تحقق من جميع الجلسات عند الطلب من قمة الأمن الذكي هنا.
تعد قاعدة بيانات الرسم البياني واحدة من أكبر الابتكارات التي ظهرت من طفرة قاعدة بيانات NoSQL التي هزت الصناعة منذ أكثر من عقد من الزمان. تم تطوير قواعد بيانات الرسم البياني لاستخلاص رؤى من كميات ضخمة من البيانات المترابطة. إنهم يخزنون العلاقات بين كائنات البيانات داخل الكائنات نفسها ، مما يتيح تحليلًا سريعًا للغاية يكاد يكون من المستحيل تحقيقه بوسائل أخرى.
تهدف قواعد بيانات الرسم البياني إلى العمل جنبًا إلى جنب مع قواعد البيانات العلائقية – التي لا تزال تمثل مستودعات العمود الفقري المفضلة في معظم المؤسسات – بدلاً من استبدالها. ميزتهم الرئيسية هي القدرة على تنفيذ استعلامات معقدة بسرعة عبر البيانات من أنظمة متعددة دون النفقات التي تكبدتها صلات الجدول أو تحويلات البيانات. يفترض تجميع تلك البيانات البعيدة جهود تكامل البيانات ، غالبًا في شكل بحيرة بيانات.
تتجاوز فوائد قواعد بيانات الرسم البياني مجرد سرعة الاستعلام. لم تعد النماذج العلائقية المعقدة بحاجة إلى أن يتم التوصل إليها بالطريقة المعتادة والشاقة لأن العلاقات يمكن تشكيلها بسهولة ويمكن للمخططات أن تتغير ديناميكيًا. ومع ذلك ، فإن أولئك الذين يجيدون SQL بطلاقة لا يحتاجون إلى الشعور بالإهمال ؛ لغات استعلام قاعدة بيانات الرسم البياني مثل GSQL هي لغات مجاورة لـ SQL معززة بإمكانيات الرسم البياني.
إلى حد كبير ، فإن التركيز على العلاقات والقدرة على التعامل مع كميات كبيرة من البيانات بكفاءة يجعل قواعد بيانات الرسم البياني مناسبة تمامًا لتطبيقات الذكاء الاصطناعي والتعلم الآلي (ML). يمكن تحسين هذه المجموعة عندما يشتمل برنامج قاعدة بيانات الرسم البياني على أدوات خاصة بـ AI / ML وميزات التشغيل البيني.
حدث
قمة أمنية ذكية عند الطلب
تعرف على الدور الحاسم للذكاء الاصطناعي وتعلم الآلة في الأمن السيبراني ودراسات الحالة الخاصة بالصناعة. شاهد الجلسات عند الطلب اليوم.
مشاهدة هنا
إذن ما هي حالات الاستخدام الناشئة لهذه القدرات الجديدة؟ إليك كيفية استفادة خمس صناعات من أداء الاستعلام العلائقي السريع للغاية لقواعد بيانات الرسم البياني عبر مخازن البيانات الموزعة.
1. الحصول على رؤية 360 درجة للعملاء
تميل التفاعلات بين الشركات وعملائها أو توقعات المبيعات إلى أن تكون معقدة ، مع العديد من نقاط الاتصال. من الناحية المثالية ، يجب أن ينتج عن ذلك استراتيجيات مبيعات تتكيف باستمرار مع احتياجات العملاء. إن مثل هذه السيناريوهات ذات الـ 360 درجة تحمل بسرعة علاقات كثير إلى كثير والتي ، باستخدام قاعدة بيانات علائقية ، تتطلب نمذجة مرهقة ووصلات جدول مرهقة لإنتاج رؤى قابلة للتنفيذ.
هذا هو نوع الموقف الذي تتألق فيه قاعدة بيانات الرسم البياني. على سبيل المثال ، اعتمدت مجموعة UnitedHealth Group (UHG) قاعدة بيانات الرسم البياني للمساعدة في تحسين جودة الرعاية لأكثر من 26 مليون عضو مع تقليل التكاليف. أكبر شركة رعاية صحية في العالم من حيث الإيرادات ، تستخدم UHG قاعدة بيانات ضخمة لتتبع أكثر من 120 مليار علاقة بين الأعضاء ومقدمي الخدمات والمطالبات والزيارات والوصفات والإجراءات والمزيد.
طورت UHG العديد من تطبيقات واجهة المستخدم الرسومية فوق قاعدة بيانات الرسم البياني الخاصة بها والتي توفر ، من بين مزايا أخرى ، رؤية موحدة لتفاعلات الأعضاء بين الأطباء والصيدليات والمختبرات السريرية والمستشارين الصحيين و UHG نفسها. يصل أكثر من 23000 مستخدم إلى قاعدة البيانات كل يوم ، مما يمكّن مقدمي الخدمات من تحديد توصيات رعاية وعافية أفضل بناءً على أحدث نشاط للأعضاء في الوقت الفعلي. تتوقع UHG أن وفورات التكلفة قد تصل في النهاية إلى المليارات.
