图形技术帮助数据分析行业解决数据泛滥问题

每天，都会创建 25 亿 GB（千亿字节）的数据，其中80-90% 的数据被归类为“非结构化”。本文着眼于图形技术如何帮助数据分析行业解决这个日益严重的“数据泛滥”问题，以找到有效和可靠的见解。

谷歌、Facebook 和 LinkedIn 等科技巨头长期以来一直利用图形数据模型的力量来理解其数据中的模式和联系。这些见解已被用于改进网络搜索并更好地了解用户行为。

如今，图形和图形计算已在更多垂直行业中无处不在，并且它们被用于寻找新问题的创新解决方案。

一个例子是金融服务行业，这是图技术的一个巨大增长领域。分析公司 Gartner 预测，到 2022 年，银行和投资公司将在技术产品和服务上花费 6230 亿美元。例如，与前四个月相比，2021 年前四个月针对金融服务公司的数字欺诈攻击增加了 149%，并已成为欺诈者最赚钱的骗局之一。为了解决这个问题，交互图被用来深入了解客户、账户和交易之间复杂的相互关系，从而改进欺诈检测。同样，可以构建和分析交互图，通过寻找异常交易模式来防止洗钱。

另一个例子是制药行业的药物发现领域，鉴于全球 COVID-19 大流行，该领域受到了额外的关注。图形技术可以分析关于药物、治疗、结果和患者的各种医学知识数据，并执行“假设生成”以确定特定疾病的有希望的治疗方法。同样重要的是，这项技术也可用于排除提议的疾病治疗方法。这使科学家能够减少他们需要进行的昂贵且耗时的湿实验室实验的数量，以发现疾病的治疗方法。

除了加速药物发现过程（平均花费超过 10 亿美元，持续12 年或更长时间）之外，图形技术也是新兴精准医学领域不可或缺的一部分，摆脱了“一刀切”的局面” 药物治疗方法到定制治疗方法，其中使用有关个体患者的数据来寻找针对该患者的治疗方法。这使我们能够建立一种更加个性化的医疗方法。

Graph 技术在某些行业还处于起步阶段，因此其在金融欺诈、精准医疗和信息安全等领域的应用只是技术潜力的皮毛。该技术可应用于太空探索、肿瘤学、甚至古语解密等边缘领域！

限制图技术广泛采用的障碍包括图平台在与第三方库和数据处理管道中的其他系统进行互操作时遇到的困难。这显示了 Katana Graph 平台的元素，这些元素可以解决这一挑战，以帮助从数据中提取情报。（图片：武士刀图表）。（点击图片展开）

In spite of graph computing’s ability to deliver data intelligence at speed and at scale, there are two obstacles that have limited its widespread adoption – a lack of understanding about its capabilities, and the difficulty that many graph platforms have had in interoperating with third-party libraries and other systems in data processing pipelines. These hurdles are now being addressed by graph vendors.

As the amount of data continues to increase – and as organizations continue to struggle with managing unstructured data – organizations must find new and innovative approaches to using this information to extract timely insights. Graph technology is one key part of the overall solution, and graph systems, in conjunction with other analytics technologies, will permit organizations to unlock deep insights from the enormous amount of data they already own.

This is the first of a two part-series. In the next article, Keshav Pingali will explain what best practices systems developers should follow to leverage graph technology.

审核编辑 黄昊宇