Krankenhäuser sind eines der besten Beispiele, um die Komplexität unstrukturierter Daten hervorzuheben. Von Arztnotizen in EPAs, E-Mails, Textdateien, Fotos, Videos und anderen Dateien – die meisten Patientendaten können nicht von Maschinen gelesen werden. Das schätzt das Forschungsunternehmen IDC über 80 % der Daten wird unstrukturiert sein, wächst von 33 Zettabyte im Jahr 2018 auf 175 Zettabytes bis 2025. Dieses Beispiel zeigt eine enorme Herausforderung im Umgang mit unstrukturierten Daten und deren Analyse, wenn sie in unterschiedlichen Systemen gespeichert sind. Die Gesundheitsbranche ist nur ein prominentes Beispiel für einen Sektor, der mit unstrukturierten Informationen überschwemmt wird, die wichtige klinische und geschäftsbezogene Dateneinblicke liefern könnten. Hier kommt die Graph-Technologie ins Spiel.
Die (unstrukturierte) Datenflut
Diagramme sind eine Möglichkeit, Daten zu kontextualisieren und zu erklären. Graphen selbst können besonders groß sein, mit Datengrößen von 10 bis 100 Terabyte. Daher sind Diagrammdaten besonders vorteilhaft, wenn die Daten umfangreich sind, sich ständig weiterentwickeln und reich an hochwertigen Beziehungen sind.
ERHALTEN SIE UNBEGRENZTEN ZUGRIFF AUF ÜBER 160 ONLINE-KURSE
Wählen Sie mit unserem Premium-Abonnement aus einem breiten Angebot an On-Demand-Datenmanagementkursen und umfassenden Schulungsprogrammen.
Wissensgraphen – die Verbindungen zwischen scheinbar unterschiedlichen Quellen herstellen, um spezifische Geschäftseinblicke zu liefern – gibt es seit vielen Jahrzehnten. In der Vergangenheit wurden Wissensgraphen damit in Verbindung gebracht Suchmaschinen wie Google um seine Suchergebnisse zu verbessern und zu beschleunigen, sowie von sozialen Netzwerken wie LinkedIn und Facebook, um seine Nutzer zu verstehen und relevante Inhalte an die Oberfläche bringen (einschließlich relevanter Anzeigen und Verbindungen zu gemeinsamen Freunden).
In den letzten Jahren sind Graph-Computing-Unternehmen exponentiell gewachsen, wobei die Vorteile von Graph-Datenbanken, Analytik und KI von den großen Tech-Titanen zu einer Reihe von Organisationen und Branchen durchgesickert sind. Gartner sagt voraus dass bis 2025 Graphentechnologien in 80 % der Daten- und Analyseinnovationen verwendet werden, gegenüber nur 10 % im Jahr 2021. Dies wirft die offensichtliche Frage auf: Angesichts des langen Erbes der Graphentechnologie, warum steigt ihre Nachfrage und Popularität jetzt an?
Barrieren für Data Insights
Ein Hindernis für die Einführung von Diagrammen waren frühere Ansätze, Erkenntnisse aus unstrukturierten Datensätzen zu gewinnen. Herkömmliche Graphdatenbanken haben darauf abgezielt, Bedenken auszuräumen relationale Datenbanken wurden aber nicht mit Blick auf die Analytik entwickelt. Dies bedeutete, dass Unternehmen beim Durchlaufen massiver Wissensgraphen oder der Abfrageverarbeitung an Leistungseinschränkungen stießen – selbst bei geringer Latenz und Skalierung.
Ein weiteres Hindernis war der Mangel an Standardisierung in der Graphtechnologie, was zu hohen Kosten für jede Organisation geführt hat, die von einer Legacy-Datenbank zu einer anderen wechseln möchte. Heutzutage muss die Branche noch Fortschritte machen, um die richtigen Tools und offenen Standards zu entwickeln, wie z. B. die Bereitstellung gemeinsamer Bibliotheken, die es Data Scientists ermöglichen, große Diagramme einfach zu verarbeiten.
Von der Nische zur Norm
Für Data-Forward-Organisationen gibt es einige Schlüssellösungen. Eine einheitliche Plattform, die Graph-Abfragen, Graph-Analysen, Graph-Mining und responsive Graph-KI kombiniert, kann beispiellose Flexibilität und Skalierbarkeit beim Verständnis riesiger Datensätze bieten. Eine solche Plattform kann unterschiedliche Systeme zusammenführen und die Zeit bis zur Erkenntnis verkürzen – oder wie lange es dauert, bis eine Analyse der Daten umsetzbares Feedback liefert. Dies ermöglicht einen schnelleren Austausch dieser Erkenntnisse, um eine schnellere Entscheidungsfindung zu ermöglichen und Innovationen zu fördern. Die Einsichtsrate ist wichtig, da Branchen, die sich auf Graph Computing verlassen, offen von Echtzeitinformationen profitieren können, wie z. B. die Überwachung des Netzwerkverkehrs auf verdächtige Aktivitäten und die Alarmierung von Teams, wenn solche Aktivitäten entdeckt werden.
Für praktisch jede Branche – von der Finanzdienstleistung über das Gesundheitswesen bis hin zur Pharmazie – sind ihre Analysen und Informationen nur so gut wie ihre Fähigkeit, die riesigen Datenmengen, die sie haben, wirklich zu verstehen und darauf zu reagieren. Neben einer einheitlichen Plattform besteht eine weitere Option darin, Metadaten auf den unterschiedlichen Systemen zu erstellen und dann darauf einen Wissensgraphen zu erstellen, der als „Daten Lakehouse.“ In diesem Fall dienen die Metadaten dazu, Informationen aus dem Data Lakehouse in unterschiedlichen Systemen zu extrahieren und sie zu einem Wissensgraphen zu vereinheitlichen, der verwendet werden kann, um umsetzbare Erkenntnisse zu liefern.
Da Organisationen weiterhin einen exponentiellen Anstieg der Daten erleben, werden immer mehr Unternehmen Graphen organisch anhäufen, die Milliarden von Knoten und Hunderte von Milliarden Kanten haben. Die datenorientiertesten Organisationen müssen skalierbare Systeme aufbauen, die nicht nur die Zeit bis zur Dateneinsicht verkürzen, sondern auch die zugrunde liegende Komplexität unstrukturierter Daten und veralteter Architekturen angehen.
