Home » Uncategorized » Neo4j Graph Data Science erstmals as-a-Service verfügbar

Neo4j Graph Data Science erstmals as-a-Service verfügbar

Neo4j AuraDS bietet umfassenden Graph-Analytics-Workspace
für Predictive Analytics und ML-Pipelines

Neo4j Graph Data Science erstmals as-a-Service verfügbar

München, 13. April 2022 – Neo4j (https://neo4j.com/?ref=pr-&utm_source=announcement&utm_medium=referral&utm_campaign=Neo4j-GDS-2), weltweit führender Anbieter von Graphtechnologie, stellt Neo4j Graph Data Science erstmals als vollständig verwalteten Cloud-Service bereit. AuraDS (https://neo4j.com/cloud/graph-data-science/?ref=pr-&utm_source=announcement&utm_medium=referral&utm_campaign=Neo4j-GDS-2) bietet neue und erweiterte Features sowie einen umfassenden Graph-Analytics-Workspace. Data Scientists können bei der Entwicklung von KI-Anwendungen nun deutlich schneller und einfacher auf Predictive Analytics-Funktionen und Machine Learning Pipelines zugreifen.

Neo4j AuraDS ist zunächst auf der Google Cloud Platform (GCP) (https://console.cloud.google.com/marketplace/product/endpoints/prod.n4gcp.neo4j.io?pli=1) verfügbar und kann in Verbindung mit bestehenden GCP-Verträgen sowie einzeln bezogen werden. Die Lösung ermöglicht den Zugriff auf mehr als 65 Graph-Algorithmen in einem einzigen Workspace für schnellere Entwicklungsprozesse. Graph-interne ML-Modelle und der native Python-Client steigern die Produktivität und vereinfachen die Arbeitsabläufe. Darüber hinaus profitieren Anwender von AuraDS von folgenden Vorteilen:

Workflow-Optimierung: Drag-and-Drop-Benutzeroberfläche zum Modellieren und Importieren von Daten in Graphen
Flexible Skalierung: Bedarfsgerechte Anpassung der Rechenleistung bei sich ändernden Anforderungen
Hohe Automatisierung: Automatisches Monitoring, Patchen und Sichern von Workloads im Hintergrund ohne manuelles Eingreifen
MLOps-Unterstützung: Persistieren, Veröffentlichen und Wiederherstellen von Machine Learning (ML)-Modellen ohne Unterbrechungen durch Neustarts
Transparente Kosten: Kosteneinsparungen durch Pay-as-you-go-Prinzip, On-Demand-Skalierung sowie Pausieren von ungenutzten Instanzen
One-Klick-Backup: Erstellen von Snapshots von Instanzen, Modellen und In-Memory-Graphen

Neo4j bietet darüber hinaus Anleitungen und Referenzarchitekturen für den Einstieg in die Nutzung von Neo4j AuraDS mit VertexAI (https://cloud.google.com/blog/products/ai-machine-learning/analyze-graph-data-on-google-cloud-with-neo4j-and-vertex-ai).

„Neo4j Graph Data Science hilft Entwicklern, ihre prädiktiven Analysen und Recommendation Engines zu optimieren“, so Ritika Suri, Director Technology Partnerships bei Google. „Mit der Bereitstellung über GCP gewinnt die Graph Data Science-Lösung nun eine vertrauenswürdige, globale Infrastruktur in der Cloud. Anwender können die Plattform nahtlos entsprechend ihrer Geschäftsanforderungen skalieren und sie gemeinsam mit Lösungen wie Big Query sowie das umfangreiche KI, ML und Analytik-Toolset auf Google Cloud nutzen.“

Neben Neo4j AuraDS in der Cloud können Data Scientists auch weiterhin Neo4j Graph Data Science On-Premise nutzen. Die Bibliothek aus Graph-Algorithmen, ML-Pipelines und Data-Science-Methoden hat sich weithin bewährt und kann problemlos Hunderte von Milliarden von Knoten und Beziehungen verarbeiten. Die hohe Performance erleichtert es Data Scientists, innerhalb von bestehenden Data-Pipelines und Tools ihres Ökosystem zu arbeiten. Anwender erhalten eine ganzheitliche Umgebung, um das Potential von Graphtechnologie in vollem Umfang auszuschöpfen, Graph-Algorithmen und ML-Modelle anzuwenden und so die nächste Generation an KI-Anwendungen zu realisieren. Neo4j Graph Data Science punktet überall dort, wo eine hohe Genauigkeit der prädiktiven Analysen und damit ein umfassender Datenkontext nötig ist. Dazu gehören neben Recommendation Engines auch die Betrugsaufdeckung, das Risk Assessment und die 360-Grad-Kunden-Analyse.

„Skalierung steht für uns an erster Stelle, denn wir verarbeiten Kundendaten, deren Größe wir im Voraus nicht abschätzen können“, erklärt Zack Gow, CTO von Orita, einem US-amerikanischen Start-up, das Kundendaten über verschiedene Plattformen und Kanäle hinweg sammelt, analysiert und aufbereitet. „Neo4j bewältigt die Skalierung von unvorhersehbaren Kundendaten ohne Probleme. Mit Neo4j Graph Data Science konnten wir schnell mit dem Data Science-Teil unserer Arbeit beginnen. Als Start-up-Unternehmen ist bei uns hohes Tempo angesagt. Da wollen wir keine Zeit mit schwerfälligen Tools verschwenden.“

Mehr über Neo4j Graph Data Science as-a-Service, AuraDS, erfahren Sie im Blogbeitrag (https://neo4j.com/blog/introducing-graph-data-science-2-0-aurads/?ref=pr-&utm_source=announcement&utm_medium=referral&utm_campaign=Neo4j-GDS-2) sowie im Webinar „What’s New in Graph Data Science: Schneller und einfacher als bisher“ (https://go.neo4j.com/wbr-220426-gds-2-0-launch.html)(Dienstag, 26. April 2022).

Neo4j ist die weltweit führende Graph Plattform. Sie hilft Unternehmen wie Deutsches Zentrum für Diabetesforschung e.V., NASA, UBS und Daimler, die vorliegenden Daten mit Kontext anzureichern, um damit Herausforderungen ganz unabhängig von Umfang oder Komplexität zu lösen. Anwender nutzen Neo4j, um ihre Branchen nachhaltig zu verändern, indem sie Finanzbetrug und Cyberkriminalität eindämmen, globale Netzwerke optimieren, Forschung beschleunigen oder bessere Empfehlungen liefern. Neo4j bietet Echtzeit-Transaktionsverarbeitung, fortschrittliche KI/ML, intuitive Datenvisualisierung und vieles mehr. Weitere Informationen finden Sie auf Neo4j.com und @Neo4j.

Neo4j Media Hotline:
pr@neo4j.com
neo4j.com/pr

Firmenkontakt
Neo4j
Sabine Listl
Prinzregentenstraße 89
81675 München
089 41 77 61 16
neo4j@lucyturpin.com
http://www.neo4j.com

Pressekontakt
Lucy Turpin Communications
Sabine Listl
Prinzregentenstraße 89
81675 München
089 41 77 61 16
neo4j@lucyturpin.com

Home

About pr-gateway

Leave a Reply

Your email address will not be published. Required fields are marked *

*

You may use these HTML tags and attributes: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <s> <strike> <strong>

Scroll To Top