Обзор TigerGraph, передовой платформы для графовой аналитики

От Léon Levinas-Ménard
Последнее обновление: Апрель, 2025

Вернуться к Анализ рынка

TigerGraph — это частная компания по разработке программного обеспечения, основанная в 2012 году др. Yu Xu в Redwood City, Калифорния, которая предоставляет платформу для графовой аналитики в реальном времени, построенную на основе нативной параллельной графовой архитектуры. Разработанная для обработки огромных, взаимосвязанных наборов данных, TigerGraph позволяет организациям выполнять сложные мульти-переходные запросы и продвинутую аналитику – с применением в таких областях, как обнаружение мошенничества, противодействие отмыванию денег, анализ клиента 360, видимость цепочки поставок и кибербезопасность12. Её платформа разработана на C++ и использует патентованный, допускающий универсальную вычислимость язык запросов под названием GSQL, который позволяет как создавать ad hoc запросы, так и интегрировать графовую науку данных непосредственно в базу данных. Комбинируя эффективное сжатие данных с моделью массово параллельной обработки вершин и ребер, TigerGraph обеспечивает высокоскоростное поступление данных (до 100 ГБ/час/узел при идеальных условиях) и масштабируемые варианты развертывания как в самостоятельных средах, так и в своём облачном решении “Savanna” на AWS, GCP и Azure345. Более того, интеграция библиотеки графовой науки данных и AI-ассистента — TigerGraph CoPilot — объединяет передовые методы машинного обучения с интуитивно понятными графовыми запросами, превращая сложные взаимосвязи непосредственно в практические инсайты как для технических специалистов, так и для руководителей цепочек поставок.

История и финансирование

TigerGraph была основана в 2012 году (изначально запущенная как GraphSQL) и ребрендирована в 2017 году. Компания привлекла значительные венчурные инвестиции за эти годы – выйдя из режима скрытности с первоначальным финансированием в размере 33 миллионов долларов и позже закрыв значительный раунд Series C на 105 миллионов долларов в феврале 2021 года, что обеспечило суммарное финансирование свыше 170 миллионов долларов12. Вместо того чтобы стремиться к стратегии поглощения, TigerGraph сосредоточилась на постоянных инновациях продукта и расширении своего присутствия на рынке.

Основные технологии и архитектура

Техническая основа TigerGraph сосредоточена вокруг её нативной параллельной графовой (NPG) архитектуры:

  • Нативный движок и реализация: Основной движок создан с нуля на C++ с использованием передовых методов системного программирования. Он включает в себя движок хранения графов (GSE) и движок обработки графов (GPE), предназначенные для объединения вычислений и данных, что позволяет использовать локальность данных для эффективной обработки36.
  • Язык запросов – GSQL: TigerGraph использует свой патентованный язык, похожий на SQL, GSQL, который является допускающим универсальную вычислимость и поддерживает процедурные конструкции, такие как циклы и условные операторы. Это не только облегчает выполнение ad hoc запросов, но и позволяет создавать встроенные библиотеки графовой науки данных в базе данных1.
  • Сжатие данных и параллелизм: Платформа оснащена патентованным методом сжатия данных, который часто значительно снижает требования к хранению, в то время как модель массово параллельной обработки рассматривает каждую вершину и ребро как единицу вычислений, оптимизируя выполнение графовых алгоритмов на больших наборах данных4.

Продуктовое предложение и случаи использования

TigerGraph позиционируется для аналитики в реальном времени в различных областях применения:

  • Ключевые области применения: Платформа используется в таких областях, как обнаружение мошенничества, противодействие отмыванию денег (AML), анализ клиента 360, видимость цепочки поставок, кибербезопасность и анализ сетей. Её способность выполнять многопереходные запросы — зачастую охватывающие 10 и более переходов — позволяет организациям выявлять неочевидные взаимосвязи в их данных12.
  • Интеграция ИИ и машинного обучения: TigerGraph интегрируется с ИИ через встроенную в базу данных библиотеку графовой науки данных, которая предлагает более 50 графовых алгоритмов, включая кластеризацию, центральность, расчет сходства и потоковые алгоритмы. Кроме того, функция TigerGraph CoPilot действует как AI-ассистент, преобразующий запросы на естественном языке в графовые запросы, тем самым упрощая доступ к продвинутой графовой аналитике для пользователей без глубоких технических знаний78.

