Suchen

Neo4j for Graph Data Science Enterprise-Framework für Datenwissenschaftler

| Autor / Redakteur: Martin Hensel / Nico Litzel

Mit Neo4j for Graph Data Science ist ab sofort ein Framework verfügbar, das native Graphanalytik und -datenbank mit skalierbaren Graph-Algorithmen und Visualisierung verbindet.

Firmen zum Thema

Neo4j for Graph Data Science stellt ein leistungsfähiges Framework bereit.
Neo4j for Graph Data Science stellt ein leistungsfähiges Framework bereit.
(Bild: Neo4j)

Das Framework richtet sich an Data Scientists und stellt ein benutzerfreundliches Toolset für die Analyse vernetzter Daten sowie das Erstellen von Machine-Learning-Modellen bereit. Laut Neo4j sollen Anwender damit aussagekräftige, aber bislang weitgehend ungenutzte Beziehungen und Netzwerkstrukturen für Analysen heranziehen können. Als mögliche Einsatzszenarien nennt der Anbieter etwa die eindeutige Nachverfolgung von Website-Besuchern über mehrere Plattformen und Touchpoints hinweg, die Betrugserkennung über verdächtige Datenmuster oder die Erforschung von Krankheiten und deren Behandlungsmöglichkeiten.

Umfangreiche Algorithmen

Zum Funktionsumfang zählt die native und persistente Modellierung für die flexible Projektion von In-Memory-Graphen. Das Visualisierungstool Neo4j Bloom stellt die Ergebnisse anschaulich dar und gestattet deren Weiterverbreitung. Skalierbare Graph-Algorithmen lassen sich in reproduzierbare Abläufe integrieren und ermöglichen datenbasierte Vorhersagen. Dazu zählen beispielsweise Community-Detection- und Similarity-Algorithmen zur Identifizierung von Clustern und Nearest-Neighbor-Heuristiken. Centrality-Algorithmen dienen zur Identifizierung von Influencern. Zudem sind Pathfinding- und Link-Prediction-Algorithmen für die topologische Mustererkennung an Bord. Alle Varianten funktionieren über mehrere Milliarden Knoten und Kanten hinweg. Für Benutzerfreundlichkeit und native Anbindung an die Neo4j-Graphdatenbank ist ebenfalls gesorgt.

Wichtige Elemente nicht übersehen

„Die Annahme, dass mehr Daten die Genauigkeit erhöhen und False-Positive-Ergebnisse reduzieren, ist in der Datenanalyse ein weit verbreiteter Irrtum“, erklärt Alicia Frame, Lead Product Manager und Data Scientist von Neo4j. Stattdessen würden viele datenwissenschaftliche Modelle die für Vorhersagen aussagekräftigsten Elemente innerhalb der Daten übersehen – Verbindungen und Strukturen. „Neo4j for Graph Data Science wurde genau deshalb konzipiert, um mit Hilfe der zugrundeliegenden Datenbeziehungen die Vorhersagegenauigkeit von Machine-Learning-Modellen zu optimieren und bisher offene Fragen der Datenanalytik zu beantworten“, so Frame.

Weitere Informationen zu Neo4j for Graph Data Science sind auf der entsprechenden Website zu finden.

(ID:46508405)