Spanner Graph は、グラフ データベース機能と Spanner のスケーラビリティ、可用性、整合性を組み合わせます。Spanner Graph は、ISO Graph Query Language（GQL）と互換性のあるグラフ クエリ インターフェースをサポートし、リレーショナル モデルとグラフモデル間の相互運用性を実現します。
Spanner Graph では、宣言型スキーマを使用して、データを移行せずにテーブルをプロパティ グラフにマッピングできます。これにより、表形式のデータセットにグラフを追加できます。クエリごとにデータモデルの選択を遅延結合することもできます。これにより、ワークフローに適したツールを簡単に選択できます。
Spanner Graph の利用を開始するには、Spanner Graph を設定してクエリを実行すると Spanner Graph の Codelab をご覧ください。
Spanner Graph データベースのメリット
グラフは、データの関係性を自然に表すことができるメカニズムです。グラフ データベースのユースケースには、不正行為の検出、推奨事項、サイバー セキュリティ、コミュニティ検出、ナレッジグラフ、Customer 360、データのカタログ化、リネージ トラッキングなどがあります。
これまで、アプリケーションはこのタイプのグラフデータをリレーショナル データベース内のテーブルとして表し、複数の結合を使用してグラフを走査していました。グラフ走査ロジックを SQL で表現すると、複雑なクエリになり、作成、メンテナンス、デバッグが難しくなります。
Spanner Graph のグラフ インターフェースを使用すると、関係の移動や、グラフ内のパターンの直感的な特定が可能となります。さらに、Spanner Graph は、オンライン分析ワークロードとグラフのトランザクション ワークロードに適した、グラフ用に最適化されたストレージとクエリの機能強化を提供します。これらはすべて、Spanner のコア機能に組み込まれています。
このアプローチにより、Spanner Graph は、ミッション クリティカルなグラフ アプリケーションにも最適なソリューションになります。特に、Spanner の透過的シャーディングはきわめて大規模なデータセットに対して弾力的に拡張できます。ユーザーの介入なしで大規模な並列処理を使用します。
Spanner Graph のユースケース
Spanner Graph を使用すると、次のようなさまざまなタイプのオンライン グラフ アプリケーションを構築できます。
金融詐欺行為を検出する: ユーザー、アカウント、トランザクションの間の複雑な関係を分析して、資金洗浄やエンティティ間の異常な接続など、リレーショナル データベースでは検出が困難な疑わしいパターンや異常を特定します。
顧客との関係を追跡する: 顧客との関係、好み、購入履歴を追跡します。各顧客を包括的に把握し、パーソナライズされたおすすめ情報、ターゲットを絞ったマーケティング キャンペーン、カスタマー サービスの利用体験の向上を実現します。
ソーシャル ネットワークをキャプチャする: ユーザーのアクティビティとインタラクションをキャプチャし、友だちのおすすめ情報やコンテンツの検出のためにグラフ パターン マッチングを使用します。
製造とサプライ チェーンを管理する: グラフにパーツ、サプライヤー、注文、在庫状況、欠陥をモデル化して、影響を分析し、費用をロールアップして、コンプライアンスをチェックします。
医療データを分析する: 患者との関係、状態、診断、治療をキャプチャして、患者の類似性分析と治療計画を容易にします。
サプライ チェーンを管理する: 配送ルーティング プランに基づいて、ルート セグメントを評価してセグメント ルールの違反を特定します。
主な機能
Spanner Graph は、グラフ、リレーショナル、検索、AI 機能を統合するマルチモデル データベースです。高いパフォーマンスとスケーラビリティを実現し、次の機能を提供します。
ネイティブなグラフ エクスペリエンス: ISO GQL インターフェースは、オープン スタンダードをベースにした、使いやすい専用のグラフ エクスペリエンスを提供します。
GraphRAG ワークフロー アプリケーションを構築する: Spanner Graph は LangChain と統合されているため、GraphRAG アプリケーションの構築に役立ちます。従来の検索拡張生成（RAG）では、ベクトル検索を使用して大規模言語モデル（LLM）にコンテキストを提供しますが、データ内の暗黙的な関係は使用できません。GraphRAG は、このような複雑な関係をとらえたグラフをデータから作成することで、この制限を克服します。次に、グラフ検索（関係ベースのコンテキスト用）とベクトル検索（意味的類似性用）を組み合わせて、どちらかの方法だけを使用するよりも正確で関連性の高い完全な回答を生成します。詳細については、LangChain を使用して LLM を活用したアプリケーションを構築するをご覧ください。Vertex AI で Spanner Graph を使用して GraphRAG 対応の生成 AI アプリケーションのインフラストラクチャを構築する方法については、Vertex AI と Spanner Graph を使用した生成 AI 用 GraphRAG インフラストラクチャをご覧ください。
リレーショナル モデルとグラフモデルの統合: GQL と SQL との間の完全な相互運用性が確保されており、データサイロが解消されます。これにより、抽出、変換、読み込み（ETL）のオペレーション オーバーヘッドなしで、ユースケースごとに最適なツールを選択できます。
組み込みの検索機能: 豊富なベクトル検索機能と全文検索機能がグラフと統合され、グラフ分析で意味論的な意味とキーワードを使用できます。
AI を活用した分析情報: Vertex AI と緊密に統合されているため、AI モデルのスイートを Spanner Graph 内で直接活用し、AI ワークフローを加速できます。
拡張性、可用性、整合性: Spanner の確立された拡張性、可用性、整合性により、堅固な基盤を構築できます。
サポートを受ける
このユーザーガイドをお読みになられたうえで、Spanner Graph とその機能についてご不明な点がございましたら、[email protected] までメールでお問い合わせください。
次のステップ
- Spanner Graph Codelab を使ってみる。
- Spanner Graph を設定してクエリを実行する。
- Spanner Graph スキーマについて学習する。
- Spanner Graph スキーマの作成、更新、削除の方法について学習する。