, da sie eine ergänzende Sicht auf die Daten bieten.
-
GraphRAG
Bringen Sie Ihre generative, KI-gestützte Ähnlichkeitssuche mit GraphRAG auf die nächste Stufe. Durch die Integration relevanter Geschäftsdaten kann Retrieval-Augmented Generation (RAG) Benutzerabfragen durch LLMs verbessern. GraphRAG kann die Genauigkeit und Relevanz der Antworten verbessern, indem Diagramme verwendet werden, die umfassende Einblicke in Beziehungen zwischen Dateneinheiten, wie z. B. soziale Netzwerke, Finanzströme oder Lieferketten, erfassen und liefern. Zudem können Sie Antworten bis zu ihrem Ursprung zurückverfolgen, um deren Korrektheit für die Einhaltung von Vorschriften oder zur Validierung nachzuweisen.
-
Feature Engineering
Einige Aufgaben des Feature Engineering sind kompliziert zu bewältigen; Graphen können diese Aufgaben vereinfachen. Beispielsweise kann die Berücksichtigung indirekter Beziehungen zwischen Entitäten oder die Bestimmung von Clustern eng miteinander verbundener Entitäten ohne die Verwendung von Graphen sehr mühsam sein. Die Ausführung von Graphalgorithmen auf einem Datensatz erzeugt angereicherte Daten, die dann als Merkmale für Modelle des maschinellen Lernens verwendet werden können.
-
Neuronale Graphennetze
Die Verwendung von Graphen als Recommendation Engine ist allgemein bekannt. Graphen können allerdings auch für prädiktive Empfehlungen verwendet werden. Ein Beispiel: Ein Online-Einzelhändler möchte einem Kunden Empfehlungen senden, wobei der richtige Zeitpunkt davon abhängt, wann dem Kunden der Artikel voraussichtlich ausgehen wird. Neuronale Netze mit Graphen, die den Graphen selbst als Input für maschinelles Lernen und neuronale Netze erfassen können, bieten eine potenziell höhere Genauigkeit, da der Graph mehr Informationen enthalten kann als relationale Tabellen.
Regierung
Regierungen können Graphentechnologien für die Verteidigung und die öffentliche Sicherheit, zur Unterstützung von Initiativen im Bereich der öffentlichen Gesundheit und für verknüpfte offene Dateninitiativen für ihre Bürger nutzen.
-
Steuerhinterziehung
Regierungen, die nur über begrenzte Ressourcen verfügen, haben es mit erfinderischen und ausweichenden Kriminellen zu tun. Graphen können Organisationen dabei helfen, die Struktur von Firmenmänteln zu verstehen, manuelle Untersuchungen mit Visualisierungstools zu verbessern und verdächtige Muster zu entdecken, um die Pfade in komplexen Netzwerken zu verfolgen, die letztendlich zum Betrüger zurückführen.
-
Strafrechtliche Ermittlungen
An groß angelegten Straftaten sind häufig viele miteinander vernetzte Personen, Organisationen und Orte beteiligt. Die Aufbereitung von Daten in Graphen ermöglicht es den Strafverfolgungsbehörden, kriminelle Netzwerke effizient zu identifizieren und Muster zu erkennen.
-
Kontaktverfolgung
Die Ermittlung von Seuchenkontakten ist weltweit eine zeitkritische und dringende Aufgabe. Graphen sind ideal für die Analyse von Krankheitsmustern. Analysten können die Informationen über die Personen, die sich als krank erwiesen haben (ihre Interaktionen mit anderen und besuchte Orte) nutzen, um Hotspots und Verbindungen schnell zu lokalisieren und weitere Ausbrüche zu verhindern.
Fertigung
Bei der Umwandlung von Rohstoffen in Produkte sind viele Beziehungen, Komponenten und Abhängigkeiten zu berücksichtigen, sodass sich Graphentechnologien perfekt eignen, um schnell mehr Informationen zu finden.
-
Stückliste
Ein Produkt kann aus Zehntausenden von Teilen bestehen. Was ist, wenn Sie dringend die Auswirkungen der Änderung eines Teils – oder mehrerer Teile – ermitteln müssen? Was ist, wenn jedes Teil mehrere Abhängigkeiten hat? Die Graphenanalyse ermöglicht die interaktive Analyse solcher Abfragen in Echtzeit.
-
Stammdatenmanagement
In vielen Produktionswerken wird oft in jeder Abteilung ein anderer Name für ein und dasselbe Bauteil verwenden. Probleme entstehen dann, wenn Sie mehr über bestimmte Anwendungsfälle und die beteiligten Bauteilen herausfinden müssen. Mit RDF-Graphen können Sie verschiedene Bauteile modellieren und die Beziehungen und Verbindungen nutzen, die sie untereinander haben.
-
Rückverfolgbarkeit
Die Rückverfolgbarkeit ist z. B. bei Produktrückrufen wichtig, wenn Sie ein bestimmtes Bauteil zurückverfolgen müssen, das von einer bestimmten Fabrik zu bestimmten Daten und Zeiten hergestellt wurde. Die Identifizierung von Autos oder anderen Produkten auf dem Markt durch die Rückverfolgung von Bauteilen kann ohne Graphentechnologie sehr schwierig sein.
Marketing
Um ihr Zielpublikum anzusprechen, müssen Marketingspezialisten ihre Kunden und deren Beziehung zu ihren Produkten verstehen.
-
360-Grad-Kundenanalyse
Unternehmen wissen heute durch Stammdaten, Transaktionen, Angebotsdaten und Vorhersagen zwar mehr über ihre Kunden, aber sie nutzen diese Informationen oft nicht in vollem Umfang. Eine echte 360-Kunden-Analyse zu erstellen ist schwierig, selbst wenn die Daten bereits gesammelt und in die physische Plattform integriert sind. Graphen können die Daten logisch integrieren und die Erstellung einer einheitlichen Sicht auf jeden Kunden vereinfachen.
