每天，都會創建 25 億 GB（千億字節）的數據，其中80-90% 的數據被歸類為“非結構化”。本文著眼于圖形技術如何幫助數據分析行業解決這個日益嚴重的“數據泛濫”問題，以找到有效和可靠的見解。

谷歌、Facebook 和 LinkedIn 等科技巨頭長期以來一直利用圖形數據模型的力量來理解其數據中的模式和聯系。這些見解已被用于改進網絡搜索并更好地了解用戶行為。

如今，圖形和圖形計算已在更多垂直行業中無處不在，并且它們被用于尋找新問題的創新解決方案。

一個例子是金融服務行業，這是圖技術的一個巨大增長領域。分析公司 Gartner 預測，到 2022 年，銀行和投資公司將在技術產品和服務上花費 6230 億美元。例如，與前四個月相比，2021 年前四個月針對金融服務公司的數字欺詐攻擊增加了 149%，并已成為欺詐者最賺錢的騙局之一。為了解決這個問題，交互圖被用來深入了解客戶、賬戶和交易之間復雜的相互關系，從而改進欺詐檢測。同樣，可以構建和分析交互圖，通過尋找異常交易模式來防止洗錢。

另一個例子是制藥行業的藥物發現領域，鑒于全球 COVID-19 大流行，該領域受到了額外的關注。圖形技術可以分析關于藥物、治療、結果和患者的各種醫學知識數據，并執行“假設生成”以確定特定疾病的有希望的治療方法。同樣重要的是，這項技術也可用于排除提議的疾病治療方法。這使科學家能夠減少他們需要進行的昂貴且耗時的濕實驗室實驗的數量，以發現疾病的治療方法。

除了加速藥物發現過程（平均花費超過 10 億美元，持續12 年或更長時間）之外，圖形技術也是新興精準醫學領域不可或缺的一部分，擺脫了“一刀切”的局面” 藥物治療方法到定制治療方法，其中使用有關個體患者的數據來尋找針對該患者的治療方法。這使我們能夠建立一種更加個性化的醫療方法。

Graph 技術在某些行業還處于起步階段，因此其在金融欺詐、精準醫療和信息安全等領域的應用只是技術潛力的皮毛。該技術可應用于太空探索、腫瘤學、甚至古語解密等邊緣領域！

限制圖技術廣泛采用的障礙包括圖平臺在與第三方庫和數據處理管道中的其他系統進行互操作時遇到的困難。這顯示了 Katana Graph 平臺的元素，這些元素可以解決這一挑戰，以幫助從數據中提取情報。（圖片：武士刀圖表）。（點擊圖片展開）

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.

審核編輯 黃昊宇