隨著生成式 AI 成為企業創新、營運優化的助手,許多企業開始考慮開發生成式 AI 工具,然而想做到這點,資料庫成為支持 AI 開發重要的要角,如何從結構化和非結構化資料中,快速找到合適的數據來訓練模型,是企業須先解決的挑戰。因此 Google Cloud 推出 Spanner Graph,將圖形資料庫功能與其分散式關聯資料庫管理系統 Cloud Spanner 相結合,打造出兼具兩者優勢能進行圖形處理、向量搜尋和文字搜尋的解決方案。
圖形資料庫成 AI 開發的資料庫首選?應考量資料孤島與複雜性
現今在開發 AI 模型和應用程式上,除了結構化資料的分析,處理非結構化資料如文字、影像和音訊檔案更為重要。圖形提供了一種自然的機制來表示資料中的關係,使其非常適合分析相互關聯的資料、揭露隱藏的模式,以及支援依賴於了解關聯的應用程式。不過,採用獨立的圖形資料庫常面臨以下挑戰
- 資料碎片化和營運成本增加: 維護獨立的圖形資料庫容易導致資料孤島、增加複雜性和資料副本之間的不一致,進而阻礙有效的分析和決策。
- 延展性和可用性瓶頸: 許多獨立圖形資料庫難以滿足關鍵任務應用程式的延展性和可用性需求,尤其是在資料量和複雜性不斷增長的情況下,阻礙業務成長。
- 生態系統摩擦和技能差距: 企業原先在 SQL 專業知識和基礎架構方面投入了大量資金,這使得採用全新的圖形資料庫變得更加困難,需要額外的資源和培訓。
結合圖型資料庫、Cloud Spanner 優勢,Spanner Graph 重塑 AI 開發應用
Google Cloud 在 2017 年首次推出 Cloud Spanner 關聯式資料庫服務,在處理結構化資料上具有高效、易於擴展的特性。 不過現今為了迎向 AI 模型和應用程式的開發,「非結構化資料」的處理也成為企業重視的特點。Google Cloud 因此重新構想了圖形資料管理,推出 Spanner Graph 服務,無縫整合具有圖形查詢、SQL 查詢搜尋和 AI 功能的統一資料庫,並且具有幾乎無限的可擴展性。以下統整 Spanner Graph 特點,以及與傳統資料庫的差別
- 提供原生圖形體驗: Spanner Graph支援 ISO 圖形查詢語言 (GQL) 介面,提供基於開放標準、直覺且簡明的方式來匹配模式和遍歷關係。
- 整合關聯和圖形模型:不像傳統圖形資料庫與其他資料庫獨立運行, Spanner Graph 因為 GQL 和 SQL 之間的完全互通性打破了資料孤島,使開發人員能夠為每個查詢選擇最佳工具,並避免複雜且昂貴的資料移動。
- 內建搜尋功能: 除了支持 GQL 進行圖形查詢外,還具有豐富的向量和全文搜尋功能,可使用語意和關鍵字有效地擷取圖形資料。
- 業界領先的延展性、可用性和一致性: 繼承 Spanner 的可擴展性,以及透明的分片技術,自動將數據分散到不同的節點上,實現橫向擴展,確保在高負載下的穩定性。
- AI 驅動的洞察力: Spanner Graph 與 Google 的 Vertex AI 深度整合,允許用戶直接訪問 AI 模型,這在傳統圖形資料庫中是難以實現的,加速 AI 工作流程。
Spanner Graph 應用案例
Spanner Graph 提供了一個強大的平台,適用於多種應用場景,特別是在需要處理複雜關係和大量數據的情況下。以下是一些主要的使用案例:
- 個人化產品推薦: 能以圖型化方式針對使用者、產品及其偏好進行模擬,打造具有豐富脈絡的知識圖譜,並透過結合圖形追蹤與全文搜尋技術,從使用者的查詢、購買歷史和偏好以及與其他使用者的相似性,提供更加準確和個人化的產品推薦。
- 金融詐騙偵測: 透過圖形化方式呈現銀行帳戶、交易紀錄、個人資料(nodes)之間的交易連接、資金流動(edges)的關係,藉由向量搜尋可在嵌入空間中揭露相似的交易模式和異常情況,協助金融機構快速、準確地識別潛在詐欺威脅,將財務損失降至最低。
- 社群搜尋優化: 以圖形化呈現個人、團體、興趣和互動模式,能有效地找出重複模式,例如共同好友、共同興趣或重疊的社團成員,以進行個人化建議。整合的全文搜尋功能讓用戶以自然語言查詢,輕鬆搜尋人員、群組、貼文或特定主題。
- 遊戲互動體驗優化: 對於尋找路徑、資源管理和社交互動的遊戲來說,能藉由圖形化清楚呈現遊戲世界中玩家、角色、道具和地點之間的關係,並進行高效的關係追蹤與優化。同時,Spanner Graph 的延展性和全球一致性,能確保所有玩家即使在尖峰時段也能享有順暢的遊戲體驗。
- 網路安全性: 瞭解裝置、使用者和事件間隨時間變化的相互依賴性,對於識別模式和異常狀況來說至關重要。資安人員可以運用 Spanner Graph 的關聯和圖形互通性,透過圖形功能來追蹤攻擊源頭、評估安全性漏洞的影響,並將這些發現與時間趨勢相關聯,以利主動偵測及因應威脅。
- GraphRAG: 利用知識圖譜建立基礎模型的推理基準,使「檢索增強生成 (RAG)」技術更上一層樓。此外,Spanner Graph 中圖形與表格型資料相結合後,所形成的脈絡資訊比單一格式所能呈現的更加完整,讓使用者的 AI 應用程式更為豐富多元。憑藉該工具無與倫比的擴充性,即使是最大的知識圖譜也能容納;而內建的向量搜尋和 Vertex AI 整合後,更能簡化生成式 AI 的工作流程。
美國跨國金融公司 Credit Karma 的成功案例,其工程團隊表示,「確保 Credit Karma 1.3 億多名會員的資料安全性,是我們首要的任務。為了打擊和消除我們系統中的詐騙行為,我們與 Google 合作,透過實作 Spanner Graph 資料庫來優化我們的詐騙防範能力。這個先進的平台使我們能夠在潛在的詐騙威脅發生之前就將其偵測出來。借助 Spanner Graph,我們可以有效地偵測和防止詐騙交易、帳戶盜用和其他詐騙活動。」
Spanner Graph 現在提供預覽版!欲了解更多資訊可參考 Google 官網,或是點擊下方藍色方塊諮詢 iKala Cloud 技術顧問了解更多應用!