Nachbericht Graph + AI Summit 2021 Graph-Technologie und KI-Einsatz gehören zusammen

Autor / Redakteur: Michael Matzer / Nico Litzel

Auf dem Graph + AI Summit 2021, der kürzlich vom Softwarehersteller TigerGraph für rund 6.000 erwartete Online-Besucher veranstaltet wurde, berichteten Unternehmen wie Jaguar Land Rover, Intuit und JPMorgan Chase von ihren Erfahrungen mit dem Einsatz einer Graph-Plattform. Analysten wie etwa Noel Yuhanna von der Forrester Group stellten Anwendungsfälle für Graph und KI vor: Graph und KI gehören demnach untrennbar zusammen.

Firmen zum Thema

Auf dem Graph + AI Summit 2021 berichteten namhafte Unternehmen von ihren Erfahrungen mit dem Einsatz einer Graph-Plattform.
Auf dem Graph + AI Summit 2021 berichteten namhafte Unternehmen von ihren Erfahrungen mit dem Einsatz einer Graph-Plattform.
(Bild: TgerGraph)

Die Gründe für das Zusammenwachsen von Graphentechnologie und KI bzw. Machine Learning sind im Grunde einfach. Während die Graphentechnologie enorme Datenmengen ohne umfangreiche SQL-Abfragen zugänglich macht und die erschlossenen Daten mit Kontext versieht, erfordert es modellbasierte Vorhersagen mit Machine Learning, um aus den Ergebnissen hilfreiche Erkenntnisse und Maßnahmen abzuleiten, die das Geschäft weiterbringen. Die ML-Algorithmen für Graph können jedoch exponentiell skalieren und ein IT-System überfordern. Fazit: Das Team aus KI plus Graph erfordert eine verteilte IT-Infrastruktur, was Compute und Storage angeht. Die kostengünstigste Methode, um dies sicherzustellen, ist die Cloud.

Bildergalerie

Der erste Tag eröffnete mit drei Keynote-Vorträgen, die weiteren Vorträge kamen von Fachreferenten. Fallstudien und Praxis-Workshops richteten sich an ein Fachpublikum aus den Bereichen Data Science, Analysesysteme und KI. Es war Brad Spiers, geschäftsführender Direktor bei der US-Bank JPMorgan Chase, der über seine Erfahrungen aus der Kombination von Machine Learning und Graphentechnologie bei JPMorgan Chase einige warnende Hinweise zu der oben erwähnten Gefahr berichtete.

„Wir nutzen Graph und Machine Learning, um das Vertrauen unserer Kunden in unsere Tätigkeit zu erhöhen“, sagte er. „53 Millionen Online-Kunden nutzen unsere digitalen Services, und unsere IT verarbeitet 450 Petabyte an Daten, die von rund 35.000 Entwicklern genutzt werden.“ Diese Dimensionen sprengen nahezu die Vorstellungskraft. Aber nicht die enormen Datenmengen seien die größte Herausforderung, so Spiers, sondern die spezielle Arbeitsweise von Graph-Algorithmen. JPMorgan Chase nutze 14 Algorithmen, darunter Cluster, Shortest Path oder Page Rank, um Beziehungen zu finden und den üblichen Datenwust zu strukturieren. „Unsere nächste Neuerung wird Graph Analytics sein“, kündigte er an: „Daten treiben zusammen mit Machine Learning Erkenntnisse an.“

Anforderungen an die Graph-Plattform

Doch solche Graph-Erkenntnisse erfordern die hohe Skalierbarkeit der Graph-Plattform, denn: „Graph-Algorithmen skalieren exponentiell!“ Die Daten sind nicht hilfreich, sondern vermehren sich vielmehr durch das „Gesetz der Verteilung“. Das kann die Verarbeitung beeinträchtigen: Workarounds wie etwa einen Cache zu verwenden oder das Scale-out-Modell hilft nicht, sondern bewirken das Gegenteil. „Weitere Graph Services erweitern die Plattform und belasten sie“, sagte er. „Graphen erfordern daher skalierbare Software und möglicherweise HPC-Infrastruktur. Spiers' Rat: „Mit diesem Ziel im Blick sollten Sie zu planen anfangen!“ Mit anderen Worten: Wenn man nicht die Ressourcen der Cloud nutzt, kann dies ein kostspieliges Projekt werden.

