그래프 임베딩이란 무엇일까요? 더 큰 문제를 규모에 맞게 해결하는 방법

• Graph Data Science

Wikimedia Commons에 따라 라이센스가 부여된 칠레 ESO Paranal Observatory의 레이저가 인공 참조 별을 생성하는 방법에 대한 표지 이미지.

11월 17일 목요일 1500 GMT/11:00 ET(ET)에 Neo4j의 NODES 2022 라이브 스트리밍 웹캐스트에서 저자 Tomaž Bratanič와 함께 진행된 "Node to Knowledge Graph Embeddings"를 참조하세요.24시간 진행되는 전세계 라이브 이벤트 등록은 무료입니다.

아직 정보 기술 분야에서 일반적으로 사용되는 문구는 아니에요. Graph Embedding은 현재로서는 수학자들의 플레이북에서 빌려온 데이터 과학 용어에 더 가깝죠. (스탠포드 대학교 교수들은 “표현 학습"이라고 부르기도 해요.) 기술 자체로는 엄청 혁신적인 건 아니고요. 기원전 5세기경 그리스 건축가 밀레투스의 이시도르가 아르키메데스 디자인의 이면에 있는 기하학적 매개변수를 발견하고 다른 곳의 다른 규모로 새로운 건물에서 이를 재창조한 순간, 어떤 형태로든 Graph Embedding이 탄생했다고 주장할 수도 있을 정도죠.

어떤 형태로든 솔루션을 그래프로 시각적으로 표현할 수 있다면, 해당 솔루션의 주요 기하학적 구성 요소를 정밀도를 크게 잃지 않고 더 작은 규모의 더 컴팩트한 행렬 또는 심지어 다른 그래프에 매핑할 수 있다는 아이디어인데요. 우리의 목적을 위해 Graph Embedding은 다음을 달성해요. 배열이 일부 구성되어 있는 매우 크고 조밀한 값 행렬을 사용하여 그래프로 플롯할 수 있으며 해당 값이 구성되는 구성 요소를 더 적은 수의 값에 매핑할 수 있어요. 바로 Vector를 사용해서요. 이렇게 하면 본질적으로 동일한 결과를 얻을 수 있죠.

달리 말하면, 우리는 Machine Learning 및 예측 분석과 같은 애플리케이션의 매트릭스를 투영하기 위해 막대한 양의 스토리지를 소비하는 데 많은 어려움을 겪고 있어요. 심지어 거대한 "데이터 레이크"를 구축하기도 하죠. 그 유입구는 우리가 그 뒤에 있는 패턴을 발견할 수 있는 수단(또는 시간)을 찾을 수 있기를 바라는 희망으로 단일 가상 볼륨으로 수집된 처리되지 않은 실시간 원시 데이터 스트림이에요.

처음부터 Graph Embedding을 사용했다면 이러한 모놀리식 데이터 저장소가 필요하지 않았을 수도 있어요. 대신, 우리는 여기저기에 몇 개의 연못을 건설하여 몇 가지 정확도 포인트(일부 애플리케이션의 경우 사용자가 눈치 채지 못할 수도 있음)를 교체하여 꽤 많은 시간을 되돌릴 수 있죠. 월별 S3 스토리지 비용으로 수천 달러를 절약하면서요.

Manning Publications의 저자인 Tomaž Bratanič는 "모든 사람은 수동 기능 엔지니어링을 피하고 싶어합니다."라고 말했어요.데이터 과학을 위한 그래프 알고리즘에서요. "많은 작업이 들어가야 해요. 매우 노동 집약적이죠. 대신 사람들은 이러한 Vector를 자동으로 마법처럼 구성하는 알고리즘을 설계해요. '그럼 두 홉 이웃의 수를 인코딩해야 할까요, 아니면 친구의 친구 수를 인코딩해야 할까요?'라고 생각하면서 많은 생각을 할 필요가 없어요. 클러스터링 계수?' 아니요. 별다른 입력 없이 '마법을 발휘하세요'라고만 말하는 거죠. 이는 비지도 알고리즘이에요.”

Graph Embedding에 대해 자세히 알아보기

• Graph Embedding: 데이터를 학습하여 문제를 해결하는 AI by 알리시아 프레임
• 검사Node Embedding알고리즘 Neo4j 그래프 데이터 과학 라이브러리 매뉴얼에서
• 그래프 데이터 과학 기초에 대한 전체 무료 과정 Neo4j GraphAcademy에서

핵심 요약

"만약 고급 수학을 사용하여 1,000만 개의 숫자를 보다 관리하기 쉬운 숫자 목록, 예를 들어 2개로 압축할 수 있다면 어떨까요?" Neo4j의 개발자 관계 담당 수석 이사인 David Allen은 이렇게 말했어요. “그럼 우리는 어떤 Node든 (x, y) 줄거리를 조정하는 거죠! 이것이 그래프 시각화가 하는 일이에요. 시간이 걸리죠.n- 차원 그래프를 평면 그림으로 표시하는 데요. 이제 우리는 그것이 지저분해질 수 있다는 것을 알고 있으며 많은 그래프가 너무 풍부하여 2차원으로는 충분하지 않아요. 1,000만 개의 숫자를 우리가 선택한 길이의 Vector로 압축할 수 있는 방법이 있다면 어떨까요? 아마도 64개면 이러한 관계의 풍부함을 포착하기에 충분할 거예요. 그게 Graph Embedding이에요.”