-
Produktempfehlungen
Zwar können auch Technologien, die keine Graphen verwenden, Empfehlungen bieten, doch Graphen ermöglichen eine höhere Genauigkeit, da sie Kontext hinzufügen können. Graphdatenbanken heben Verbindungen hervor, wie z. B. die Beziehungen zwischen Kunden und den Produkten, die sie kaufen möchten, und liefern mehr kontextbezogenen Input für den Empfehlungsprozess.
-
Social Media
Soziale Medien sind auf Beziehungen ausgerichtet und verbinden Nutzer in der ganzen Welt. Die Sicherstellung der Echtheit dieser Nutzer ist entscheidend. Graph kann soziale Netzwerke und damit verbundene Daten sehr schnell durchforsten und Empfehlungen zu Nutzern, Bildern und Produkten geben, aber auch betrügerische Aktivitäten und sogenannte „Sockenpuppen-Konten“ erkennen.
Financial Services
Egal, wie sehr sie sich bemühen, es zu verschleiern, Finanzkriminelle sind durch Beziehungen, sei es zu anderen Kriminellen, Standorten oder Bankkonten, miteinander verbunden. Die Graphentechnologie macht sich diese Tatsache zunutze, um neue Möglichkeiten der Kriminalitätsbekämpfung zu erschließen.
-
Geldwäsche
Kriminelle versuchen häufig, betrügerisch erlangtes Geld durch eine lange und komplizierte Reihe gültiger Überweisungen zwischen legitimen Konten zu verstecken. Graphen erleichtern die Aufdeckung von Betrug durch die Analyse von Transaktionen zwischen Unternehmen und die Identifizierung von Konten mit ähnlichen Informationen, die sich gegenseitig Geld überweisen.
-
Aufdeckung von Geldkurieren und Money Muling
Traditionell werden Warnungen aus regelbasierten Modellen in Kombination mit manuellen Kontrollen verwendet, um Geldkuriere und Money Muling aufzudecken. Außerdem wird maschinelles Lernen eingesetzt, um menschliche Entscheidungen vorherzusagen. Die Verbesserung solcher Modelle ist jedoch aufgrund der begrenzten Informationen zu diesen Konten schwierig. Graphen gehen über diese Beschränkung hinaus, indem sie die Transaktionsinformationen als Randinformationen verwenden und weitere Merkmale der Konten auf der Grundlage der umgebenden Beziehungen und Transaktionen generieren.
-
Betrugserkennung in Echtzeit
Konsumenten wollen immer einen sofortigen Zugang zu Dienstleistungen und Geldtransfers, was wiederum Möglichkeiten für Kriminelle schafft. Da Graphen blitzschnelle Antworten auf Abfragen und einen erweiterten Zugang zu Daten ermöglichen, sind sie zu einer beliebten Technologie für die Betrugserkennung in Echtzeit geworden. Property-Graphen werden häufig verwendet, insbesondere beim Online-Banking und bei der Analyse von Geldautomatenstandorten. Sie verbessern Algorithmen zur Betrugserkennung anhand von Daten, die sonst nur schwer zuzuordnen sind.
Oracle Graph – Tarife
Graph-Datenbanken und Graph-Analysen sind in Oracle AI Database integriert und in den Lizenzen für On-Premises-Datenbanken und Autonomous AI Database enthalten.
Erfahren Sie mithilfe der Diagrammdatenbank von Oracle ganz einfach, wie Sie Beziehungen und Verbindungen in Daten erkunden können, indem Sie verschiedene Diagrammstrukturen, leistungsstarke Analysen und intuitive Visualisierung unterstützen.
KI verändert grundlegend, wie wir über Daten und Anwendungen denken. In dieser Main-Stage-Keynote auf der Oracle AI World geben Juan Loaiza, EVP für Database Technologies bei Oracle, und T.K. Anand, EVP für Healthcare und Analytics bei Oracle, Einblicke in die KI-getriebene Zukunft.
Die Lösung kombiniert Oracle Autonomous AI Database mit dem herstellerunabhängigen Apache Iceberg und ermöglicht es Kunden, KI und Analysen sicher auf all ihren Daten auszuführen – verfügbar auf OCI, AWS, Azure, Google Cloud und Exadata Cloud@Customer.
Wissensgraphen, auch Ontologien genannt, helfen Anwendungen bei der Abfrage von Daten mit dem zugehörigen Kontext und ermöglichen es Benutzern, geschäftliche Entscheidungen anhand des Kontexts zu treffen. Erfahren Sie in einem Anwendungsfall, wie Oracle Graph solche Ontologien unterstützt.
Graph-Analysen für alle Ihre Daten
Melliyal Annamalai, Distinguished Product Manager, Oracle
Graph-Analysen mit der Autonomous AI Database können Unternehmen transformieren, indem sie vielfältige Datenquellen nutzen, darunter Data Lakes und Apache-Iceberg-Tabellen. Durch SQL-gestützte Graph-Analysen über verschiedene Formate und Cloud-Umgebungen hinweg lassen sich komplexe Beziehungen, verborgene Muster und verwertbare Erkenntnisse aufdecken – für Anwendungsfälle wie Cybersicherheit, Lieferketten, Onlinehandel und mehr. Erfahren Sie, wie die einheitliche Umgebung von Oracle Knowledge Graphs optimiert, die Integration externer Daten vereinfacht und Skalierbarkeit sowie Sicherheit auf Enterprise-Niveau bietet.
Vollständigen Beitrag lesen