Die richtige Wahl der Plattform bestimme, ob man als Nutzer wertvolle bzw. ob man überhaupt Geschäftsergebnisse erzielt. „Es kann durchaus passieren, dass eine Graph-Abfrage keine Ergebnisse in der erwarteten Zeit liefert“, berichtete er. „Die Größe eines Ergebnisses kann um den Faktor 100 variieren. Man muss viele Graphen analysieren und versuchen, die Erkenntnisse zu reproduzieren: Sind die Ergebnisse verlässlich?“ Hier könnte möglicherweise die automatisierte Nutzung von AIOps-Verfahren helfen.

Die Auswahl

Wo aber gibt es eine solche verteilte, skalierbare Graph-Datenbankplattform, fragt sich der Interessent. Diese Frage konnte Noel Yuhanna, Chefanalyst bei der Forrester Group beantworten, der sich offenbar nicht nur köstlich amüsierte, sondern der auch die erste analytische Marktübersicht zu Graph-Plattformen präsentierte. Wie im Magic Quadrant der Gartner Group gibt es in einer „Forrester Wave“ Leader, starke Mitstreiter und schließlich Herausforderer. Marktführer ist ganz klar der Pionier Neo4J, danach folgen AWS mit Neptune, dichtauf gefolgt von TigerGraph, Microsoft und Oracle.

„Der Markt für Graph-Datenbank-Plattformen ist in den letzten beiden Jahren förmlich explodiert und wir sehen viele ausgereifte Lösungen“, berichtete er. „40 Prozent der Unternehmen führen bereits KI-Projekte durch, und dieser Anteil wird sich in den nächsten fünf Jahren verdoppeln.“

Seine These ist, dass Graph diese KI-Projekte auf eine höhere Ebene führen werde. „Entscheidend für den Erfolg von Projekten für die digitale Transformation sind die Customer Experience (CX) und die Effizienz der Prozesse.“ Die Prozesseffizienz lässt sich etwa mit einer kompletten Abdeckung einer Lieferkette anpacken, doch für CX ist eine Rundumsicht auf den Kunden und dessen Erlebnis der Interaktion mit dem jeweiligen Unternehmen notwendig. Die Aufdeckung der vielfältigen Beziehungen, die ein Kunde zum Unternehmen hat, ist die Stärke der Graph-Technologie. Mit Graph kann man viel schneller und effektiver die enormen Datenmengen bewältigen, die aus Kundendaten, Clickstreams, Social Media, Sensordaten und Transaktion stammen. Durch den Einsatz von Low Code oder No-Code verbessert sich die Mitarbeiterproduktivität.“

Die Datenqualität ist entscheidend

Auch die Datenqualität sei entscheidend für den Erfolg von KI- und Graphaufgaben. Wie der Zyklus aus Datenerfassung, Datenintegration, Kontextschaffung und Datenbereitstellung und Graph-Auswahl für KI-Modellierung (mit Training und Inferenz) genau aussieht, ist allerdings das Geschäftsgeheimnis von Forrester. Eine öffentliche Wiedergabe der entsprechenden Grafik ist untersagt.

Durch Graph-generierten Kontext lassen sich laut Yuhanna Probleme, die ausgewählt sollten, priorisieren. Die Graphtechnologie zeigt auf, welche IT-Systeme am verwundbarsten sind und welche (aufgrund des Kontextes) sofortige Aufmerksamkeit erfordern. Graph-Plattform zeigt auf, welche Kunden kurz vor der Kündigung stehen und wie man sie davon abhält, indem man das Kundenerlebnis 360 Grad verbessert. Graph zeigt auf, wann man die Fertigungsmaschine bzw. Fließband abschalten sollte, weil zu viele Fehler auftreten und wie man das beste Geschäftsergebnis erzielen kann. Mit anderen Worten: „Graph führt KI/Machine Learning auf die nächste Ebene.“

