Elastic bringt Real-Time Graph Analytics in den Elastic Stack

“Wir entwickelten Graph, damit Sie einen neuen Typ an Fragen über Ihre Daten, die in Elasticsearch vorhanden sind, stellen können,” sagt Steve Kearns, Sr. Director des Product Managements bei Elastic. “Betrachtet man Verknüpfungen zwischen Datenpunkten mithilfe der Relevanz, können Fragen beantwortet werden, für die früher mehrere Systeme, Batch-Verarbeitung oder Machine Learning notwendig waren.”

Neue Anwendungsfälle für den Elastic-Stack mit Graph

Wenn Sie Daten in Elasticsearch speichern, seien es Produktbeschreibungen, Benutzerdaten, Dokumente oder Logs, enthalten diese oft Eigenschaften oder Referenzen, die Beziehungen zwischen Objekten, Entitäten, Menschen oder beispielsweise auch Maschinen beschreiben können. Visualisierung ist oft der beste Weg zur Analyse solcher Beziehungen. Genau das bietet Kibana. Wie alles bei Elastic basiert auch die Graph-Visualisierung auf der einfach zu benutzenden aber mächtigen API. Sie erlaubt Nutzung der Expertise von Elastic in Relevanz-Ranking und damit Ergründung der Beziehungen in Daten auf eine einmalige Weise. Dabei können die in Elasticsearch existierenden Daten einfach genutzt werden.

Mit Graph können Nutzer Antworten auf komplexe Fragestellungen schneller finden. Denkbare Einsatzbereiche dafür sind u. a. Verhaltensanalyse, Fraud Detection, Cybersecurity, Analyse pharmazeutischer Mittel, Personalisierung und Recommendations. Graph identifiziert automatisch die allerwichtigsten Beziehungen und kann durch das Relevanz-Ranking das Wichtigste aus der Datenmenge bei jeder Abfrage holen. Als eine Erweiterung für Elasticsearch kann Graph einfach skaliert werden und Daten in nahezu Echtzeit zur Analyse bereitstellen. So bekommen Nutzer neue Ergebnisse, sobald sich die Daten ändern.

Graph berücksichtigt Relevanz bei der Auswertung von Datenbeziehungen

Wenn der Nutzer neue Daten in Elasticsearch hinzufügt, werden diese Daten zuerst indiziert: Das heißt, die Werte in jedem Dokument werden gezählt, die globalen Frequenzen werden aktualisiert und die Daten werden für diverse Datenabfragen vorbereitet. Diese Statistiken dienen wiederum als Basis für das Relevanz-Ranking bei Suchvorgängen sowie für die Zusammenfassung von Daten in Elasticsearch mittels Aggregationen. Mit dem Graph Plug-in werden diese Statistiken vom Elastic Stack neu eingesetzt: Zunächst werden neue Verbindungen innerhalb und quer durch die Dokumente anhand von den Statistiken identifiziert, anschließend werden die Datenbeziehungen hinsichtlich einer Fragestellung priorisiert.

Herkömmliche Graph-Ansätze basieren hingegen auf einer einfachen Zählung der Frequenz. Der große Nachteil dieser Methode besteht darin, dass Wichtigkeit denjenigen Elementen zugeordnet wird, welche lediglich die meisten Verbindungen haben. Beispiele sind der Film Shawshank Redemption bei Filmempfehlung oder Starbucks in Kreditkarten-Einkäufen. Graph in Elasticsearch kalkuliert die Relevanz mittels der Signifikanz jeder Beziehung im Vergleich zu den globalen Mittelwerten. So erhalten Nutzer nicht nur die häufigsten Ergebnisse, sondern die wichtigsten.

„Graph ist das Paradebeispiel dafür, wie unsere Kunden sämtliche Möglichkeiten von unseren Produkten ausschöpfen können. Aber auch dafür, wie wir unsere Produkte gestalten, damit die Bedienung so einfach ist wie möglich,“ erklärte Shay Banon, Mitbegründer und CTO bei Elastic. „Ich bin recht stolz auf unsere Innovationen und bin sehr gespannt, wie unsere Kunden Graph einsetzen, um deren größten Herausforderungen zu lösen.“

Erfahren Sie mehr:

• Graph herunterladen
• Zum Webinar