가장 일반적인 수준에서 임베딩은 비록 근사치에 의해서라도 고차 함수를 표현하기 위해 저차 수학적 모델을 사용하는 방법이에요. Graph Embedding이 약속하는 것은 거대한 데이터 테이블을 최소화하고 결과를 신속하게 처리하는 방법이죠. 이는 조직이 데이터를 사용하여 큰 문제를 해결하고 일반적인 테이블이나 구조화되지 않은 데이터 풀에서 Graph Database로 전환하도록 설득할 수 있을 만큼 수익성이 좋은 방법이고요.

임베딩은 조직에게 패턴을 표현하는 데 훨씬 적은 숫자가 필요한 방대한 양의 정보를 통합하는 영리한 방법을 제공할 수 있어요. 기후 변화, 역학, 사회적 불안, 탄소 배출, 산호초 보호 등 인류가 직면한 모든 큰 문제를 해결하기 위해 슈퍼컴퓨터나 거대한 네트워크 데이터 센터의 대규모 스토리지 어레이에 계속 의존할 수는 없죠. 현재 사용 가능한 도구를 사용하는 방법에 대해 좀 더 영리해야 해요. 더 적은 비용으로 더 많은 작업을 수행하는 방법을 배우려면 Machine Learning 기술, 시뮬레이션 및 세계 모델링을 적용해서 처음부터 더 적은 비용으로 더 많은 작업을 수행할 수 있도록 해야 할 거예요.

Allen은 이렇게 말했어요. “좀 더 멋지게 표현하자면, 우리는 n차원 그래프를 더 낮은 차원 공간으로 표현하는 거예요. 엉뚱하게 표현하면 다음과 같아요. 1,000만 개의 숫자 행을 가져와서 64개의 숫자 행으로 바꾸는 거죠. 우리는 단순화라는 이름으로 일부 정보를 기꺼이 잃어버릴 거예요.”

그러한 기술이 언제 꼭 필요하게 되었을까요? Allen은 "64차원을 시각화할 수는 없지만 Machine Learning 알고리즘은 시각화할 수 있어요."라고 말해요.

Allen은 계속해서 “ML 파이프라인의 요점은 이러한 대규모 데이터 플롯을 취하는 거예요. x, y 플롯 — 그리고 그 안에서 패턴을 찾는 거죠. 컴퓨터는 64차원이나 128차원에 대해서는 걱정하지 않아요. 오늘날에는 10,000개의 데이터 포인트에서 패턴을 찾을 수 있어요. 그러나 그래프가 없으면 결코 볼 수 없는 특정 토폴로지 패턴이 있을 거예요. 그래프 임베딩은 ML 알고리즘이 이해할 수 있는 방식으로 토폴로지 패턴을 인코딩해요. 그래프의 복잡성을 훨씬 더 관리하기 쉬운 벡터로 요약하는 거죠.”

주머니 속의 은하계

그래프 삽입에 대해 생각하는 한 가지 방법은 다음과 같아요. 일종의 사고 실험이죠. 특정하고 정확한 순서로 거대한 두루마리에 수학 공식에 대한 가능한 모든 솔루션을 작성할 수 있다고 가정해 봐요. 그리고 벽지와 같은 솔루션을 속이 빈 구 내부에 붙여 넣을 수도 있죠. 다음으로, 천문대의 레이저 유도 망원경처럼 해당 구의 중심에 레이저가 있는 단일 솔루션을 가리킬 수 있다고 상상해 보십시오. 레이저가 가리키는 각도는 솔루션이 어디에 있는지 알려줘요. 레이저의 X 및 Y 각도가 원래 공식에 통합되면 다음과 같은 정보를 얻을 수 있을 뿐만 아니라 해결책은 다음과 같았어요. 그러나 일단 거꾸로 계산하면 what 해결책은 다음과 같아요.

따라서 속일 수 있어요. 실제로는 어느 구체에나 아무 것도 쓰거나 붙여넣을 필요가 없어요. X와 Y 각도는 , 해당 벡터를 인덱스로 사용할 수 있어요. 해당 인덱스를 거꾸로 작업하면 해결책이 있죠.

