Die Integration von Neo4j Graph Analytics in die Snowflake AI Data Cloud vereinfacht den Einsatz von Knowledge Graphen und Graphenalgorithmen. |
The integration of Neo4j Graph Analytics into the Snowflake AI Data Cloud simplifies the use of knowledge graphs, graph algorithms and ML tools for AI analyses. |
---|---|
Neo4j hat die Graph Data Science Lösung in die Snowflake AI Data Cloud integriert. Dies gaben beide Unternehmen auf dem Snowflake Data Cloud Summit 2024 bekannt. Nutzer der Snowflake-Plattform erhalten damit direkten Zugriff auf die umfangreiche Neo4j-Bibliothek mit Graph-Algorithmen und ML-Tools und können Graph-Funktionalitäten in der gewohnten Snowflake-Umgebung nutzen, ohne ihre Daten verschieben zu müssen.
Ziel der Integration ist es, Komplexität und administrative Hürden zu reduzieren und den Einsatz von Graphtechnologie für Snowflake-Kunden zu vereinfachen. Gerade für KI/ML-, Predictive Analytics- und GenAI-Anwendungen ist dieser einfache Einstieg entscheidend. Unternehmen können ihre sicher verwalteten Daten nativ in Snowflake nutzen, skalieren und mit den Graphanalysefunktionen von Neo4j erweitern. Die so gewonnenen Erkenntnisse helfen Unternehmen, Entscheidungen schneller zu treffen, Zeit und Ressourcen zu sparen und die Time-to-Market zu verkürzen. Ressourcen zu sparen und die Time-to-Value von Projekten zu beschleunigen. Die neuen Funktionen von Neo4j Graph Data Science in der Snowflake Data Cloud sind ab sofort als Preview und im Early Access verfügbar. Die allgemeine Verfügbarkeit folgt im Laufe des Jahres über den Snowflake Marketplace. Out-of-the-box Graph-Algorithmen: Nutzer können die Programmiersprache SQL in der Snowflake Data Cloud verwenden, um Knowledge Graphs zu generieren und mehr als 65 vorkonfigurierte Graph-Algorithmen auszuführen – darunter einfach zu bedienende Tools für maschinelles Lernen (ML). Out-of-the-box Graph-Algorithmen: Nutzer können die Programmiersprache SQL in der Snowflake Data Cloud verwenden, um Knowledge Graphen zu generieren und mehr als 65 vorkonfigurierte Graph-Algorithmen auszuführen – darunter einfach zu bedienende Tools für maschinelles Lernen (ML). Die Neo4j-Bibliothek ist als nativer Dienst in Snowflake integriert. Da die Graph-Algorithmen als SQL-Funktion zur Verfügung stehen, können Anwender ML-Pipelines um Graph-Features (z.B. Influencer Score, Community Identifier, Page Rank) erweitern und die Genauigkeit ihrer MLs verbessern. So können beispielsweise Anomalien in der Betrugserkennung und im Supply Chain Management aufgedeckt und Empfehlungsmaschinen für den Kundenservice optimiert werden. Zero ETL (Extrahieren, Transformieren, Laden): Zero ETL vereinfacht Sicherheit, Daten-Workflows und reduziert den Overhead. Anwender können die Neo4j Library inklusive Graph-Algorithmen direkt nutzen, ohne ihre Daten vorher extrahieren, transformieren und in eine andere Datenbank laden zu müssen. transformieren und in eine andere Datenbank laden zu müssen. Auch die Freigabe durch die IT-Beschaffung und IT-Sicherheit für den Datentransfer zu einem anderen SaaS-Anbieter entfällt. Vertraute Snowflake Umgebung, Werkzeuge und Sprachen: Mit der Integration werden die Graph Data Science-Funktionalitäten von Neo4j Teil des integrierten Toolsets der Snowflake-Plattform. Data