Neo4j for Graph Data Science 1.4 ermöglicht den Einsatz von graph-nativen Machine Learning-Verfahren
München, 20. Oktober 2020 – Neo4j, führender Anbieter von Graphtechnologie, kündigt Neo4j for Graph Data Science 1.4 an. Die aktuelle Version des Frameworks ermöglicht Graph Embeddings und lässt Unternehmen graphbasierte Machine Learning-Verfahren in Kombination mit Deep Learning und Graph Convolutional Neural Networks (CNN oder ConvNet) einsetzen.
Graph Embedding ist ein Ansatz innerhalb der Graphtechnologie, um komplexe Graphstrukturen zu abstrahieren und sie in ihrer Dimensionalität zu reduzieren. Dabei wird das umgebende Netzwerk für jedes einzelne Datenelement innerhalb eines Graphen berechnet, um Vorhersagen auf Basis von Machine Learning-Verfahren zu optimieren. Graph Embedding Algorithmen erfassen die Struktur eines Graphen, sodass der Anwender nicht mehr auf vorgegebene Formeln/Templates angewiesen ist, um spezifische Merkmale wie den Centrality-Wert zu berechnen.
Mit Ausnahme von Google und Facebook nutzen bislang nur wenige Unternehmen Graph Embeddings. Neo4j for Graph Data Science 1.4 stellt diese innovative Technologie allen Unternehmen zur Verfügung, um prädiktive Analysen und Vorhersagen durchzuführen – von der Betrugsaufdeckung über die 360-Grad-Sicht von Kunden oder Patienten bis hin zum Schließen von Lücken in Knowledge Graphen. Damit bietet Neo4j for Graph Data Science 1.4 die erste und einzige graph-native Machine-Learning-Lösung, die für Unternehmen kommerziell verfügbar ist.
Neo4j for Graph Data Science 1.4 enthält drei neue Graph Embedding-Optionen, die durch Auslesen der Graphtopologie für akkuratere Darstellungen sorgen:
- node2Vec ist ein bekannter Graph Embedding-Algorithmus, der neuronale Netze verwendet.
- FastRP ist bis zu 75.000 Mal schneller als node2Vec, bei gleicher Präzision und hoher Skalierbarkeit bei großen Graphen.
- GraphSAGE ist ein Graph Embedding-Algorithmus und Verfahren für das induktive Lernen der Repräsentation des Aufbaus von Graphen unter der Verwendung von Graph Convolutional Neural Networks. Der Algorithmus passt sich dabei fortwährend den Änderungen des Graphen an.
Neben Graph Embeddings umfasst die neue Version von Neo4j for Graph Data Science auch allgemeine Machine Learning-Algorithmen, wie den k-nearest neighbors algorithm (k-NN). Dieser Algorithmus wird üblicherweise für Musterklassifikationen genutzt, um die durch Graph Embeddings gewonnenen Erkenntnisse einfacher zu erfassen. Damit können auch Graphstrukturen aus der Ähnlichkeit von disparaten Datenpunkten ermittelt werden.
- Aufdecken verborgener Erkenntnisse innerhalb der Daten: Graph Embedding Algorithmen erkennen, was in den Daten strukturell bedeutsam ist, indem sie eine Obermenge an Informationen ermitteln, die alle herkömmlichen Graph-Algorithmen liefern würden. Graph Embeddings untersuchen dabei die Topologie und Eigenschaften (Properties) des Graphen exemplarisch und reduzieren ihn anschließend auf seine signifikanten Merkmale für weitere Machine Learning-Verfahren.
- Mehr als nur Algorithmen: Graph-Algorithmen in Verbindung mit Graph Embeddings können die Struktur eines Graphen anhand seiner Topologie und Eigenschaften abstrahieren. Dadurch lassen sich Ergebnisse auf Grundlage der Verbindungen zwischen Datenpunkten – und nicht nur auf der Basis von Rohdaten – vorhersagen.
- Schnelleres Feature-Engineering: FastRP und Generalized Learning erübrigen das Testen von unterschiedlichen zielgerichteten Algorithmen bei mehrdeutigen prädiktiven Merkmalen.
- Kontinuierliches Einbinden neuer Daten und Prognosen: Erlernte Funktionen von GraphSage werden in einem neuen Modellkatalog für Machine Learning-Modelle abgespeichert und können jederzeit auf neue Daten angewendet werden – ohne das Modell neu einlernen zu müssen.
- Mehrwert der Graphdatenbank ausschöpfen: Laufende Bewertungen und Klassifizierungen sowie das prädiktive Aufspüren fehlender Informationen führen zu kontinuierlich optimierten Erkenntnissen.
“Wir sind sehr stolz darauf, mit Neo4j for Graph Data Science eine Enterprise-Lösung präsentieren zu können, die modernste Graph Analytics mit hoher Benutzerfreundlichkeit verbindet und sich daher für den breiten Einsatz in Unternehmen eignet. Damit ist nun jeder in der Lage, Graph Machine-Learning-Verfahren in vollem Umfang für seine Anwendungen zu nutzen. Was Predictive Analytics angeht, ist das ein echter Meilenstein”, erklärt Alicia Frame, Lead Product Manager und Data Scientist bei Neo4j.
Ausführlichere Details zu der Version 1.4 von Neo4j for Graph Data Science erfahren Sie auf der globalen Neo4j Developer Expo & Summit NODES. Vorträge und Demos von der Online-Veranstaltung Neo4j Connections for Graph Data Science finden Sie hier.
GOV.UK implementierte ihr erstes Machine Learning-Modell auf Basis von Graph Data Science und einem Neo4j Knowledge Graph.