Развертывание и масштабируемость

TigerGraph поддерживает различные модели развертывания для удовлетворения разнообразных бизнес-потребностей:

  • Самостоятельное управление и облачные решения: Платформу можно развернуть на Linux-серверах, внутри Docker-контейнеров или через Kubernetes в самостоятельных средах. Для облачного развертывания её предложение Savanna предоставляет полностью распределённое, облачное графовое решение, доступное на основных облачных платформах, таких как AWS, GCP и Azure5.
  • Операционные возможности: TigerGraph акцентирует внимание на таких функциях, как автоматическое разбиение на разделы, эластичное расширение/сжатие кластера и оптимизированная загрузка данных, заявляя о скорости поступления данных до 100 ГБ в час на узел. Эти возможности делают её масштабируемым решением для предприятий, работающих с крупномасштабными графовыми данными, хотя подобные показатели производительности лучше проверять независимо45.

Интеграция с ИИ и графовой наукой данных

TigerGraph объединяет графовую аналитику с искусственным интеллектом:

  • Библиотека графовой науки данных: Этот встроенный набор инструментов содержит широкий спектр алгоритмов, преобразующих сложные графовые взаимосвязи в признаки для машинного обучения, поддерживая такие задачи, как кластеризация, анализ центральности и обнаружение сходств7.
  • TigerGraph CoPilot: Разработанный как AI-ассистент, CoPilot использует генеративный ИИ и обработку естественного языка, чтобы позволить пользователям получать аналитические инсайты из графовых данных без необходимости глубоких технических знаний, что облегчает интеграцию графовой аналитики в традиционные цепочки обработки данных8.

Технический скептицизм и критические замечания

Хотя TigerGraph делает множество технических заявлений, необходима критическая оценка:

  • Бенчмаркинговые показатели: Заявления, такие как ответы на запросы за доли секунды при работе с десятками миллионов записей и высокая скорость поступления данных, должны оцениваться в контексте, поскольку эти показатели часто зависят от конкретных аппаратных конфигураций и условий нагрузки9.
  • Патентованные инновации: Патентованные методы сжатия данных и параллельной обработки, хотя и перспективны, могут давать переменный эффект в реальных условиях. Независимое тестирование является необходимым для подтверждения этих улучшений производительности.
  • Сложность и кривая обучения: Расширенный набор возможностей GSQL, хотя и мощный, может представлять собой крутой путь обучения для новых пользователей, и успешное внедрение будет зависеть от способности организации интегрировать сложные инструменты TigerGraph в существующие рабочие процессы.

TigerGraph против Lokad

Хотя и TigerGraph, и Lokad используют передовые вычислительные технологии и аналитику, их основные направления значительно различаются. TigerGraph — это нативная платформа для графовой аналитики, построенная вокруг движка параллельной обработки на C++, оптимизированного для исследования взаимосвязанных данных посредством многопереходных запросов и графовых алгоритмов. В отличие от неё, Lokad ориентирован на прогнозную оптимизацию цепочек поставок посредством модели SaaS, используя свой проприетарный Envision DSL (на основе F#, C# и TypeScript) для создания вероятностных прогнозов и практических решений по управлению запасами, ценообразованию и планированию производства. В то время как TigerGraph акцентируется на графовой науке данных в реальном времени и аналитике на основе ИИ (с такими функциями, как GSQL и CoPilot), Lokad сосредоточен на автоматизации и тонкой настройке операций цепочек поставок. Дополнительно, модели развертывания отличают эти решения: TigerGraph предлагает как самостоятельное управление, так и облачные опции, в то время как Lokad является строго облачным многоарендным сервисом. По сути, организации, стремящиеся использовать глубокую связанность данных и сложную аналитику взаимосвязей для различных применений — включая видимость цепочки поставок — могут обратить внимание на TigerGraph, в то время как те, кто нацелен на комплексную автоматизацию принятия решений в цепочке поставок, найдут подход Lokad более соответствующим своим потребностям.

Заключение

TigerGraph предоставляет надежную, передовую платформу для графовой аналитики, которая объединяет нативную параллельную обработку с интегрированными возможностями ИИ для решения задач, связанных со сложной связностью данных. Её масштабируемая архитектура, гибкие варианты развертывания и продвинутый язык запросов позволяют организациям извлекать практические инсайты из обширных, взаимосвязанных наборов данных. Однако, как и в случае с любой высокопроизводительной системой, потенциальным пользователям следует критически оценивать заявленные показатели, учитывать кривую обучения, связанную с патентованными инструментами, и проверять, соответствуют ли её возможности их существующей технической инфраструктуре. По сравнению с платформами, ориентированными на цепочки поставок, такими как Lokad, TigerGraph предлагает иной подход, основанный на графовой науке данных, а не на комплексной оптимизации цепочки поставок.

Источники