2. تحويل الخدمات المالية باستخدام الذكاء الاصطناعي
كان النمو المتسارع للبيانات هو أكبر عامل تمكين لـ AI / ML ، والذي يتطلب كميات كبيرة من البيانات لإظهار أنماط ذات مغزى وتحسين دقة اتخاذ القرار. قليل من الصناعات هي أكثر كثافة للبيانات من الخدمات المالية ، ولكن كما هو الحال مع الصناعات الأخرى ، تنشأ البيانات من العديد من المصادر المختلفة وينتهي بها الأمر عادةً في صوامع قواعد البيانات العلائقية.
في سد هذه الصوامع ، يمكن لقواعد بيانات الرسم البياني مساعدة الذكاء الاصطناعي / تعلم الآلة على تقديم تحليلات تنبؤية فائقة وإدارة المخاطر واكتشاف الاحتيال ومكافحة غسيل الأموال ومراقبة التداول من الداخل والتوصيات الآلية للعملاء والمزيد. أيضًا ، يمكن أن تساعد قاعدة بيانات الرسم البياني المقترنة بـ AI / ML في ضمان نظافة البيانات في المقام الأول ، وتسوية الاختلافات الشاذة في سجلات العملاء وسمات المنتجات المالية التي قد تؤدي إلى نتائج غير دقيقة.
تستخدم Intuit برنامج قاعدة بيانات الرسوم البيانية بالاشتراك مع AI / ML للتحول من شركة منتج إلى شركة منصة خبراء مدفوعة بالذكاء الاصطناعي. جزء أساسي من هذه الرحلة هو إنشاء الرسوم البيانية المعرفية ، والتي تثري البيانات والرؤى السطحية من مجموعات العناصر ذات الصلة. يجمع Intuit بين الرسوم البيانية المعرفية والشكل الأكثر تقدمًا من ML ، والتعلم العميق ، لتعزيز روبوتات الدردشة والتوصيات داخل التطبيق الخاصة بـ Intuit. عادة ، من الصعب تحديد مدى عمق التعلم الذي يصل إلى نتائجه ؛ من المزايا الرئيسية للرسوم البيانية المعرفية لـ Intuit أنها تضيف “قابلية الشرح” للتعلم العميق.
3. تحسين سلاسل التوريد
من بين الآثار الدائمة لوباء الفيروس التاجي هو إدراك أن سلاسل التوريد العالمية يمكن أن تكون هشة بشكل ينذر بالخطر. مع أو بدون انقطاع ، يدرك المصنعون تمامًا مدى تعقيد العديد من سلاسل التوريد التي يجب صيانتها وتحسينها.
ضع في اعتبارك التحديات اليومية التي يواجهها مصنعو السيارات. الشرط الأول هو التنبؤ بدقة بطلب العملاء لتحديد عدد وأنواع الأجزاء المطلوب طلبها – وصولاً إلى النماذج والخيارات المختلفة التي يتوقع من المشترين اختيارها. يجب أن تتزامن هذه التنبؤات مع توفر قطع الغيار من مئات الموردين ، جنبًا إلى جنب مع تقديرات كفاءة التصنيع ومخاطر الموردين.
اختار Jaguar Land Rover (JLR) حل قاعدة بيانات الرسم البياني لأنه يمكن أن يمتد إلى العديد من صوامع البيانات التي يجب استغلالها لتحليل سلسلة التوريد – واستكشاف مصفوفات العلاقات بين عناصر البيانات. كانت الأهداف الأساسية هي زيادة متوسط الربح لكل وحدة مباعة وتقليل المخزون القديم ، إلى جانب تقليل آثار اضطرابات الموردين. تستغرق بعض استفسارات تخطيط سلسلة التوريد الرئيسية في JLR الآن 45 دقيقة بدلاً من أسابيع ، والأهم من ذلك ، يمكن للإدارة الإجابة عن الأسئلة التي لم تتح لها الفرصة لطرحها من قبل.
4. تحسين عمليات البيع بالتجزئة عبر الإنترنت
تواجه شركات التجارة الإلكترونية للبيع بالتجزئة ضغوطًا تنافسية متزايدة لتقديم تجارب عملاء أفضل مبنية على تفاصيل دقيقة للعملاء وتاريخ الشراء. يمكّن هذا الأساس كل شيء من التسعير الديناميكي إلى توصيات المنتج إلى العروض الخاصة المخصصة ، وكلها تعتمد على البيانات المتراكمة على طول رحلة العميل.
يمكن أن تساعد قواعد بيانات الرسم البياني بعدة طرق. ضع في اعتبارك العلاقات المحتملة – بين العملاء وطرق الدفع والعملاء والعلامات التجارية والمنتجات ومعدلات الإرجاع والعروض الترويجية ومعدلات البيع وغير ذلك الكثير. لنفترض أنك أردت إجراء استعلام لتحديد أي العروض الترويجية كانت أكثر فاعلية لمنتج معين عند عرضها على مجموعة فرعية من العملاء الذين تم تعريفهم على أنهم مخلصون. باستخدام قاعدة بيانات علائقية قد تستغرق وقتًا طويلاً ، ولكن يمكن لقاعدة بيانات الرسم البياني إرجاع النتائج مع زمن انتقال ضئيل جدًا.