Scientists und Entwickler können weiterhin Snowflake SQL für ihre Workflows nutzen, eine agile Entwicklung sicherstellen und schnell und einfach mehr Wert aus ihren Daten schöpfen. Neo4j arbeitet mit den neuen Snowpark Container Services (SPCS), die auf dem Snowflake Data Cloud Summit vorgestellt wurden. Teil des GenAI-Stacks: Mit der Graphdatenbank Neo4j können Wissensgraphen und Vektoren generiert werden, die auf strukturierten und unstrukturierten Daten sowie auf den Beziehungen zwischen den Daten basieren. Diese Fähigkeit ist Teil des umfassenden GenAI Stacks in Snowflake, der sowohl die Vektorsuche als auch die Snowflake Arctic LLM Modelle umfasst. Damit können Daten so dargestellt werden, dass die Antworten von GenAI-Anwendungen verständlicher, erklärbarer und nachvollziehbarer werden. Cloud-nativ und flexibel: Anwender können Graph Data Science-Umgebungen nahtlos aus Snowflake SQL heraus erstellen und mit Snowflake Credits für die während der Laufzeit der Algorithmen genutzten Snowflake-Ressourcen bezahlen. Die temporären Umgebungen sind so konzipiert, dass sich die Aufgaben der Benutzer an die spezifischen Anforderungen anpassen, was eine effiziente Ressourcenzuweisung und niedrige Kosten garantiert. Die Ergebnisse von Graph Analytics können ebenfalls nahtlos in Snowflake integriert werden. Interaktion mit anderen Tabellen im Data Warehouse vereinfacht. „Die Integration der Graph Data Science-Funktionen von Neo4j in die Snowflake AI Data Cloud ist ein großer Schritt nach vorne für unsere gemeinsamen Kunden“, sagt Jeff Hollan, Head of Applications and Developer Platform bei Snowflake. „Gemeinsam geben wir Unternehmen die Werkzeuge an die Hand, die sie benötigen, um tiefere Einblicke in ihre Daten zu gewinnen, Innovationen schneller voranzutreiben und neue Standards für intelligente Entscheidungen zu setzen.“ „Die Kombination aus Neo4js leistungsstarker Graphenanalyse und der Skalierbarkeit und Performance von Snowflake holt Anwender in ihrer gewohnten SQL-Benutzeroberfläche ab und führt sie einfach und direkt zu den Möglichkeiten der Graphtechnologie“, sagt Sudhir Hasbe, Chief Product Officer bei Neo4j. „Die native Integration in die Snowflake-Plattform bietet Unternehmen das volle Potenzial, die nächsten Schritte in Richtung KI/ML, Predictive Analytics und generativer KI effizient zu gehen.“ Neo4j Graph Data Science ist eine Lösung für Analytics und maschinelles Lernen (ML), die verborgene Beziehungen in Milliarden von Datenpunkten identifiziert und im Kontext analysiert. Die Neo4j Library enthält Graphenalgorithmen und ML-Modellierung, mit denen mit denen Anwender ihre Vorhersagen verbessern und neue Erkenntnisse gewinnen können. Knowledge Graphen erfassen Beziehungen zwischen Entitäten, verankern LLMs in Fakten und liefern so die für GenAI-Anwendungen notwendige Erklärbarkeit, Aktualität, Genauigkeit und Kontext für relevante Antworten, Genauigkeit und Kontext für relevante Antworten. Zu den Kunden von Neo4j Graph Data Science gehören unter anderem Boston Scientific, Novo Nordisk und OrbitMI. |
The new integration with Snowflake brings the full spectrum of Neo4j’s industry-leading Graph Data Science (GDS) capabilities into the Snowflake AI Data Cloud for advanced AI insights and predictive analytics.
