Обзор TigerGraph, передовой платформы для анализа графов

Последнее обновление: апрель 2025 года

Вернуться к Анализу рынка

Компания TigerGraph была основана в 2012 году доктором Ю Шу в Редвуд-Сити, Калифорния, и предлагает платформу для аналитики графов в реальном времени, построенную на собственной параллельной графовой архитектуре. Разработанная для обработки массивных связанных наборов данных, TigerGraph позволяет организациям выполнять сложные многопереходные запросы и продвинутую аналитику - с применением в областях выявления мошенничества, противодействия отмыванию денег, анализа клиентов 360, видимости цепочки поставок и кибербезопасности¹². Ее платформа разработана на C++ и использует собственный язык запросов с полной машинной тьюринговой комплектностью под названием GSQL для возможности как ад-хок запросов, так и интегрированной графовой науки о данных в базе данных. Комбинируя эффективное сжатие данных с моделью массового параллельного выполнения по вершинам и ребрам, TigerGraph поддерживает высокоскоростной ввод данных (до 100 ГБ/час/узел в идеальных конфигурациях) и масштабируемые варианты развертывания в самостоятельных средах и предлагаемом в облаке “Savanna” на AWS, GCP и Azure³⁴⁵. Более того, интеграция библиотеки графовой науки и искусственного интеллекта - TigerGraph CoPilot - соединяет передовые методы машинного обучения с интуитивным запросом графов, преобразуя сложные отношения непосредственно в действенные идеи как для технических, так и для исполнительных директоров цепочки поставок.

История и финансирование

TigerGraph была основана в 2012 году (изначально запущена как GraphSQL) и переименована в 2017 году. Компания привлекла значительные венчурные инвестиции за годы своего существования - вышла из режима скрытности с начальным финансированием в размере 33 миллионов долларов и позже закрыла значительный раунд серии C на сумму 105 миллионов долларов в феврале 2021 года, что привело к общему объему финансирования более 170 миллионов долларов¹². Вместо стратегии приобретения, TigerGraph сосредоточилась на непрерывном инновационном развитии продукта и расширении своего рыночного охвата.

Основные технологии и архитектура

Техническая основа TigerGraph сосредоточена на ее собственной параллельной графовой архитектуре (NPG):

• Собственный движок и реализация: Основной движок построен с нуля на C++ с использованием передовых техник системного программирования. Он включает в себя графовый движок хранения (GSE) и графовый движок обработки (GPE), разработанные для совместного размещения вычислений с данными, тем самым используя локальность данных для эффективной обработки³[^8].
• Язык запросов - GSQL: TigerGraph использует свой собственный язык, похожий на SQL, GSQL, который является полностью машинно тьюринговым и поддерживает процедурные конструкции, такие как циклы и условия. Это не только облегчает ад-хок запросы, но и позволяет создавать библиотеки графовой науки о данных в базе данных¹.
• Сжатие данных и параллелизм: Платформа использует собственное сжатие данных, которое часто значительно сокращает требования к хранению, в то время как ее модель массового параллельного выполнения рассматривает каждую вершину и ребро как вычислительную единицу, тем самым оптимизируя выполнение графовых алгоритмов на больших наборах данных⁴.

Предложение продукта и примеры использования

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

• Основные приложения: Платформа используется в областях, таких как выявление мошенничества, противодействие отмыванию денег (AML), анализ клиентов 360, видимость цепочки поставок, кибербезопасность и анализ сетей. Ее сила в выполнении многопереходных запросов - часто проходящих 10 или более переходов - позволяет организациям обнаруживать неочевидные отношения в своих данных¹².
• Интеграция с ИИ и машинным обучением: TigerGraph интегрируется с ИИ через свою библиотеку графовой науки о данных в базе данных, которая предлагает более 50 графовых алгоритмов, включая кластеризацию, центральность, сходство и поток. Кроме того, функция TigerGraph CoPilot действует как помощник по ИИ, который переводит запросы на естественном языке в запросы графов, тем самым демократизируя доступ к передовой графовой аналитике для неспециалистов⁶⁷.

