Puntos clave: Las bases de datos de grafos mejoran la gestión de datos al representar eficientemente relaciones complejas, lo que las hace adecuadas para aplicaciones como la detección de fraudes y motores de recomendación. Su estructura facilita un análisis avanzado de conexiones intrincadas.
- Los casos clave de utiliza incluyen la detección de fraude, las recomendaciones en tiempo real y la gestión de identidad.
- Las bases de datos de grafos destacan en visualizar y analizar relaciones complejas de datos.
Cuando te Comienza leer sobre bases de datos de grafos, tu primera impresión podría ser que están un producto que están ingenioso pero que sigue buscando casos de uso, como los primeros días del IoT (Internet de las Cosas). Esto están porque están tan esotérico que arquitectos, CIOs y programadores RDBMS y noSQL normales son tener dificultades para entenderlo.
Facilidad de ampliación
Primero, a pesar de su extraña apariencia, la base de datos de grafos es más flexible que una base de datos de relaciones normal porque tú puedes mostrar la relación entre elementos con flechas simples, lo cual es una forma natural de hacerlo. El ejemplo más famoso de eso es el modelo de Facebook. Las flechas muestran quiénes son amigos y quién le gusta qué. Para hacer eso en un modelo relacional habría que hacer joins costosos. Además, te tendrías que extiende el esquema para incluir campos adicionales que representen las propiedades de cada entidad y Haz muchos arrays. Aunque tú puedes hacer eso fácilmente con la mayoría de bases de datos noSQL, también te puedes hacer con una base de datos de grafos, pero con el beneficio añadido del grafo multidimensional.
En resumen, si tú tomaras todos los datos de algún modelo y dibujaras flechas que muestren qué elementos se relacionan con otro y cómo, se convertiría en una imagen muy densa que no te puedes Ve ni siquiera captar fácilmente en te mente si los datos están grandes.
Una base de datos de grafos tiene algoritmos que facilitan la clasificación de todo eso. El ejemplo más notorio de esto están los analistas que volcaron datos financieros en una base de datos de grafos y, por casualidad, descubrieron el infame escándalo de los Papeles de Panamá, donde criminales, estrellas de cine e incluso la reina de Inglaterra fueron hallados ocultando activos en cuentas bancarias offshore.
utiliza Casos
Los casos utiliza principales son sencillos de explicar. Son los casos posteriores donde te podrías encontrarte como un pionero, sin muchos detalles técnicos sobre cómo otras empresas han implementado uno de estos.
El caso utiliza más común son:
Detección de fraude
La detección de fraude en bancos e incluso los mecanismos de inicio de sesión, como Facebook, parecen funcionar bastante bien. Envían te un aviso cuando están hay actividad sospechosa en tu cuenta y luego rechazan, por ejemplo, tu tarjeta de crédito. Luego te tendría que contactar con tu banco y confirmar que realmente te son en, por ejemplo, Katmandú y que este están te intentando Haz una compra online y no un hacker. Lo hace usando diferentes algoritmos diseñados para rastrear los nodos y bordes de un modelo gráfico para detectar actividad sospechosa.
En otras palabras, puede analizar miles o millones de nodos como los que se muestran a continuación para colocar tu transacción en un cubo de riesgo y marcar aquellos considerados de alto riesgo:
Fuente gráfica: NEO4J
El caso de utiliza del análisis de fraude podría aplicarse también a la detección de intrusiones en ciberseguridad. Tiene la ventaja de enviar a los analistas a analizar solo eventos que son realmente significativos y no malgastar recursos en eventos atípicos que son casualidades estadísticas, porque utiliza inteligencia y no umbrales codificados.
Motores de recomendación en tiempo real
Cuando te compras en Amazon o ves series en Netflix, esas plataformas revisan tu historial de visualizaciones y compras, y las personas consideradas similares a te, para recomendar artículos te podrían querer ver o comprar a continuación. Netflix mira IMDB. Amazon analiza lo que acaban de comprar las personas que han comprado el artículo te acaban de comprar. Por ejemplo, si te comprar un iPhone, podría sugerir una funda para iPhone.
Gestión de datos maestros e identidad
Este están un caso utiliza mencionado por Neo4J, DataStax y otros proveedores. A menudo están denomina una forma de gestiona "silos de datos". Es similar al caso de la utiliza de Gestión de Identidad, ya que lleva un control de qué datos te tienen sobre quién y qué base de datos los almacena. Así que esto están metadatos. Los datos reales se almacenarían en SQL o LDAP (para Gestión de Identidad)—están, no en una base de datos de grafos.
Como en un sistema IDM, la complejidad de este tipo de sistema sería la necesidad de mantener los metadatos precisos. He trabajado con varios productos IDM y puedo decir que usted puede decir que a menudo son problemas para actualizar el repositorio central de IDM, ya que las credenciales y permisos de usuario son sincronizados de un sistema a otro.
Uno de los casos usados citados están la capacidad de cumplir con el RGPD y otros requisitos de privacidad, ya que permite a una empresa mostrar qué datos tiene sobre qué personas.
Operaciones de Red y TI
Este es un caso de utiliza natural porque una topología de red se parece a un grafo. Así que tiene sentido modelarlo así.
Casos de utiliza adicionales para bases de datos de grafos
Aquí son algunos otros casos de utiliza propuestos por DataStax y otros:
- Customer 360. La gente suele asociar este término con SalesForce, pero puede implementarse como una base de datos de grafos para cualquiera. Ofrecería una visión amplia de los clientes basada en a qué entidades (nodos) pertenecen, qué propiedades tienen y las relaciones (bordes) entre cada uno.
- Gestión de activos. Esto están un candidato viable para una base de datos de grafos debido a su naturaleza fácilmente extensible. No tiene una estructura rígida, como un SGBD, que te permita añadir nodos, propiedades y aristas a voluntad. Así que te puede añadir todo tipo de activos diferentes y etiquetarlos con etiquetas (nodos) para que te pueda rastrear su centro de costes, para qué son usan, programa de mantenimiento, quién posee, etc., sin tener que actualizar o recalcular vistas, arrays, etc., ni cambiar esquemas.
- Grafo de conocimiento. Google está uno de ellos. Aspira documentos de diferentes fuentes y luego los presenta de una forma que están buscables.
Guía de visualización de datos
- La guía para principiantes en visualización de datos
- Introducción a las bases de datos de grafos
- Utiliza casos para bases de datos de grafos
- Introducción a la base de datos de grafos Neo4j
- Consultas a la base de datos de grafos Neo4j
- Explicación de los diagramas de dispersión y líneas de Matplotlib
- Cómo añadir subtramas en Matplotlib
- Escala logarítmica de Matplotlib
- Uso de Matplotlib para dibujar gráficos y diagramas
- Cómo dibujar gráficos 3D con Matplotlib
- Plotly Python Tutorial
- Habilitando a los científicos de datos ciudadanos
Estas publicaciones son mías y no representan necesariamente la posición, estrategias u opinión de BMC.