الفعل الذي يبدو بسيطًا يتمثل في تحديد العملاء الذين اشتروا ما يمكن تحسينه من خلال قاعدة بيانات الرسم البياني بشكل موثوق ، والتي يمكنها تجميع وتسوية جميع بيانات العملاء المرتبطة بغض النظر عن طريقة الدفع أو نقطة البيع. في اختبار لمدة ثلاثة أشهر لقاعدة بيانات الرسم البياني ، اكتشفت إحدى شركات التجارة الإلكترونية الكبيرة 12 مليون اتصال حساب جديد عبر مواقع البيع بالتجزئة الخمسة المختلفة. قدرت الشركة توفيرًا في الكفاءة بحوالي 3 ملايين دولار وتوقعت زيادة بنسبة 17.6 ٪ في المبيعات.
5. تحسين دقة كشف الاحتيال
لقد شهدنا جميعًا تطور اكتشاف الاحتيال من خلال البنوك وبطاقات الائتمان وشركات الاتصالات لدينا. تميل الجهود المبكرة القائمة على القواعد إلى إغفال المعاملات المشبوهة أو الإشارة إلى المعاملات البريئة على أنها احتيالية. عندما اعتمدت الصناعة المالية قواعد بيانات الرسم البياني لزيادة جهود الذكاء الاصطناعي / تعلم الآلة ، تحسنت دقة الكشف عن الاحتيال بشكل ملحوظ.
تعمل قواعد بيانات الرسم البياني المقترنة بالذكاء الاصطناعي / تعلم الآلة على تحسين دقة الكشف عن الاحتيال ، وتقليل الإيجابيات الكاذبة واكتشاف الحالات الشاذة التي قد يتم تفويتها بخلاف ذلك. يجب أن يعتمد التعلم الآلي على العديد من أنواع البيانات المختلفة لنمذجة السلوك الطبيعي للعميل – الموقع والجهاز ونوع الدفع وطريقة المصادقة وما إلى ذلك. بالإضافة إلى ذلك ، يجب تعديل ما يتم تعريفه على أنه أنماط سلوك عادية بسرعة استجابة للتغيير المشروع. تدعم قواعد بيانات الرسم البياني تلك الديناميكيات وتمكن الذكاء الاصطناعي / التعلم الآلي من اجتياز تفاعلات العملاء لتحديد الفروق المهمة.
اعتمد عملاقا الخدمات المالية JP Morgan Chase و Intuit قواعد بيانات الرسم البياني لتعزيز جهود الكشف عن الاحتيال في مجال الذكاء الاصطناعي / التعلم الآلي. يستخدم JP Morgan Chase قاعدة بيانات الرسم البياني للمساعدة في حماية أكثر من 60 مليون أسرة في الولايات المتحدة وفقًا لـ Intuit ، فقد مكّن التعلم الآلي المستند إلى الرسم البياني الشركة من اكتشاف المزيد من أحداث الاحتيال المحتملة بنسبة 50 ٪ وقلل من الإيجابيات الخاطئة بنفس النسبة تقريبًا.
هذه ليست سوى عدد قليل من الاستخدامات الأكثر شيوعًا لقواعد بيانات الرسم البياني. يستخدم العملاء أيضًا قواعد بيانات الرسوم البيانية لتحسين العمليات التجارية ، وتحسين نتائج الرعاية الصحية ، وشحذ حملات التسويق الرقمي ، وتحديد تهديدات الأمن السيبراني ، وحتى إدارة شبكات الطاقة. تظهر التطبيقات الجديدة على أساس منتظم.
تتمثل مهمة قاعدة بيانات الرسم البياني في فتح نافذة جديدة بالكامل على العلاقات بين عناصر البيانات ، وتقديم تحليلات يمكنها تحديد فرص عمل جديدة ، والإشارة إلى الحركة الضائعة ، وتوفير أساس ذكي لمبادرات الذكاء الاصطناعي / تعلم الآلة. عند منح الوصول إلى العديد من مخازن بيانات المؤسسة ، يمكن لقواعد بيانات الرسم البياني أن تقدم رؤى وإمكانيات جديدة تمامًا.
يو شو هو الرئيس التنفيذي لشركة TigerGraph.
صانعي القرار
مرحبًا بك في مجتمع VentureBeat!
DataDecisionMakers هو المكان الذي يمكن للخبراء ، بما في ذلك الأشخاص التقنيين الذين يقومون بعمل البيانات ، مشاركة الأفكار والابتكارات المتعلقة بالبيانات.
إذا كنت تريد أن تقرأ عن الأفكار المتطورة والمعلومات المحدثة ، وأفضل الممارسات ، ومستقبل البيانات وتكنولوجيا البيانات ، انضم إلينا في DataDecisionMakers.
يمكنك حتى التفكير في المساهمة بمقال خاص بك!
قراءة المزيد من DataDecisionMakers