Развертывание и масштабируемость

TigerGraph поддерживает несколько моделей развертывания для удовлетворения разнообразных бизнес-потребностей:

• Опции самостоятельного управления и облачные решения: Платформу можно развернуть на серверах Linux, в контейнерах Docker или через Kubernetes для самостоятельного управления. Для облачного развертывания ее предложение Savanna предоставляет полностью распределенное облачное графовое решение, доступное на основных облачных провайдерах, таких как AWS, GCP и Azure⁵.
• Операционные функции: TigerGraph акцентирует внимание на функциях, таких как автоматическое разделение, увеличение/сжатие упругого кластера и оптимизированная загрузка данных, заявляя скорость ввода данных до 100 ГБ в час на узел. Эти возможности позиционируют его как масштабируемое решение для предприятий, обрабатывающих графовые данные большого масштаба, хотя подобные показатели производительности лучше всего проверять независимо⁴⁵.

Интеграция с ИИ и наукой о данных графов

TigerGraph соединяет графовую аналитику с искусственным интеллектом:

• Библиотека науки о данных графов: Этот набор алгоритмов в базе данных содержит широкий спектр алгоритмов, которые преобразуют сложные графовые отношения в функции машинного обучения, поддерживая задачи, такие как кластеризация, анализ центральности и обнаружение сходства⁶.
• TigerGraph CoPilot: Разработанный как помощник по искусственному интеллекту, CoPilot использует генеративный ИИ и обработку естественного языка, чтобы пользователи могли извлекать идеи из графовых данных, не требуя глубоких технических знаний, тем самым облегчая интеграцию графовой аналитики в обычные конвейеры науки о данных⁷.

Технический скептицизм и критические соображения

Несмотря на обширные технические утверждения TigerGraph, требуется критическая оценка:

• Метрики тестирования: Утверждения, такие как ответы на запросы менее секунды на десятки миллионов записей и высокие скорости ввода данных, должны быть оценены в контексте, поскольку эти метрики часто зависят от конкретных конфигураций оборудования и условий рабочей нагрузки⁸.
• Патентованные инновации: Патентованные методы сжатия данных и параллельной обработки, хотя и обещающие, могут принести переменчивые выгоды в реальных средах. Независимое тестирование необходимо для подтверждения этих улучшений производительности.
• Сложность и кривая обучения: Расширенный набор функций GSQL, хотя и мощный, может представлять крутую кривую обучения для новых пользователей, и успешное принятие будет зависеть от способности организации интегрировать сложные инструменты TigerGraph в существующие рабочие процессы.

TigerGraph против Lokad

Хотя и TigerGraph, и Lokad используют передовые вычисления и аналитику, их основные фокусы заметно различаются. TigerGraph - это нативная платформа графовой аналитики, построенная вокруг движка параллельной обработки, оптимизированного для исследования связанных данных через многопрыжковые запросы и графовые алгоритмы на C++. В отличие от этого, Lokad посвящен предсказательной оптимизации цепочки поставок через модель SaaS, используя свой собственный язык Envision DSL (построенный на F#, C# и TypeScript) для генерации вероятностных прогнозов и действенных решений для управления запасами, ценообразования и планирования производства. В то время как TigerGraph акцентирует внимание на графовой науке о данных в реальном времени и инсайтах, основанных на ИИ (с функциями, такими как GSQL и CoPilot), Lokad сосредотачивается на автоматизации и настройке операций цепочки поставок. Модели развертывания дополнительно различают две платформы: TigerGraph предлагает как опции самостоятельного управления, так и облачные решения, в то время как Lokad строго является облачным мультиарендным сервисом. В сущности, организации, стремящиеся использовать глубокую связь данных и сложную аналитику отношений для различных приложений, включая видимость цепочки поставок, могут обратиться к TigerGraph, в то время как те, кто стремится к автоматизации и настройке решений для цепочки поставок от начала и до конца, найдут, что сосредоточенный подход Lokad более соответствует их потребностям.

Заключение

TigerGraph предоставляет надежную, современную платформу графовой аналитики, объединяющую нативную параллельную обработку с интегрированными возможностями искусственного интеллекта для решения сложных задач связности данных. Его масштабируемая архитектура, гибкие варианты развертывания и продвинутый язык запросов позволяют организациям извлекать действенные идеи из обширных, взаимосвязанных наборов данных. Однако, как и в случае с любой высокопроизводительной системой, потенциальные пользователи должны критически оценить заявления о производительности, учитывать кривую обучения, связанную с собственными инструментами, и проверить, соответствуют ли их возможности их существующей технической инфраструктуре. По сравнению с платформами, сосредоточенными на цепочке поставок, такими как Lokad, TigerGraph предлагает отличный подход, основанный на графовой науке о данных, а не на оптимизации цепочки поставок от начала и до конца.

Источники