Harry Powell, Director Data and Analytics bei Jaguar Land Rover (JLR), sprach über die nächste Phase der graphenbasierten Transformation mithilfe digitaler Zwillinge bei Jaguar Land Rover. Bislang konnte das Unternehmen die Lieferkettenplanung von drei Wochen auf 45 Minuten verkürzen und mit Advanced Analytics jährlich mehr als 100 Millionen Pfund an zusätzlichen Gewinnen erwirtschaften. „Nach der Lieferkette werden wir uns um Preisgestaltung und Produktqualität kümmern.“

„Die nächste Welle der digitalen Transformation dreht sich nicht mehr um Informationssammlung, sondern um die Automation des Entscheidungsprozesses, die auf diesen Informationen basieren“, sagte Powell. „Die Graph-Technologie wird einen Wechsel der Gangart herbeiführen, weil sie Unternehmen in die Lage versetzt, Digitale Zwillinge zu verwenden, damit sie innerhalb ihres Systems Ursachen und Wirkungen verstehen.“ Der Nutzer sollte sich fragen: „Wie kann ich meinen Digital Twin so bauen, dass er sowohl die ganze Welt als auch die lokale Umgebung berücksichtigt?“

Dynamische Beziehungen im jeweiligen Kontext

Während relationale Datenbanken nur statische Zustände widerspiegeln können, stellen Graph-Datenbanken dynamische Beziehungen mit dem jeweiligen Kontext dar. Und das sei essenziell für die Customer Experience. Ein Digital Twin benötigt Mikro-Kontext für alles, sei es für die Modellierung von Beziehungen oder Kausalketten. „Erst wenn das KI-Modell diesen Mikro-Kontext berücksichtigen kann, wird es auch zutreffend und dynamisch sein können.“ Dynamisch genug, um Ursache-Wirkung-Ketten fürs Prototyping modellieren zu können. Als Ergebnis der Kombination aus KI und Graph lasse sich die Qualität der Produkte wie auch des Kundenerlebnisses verbessern.

Eingangs der Keynote begrüßte TigerGraphs COO Todd Blaschka die Besucher. Er zitierte seinen CEO, den Firmengründer Yu Xu: „Ein verstärkter Einsatz von KI wird 2021 eine Wertschöpfung von fast drei Billionen US-Dollar schaffen, denn Graphen sind heute in Unternehmen als Standardfunktion anerkannt.“

Neuigkeiten

TigerGraph ist eine Plattform für Advanced Analytics und maschinelles Lernen mit vernetzten Daten. Basierend auf der – nach eigenen Angaben – branchenweit einzigen verteilten nativen Graphdatenbank unterstütze die Technologie von TigerGraph innovative Analyse- und ML-Anwendungen wie Betrugserkennung, Geldwäschebekämpfung, Entitätsauflösung, 360-Grad-Sicht auf Kunden, Empfehlungen, Wissensgraphen, Cybersicherheit, Lieferketten, IoT und Netzwerkanalysen. Wie der Summit gezeigt hat, gehört zunehmend auch das Gesundheitsweisen und die Pandemie-Analyse zu den Einsatzgebieten.

TigerGraph verlautbarte parallel zur Konferenz, dass das Unternehmen seine Zusammenarbeit mit allen Cloud-Anbietern ausgeweitet habe und damit die Verwendung von Cloud-gestützten Graphanalysen vorantreibe. TigerGraph Cloud ist über Amazon AWS, Microsoft Azure und nun auch über Google Cloud (GCP) abrufbar. Das Unternehmen kündigte außerdem Konnektoren für die Plattformen Snowflake und Tableau, einer Tochter von Salesforce an. Die Konnektoren sollen nun den direkten Zugriff von Snowflake- und Tableau-Dashboards auf Beziehungsanalysen erlauben. Damit seien wertvolle Erkenntnisgewinne aus Daten mit nur wenigen Klicks möglich.

Artikelfiles und Artikellinks

(ID:47387208)

Über den Autor