Snowflake end users seeking graph-enabled insights will now find it simple and straightforward to use GDS within the AI Data Cloud. Instead of moving data between Snowflake and Neo4j, end users can now perform graph analytics directly in the AI Data Cloud using Snowflake SQL – no graph expertise required. Transforming Analytics in the AI Data Cloud With Graph Data Science Neo4j’s Graph Data Science (GDS) brings a robust library of graph algorithms directly to Snowflake. Now, Snowflake users can initiate a fully serverless, isolated, and flexible graph analytics environment directly from SQL using Snowpark Container Services. The dynamic nature of GDS on Snowflake allows for precise resource allocation and the option to power down when analytics processing concludes. The graph analysis results can be written back to the underlying Snowflake instance, seamlessly integrating with other data warehouse tables. The new integration eliminates the need for complex and expensive data migration jobs between separate ML or database platforms outside Snowflake. End users will have a complete graph analytics offering in Snowflake that doesn’t require navigation between multiple environments. This streamlined, zero-ETL approach dramatically reduces time to value, allowing organizations to get more analytics projects into production faster, with tooling they already know. Neo4j brings the industry’s most extensive library of graph algorithms to Snowflake. Neo4j’s GDS algorithms – including similarity, pathfinding, community detection, and many others – open up a world of possibilities for advanced insights in generative AI, fraud detection, predictive analytics, feature development, recommendation engines, logistics, and more. Neo4j’s graph algorithms can be used to generate predictive features to boost machine learning model performance, particularly where relationships between data points carry predictive signals. This is common for tasks related to fraud detection, entity resolution, recommendation systems, supply chain optimization, and customer journey, just to name a few. For example, statistics around centrality and clusters in payment and identity networks can boost performance for credit and insurance claim fraud detection models. Joint customers can enhance generative AI (GenAI) applications by creating graph vectors that improve the relevance, accuracy, and personalization of large language model (LLM) responses. Neo4j GDS enables you to generate vectors using graph embedding algorithms that leverage structured, unstructured, and relationship data from a knowledge graph, significantly improving the grounding information for LLMs. Graph vectors can be used in various GenAI applications across industries such as banking, healthcare, supply chain, and more, providing domain-specific context and enhancing overall AI effectiveness. These features are part of a comprehensive GenAI stack within Snowflake, which includes both vector search and Snowflake Arctic LLM models. The Limitless Potential of Graph in the AI Data Cloud This integration enables our joint Neo4j and Snowflake customers to embrace the limitless possibilities of graph within Snowflake’s large-scale AI Data Cloud. We’re redefining how organizations extract insights from connected data by meeting users where they are in the AI Data Cloud. Product and engineering teams can now develop, scale, and operate applications without operational burden – a pivotal step towards using relationships in data to produce deeper, more comprehensive insights at an unprecedented pace. Neo4j GDS in the AI Data Cloud is available for preview and early access, with general availability later this year on Snowflake Marketplace. Register your interest for an early access preview here. |
Dr. Jakob Jung ist Chefredakteur Security Storage und Channel Germany. Er ist seit mehr als 20 Jahren im IT-Journalismus tätig. Zu seinen beruflichen Stationen gehören Computer Reseller News, Heise Resale, Informationweek, Techtarget (Storage und Datacenter) sowie ChannelBiz. Darüber hinaus ist er für zahlreiche IT-Publikationen freiberuflich tätig, darunter Computerwoche, Channelpartner, IT-Business, Storage-Insider und ZDnet. Seine Themenschwerpunkte sind Channel, Storage, Security, Datacenter, ERP und CRM.
Dr. Jakob Jung is Editor-in-Chief of Security Storage and Channel Germany. He has been working in IT journalism for more than 20 years. His career includes Computer Reseller News, Heise Resale, Informationweek, Techtarget (storage and data center) and ChannelBiz. He also freelances for numerous IT publications, including Computerwoche, Channelpartner, IT-Business, Storage-Insider and ZDnet. His main topics are channel, storage, security, data center, ERP and CRM.
Kontakt – Contact via Mail: jakob.jung@security-storage-und-channel-germany.de