우리가 방금 설명한 것은 다소 초보적인 방식으로 공간의 2차원을 나타내는 두 개의 부동 소수점 값을 사용하여 알려진 공식에 대한 유한한 해 목록을 표현하는 방법이에요. 이제 이러한 X 및 Y 좌표 변수의 정밀도 수준이 차트에서 벗어나야 한다고 삽입하는 것이 옳을 거예요. 합리적으로 복잡한 수식의 경우 이를 풀려면 128자리보다 훨씬 많은 숫자가 필요하죠.

그러나 3차원보다 큰 공간에서 “레이저 포인터” 벡터를 상상한다면 — 이를 “n차원 공간” — 그런 다음 (n– 1) 수학적으로 해결하기는 더 쉽지만 몇 바이트만 더 소비하는 방식으로 동일한 인덱스를 달성하기 위해 정밀도가 다소 낮은 부동 소수점 값.

New Jersey Institute of Technology의 데이터 과학과 창립자인 David A. Bader 교수는 "그래프 임베딩은 일반적으로 사용돼요. 그래프 표현 학습을 수행하거나 그래프 내의 패턴을 학습하기 위해 Machine Learning 기술을 수행하려고 할 때죠. 패턴이 있는 경우 임베딩은 훌륭한 솔루션이에요. 저는 그래프 임베딩을 가속화하고 이를 그래프 내 기능 학습에 사용하는 여러 조직과 협력하고 있어요."라고 설명했어요.

그래프 임베딩 작업은 기하학적 패턴으로 더 많은 양의 정보를 표현하는 것과 관련이 있어요. Neo4j가 일반적으로 연결된 Nodes의 방대한 그래프로 나타내는 정보 유형은 더 작고 밀도가 높은 그래프로 캡슐화될 수 있죠.

왜 그럴까요? 오늘날 전통적인 데이터베이스 모델은 소위 빅 데이터 구성에 존재하는 모델이라 할지라도 과학적 목적을 위해 실제 시나리오를 정확하고 안정적으로 시뮬레이션하는 데 필요한 용량의 일부를 아직 확보하지 못했어요. 물론, 전통적인 데이터베이스를 사용하여 특정 경제 상황과 상황, 고도로 상호 연결된 물류 및 공급망, 인간 행동 패턴을 모델링하는 것이 가능해요. 하지만 허리케인의 기류 분자는요? 살아있는 유기체의 암세포는요? 인간의 뇌파 활동은요? 아직은 아니죠.

Neo4j의 Allen은 "그래프는 네트워크 형태로 복잡한 시스템 역학을 포착하기 때문에 강력해요. 그래프 임베딩은 모든 네트워크 복잡성을 긴 숫자 값 목록으로 다시 요약할 수 있는 일종의 게이트웨이예요. 그런 다음 이러한 임베딩을 모든 종류의 Machine Learning 알고리즘(그래프 기반이 아닌 알고리즘에도 적용 가능)에 적용할 수 있으므로 그래프 토폴로지의 핵심 부분을 보고 이해하고 교훈을 얻을 수 있어요. 소셜 네트워크에서 누가 누구와 가까이 있는지 같은 교훈을 얻는 거죠.”

그래프 임베딩에 대해 자세히 알아보기

• Neo4j 및 Emblaze를 사용한 그래프 임베딩 이해Nathan Smith, 데이터 과학을 향하여
• node2vec을 사용하여 기존 ML을 Neo4j Graph에 연결데이브 부틸라
• GraphSAGE를 사용한 Neo4j의 그래프 임베딩작성자: Sefik Ilkin Serengil

스파링 시합

>문제가 1970년경에 처음으로 밝혀진 경위는 다음과 같아요. 당시 Wayne Zachary라는 친구는 처음으로 대학 가라데 클럽 회원들 사이에서 논쟁을 벌이는 두 파벌을 나타내는 수학적 모델을 만들 수 있는지 고려하기 시작했어요.

전쟁, 질병, 기근이 많은 인구의 생존을 위협하는 더 넓은 범위의 인간 사회에서와 마찬가지로 이 전투도 인플레이션을 중심으로 이루어졌어요. 한 파벌은 클럽 창립자에게 맹렬히 충성했으며, 회비를 인상하려는 그의 바람에도 불구하고 그의 봉사에 헌신했어요. 다른 파벌은 가격을 안정적으로 유지하겠다고 약속하고 포기할 의사가 없는 클럽 회장을 지지했어요. Zachary는 어떤 회원이 어떤 파벌에 합류할지 예측할 수 있는 공식을 통해 수년 동안 클럽 회원 간의 상호 작용을 그래프로 묘사할 수 있는지 궁금했어요.

다음 7년 동안 Zachary는 34개 클럽 회원 모두의 관계를 쉽게 관련시킬 수 있는 방식으로 표현하기 위해 후보 모델을 만들었는데, 일부는 못과 실을 사용한 것으로 보여요. 그의 첫 번째 반복이 아래에 나타나 있어요. 처음에는 그의 Mark I 그래프가 충분히 합리적으로 보였죠.

하지만 생각만큼 실용적이지 않았어요. 우선, 서클 내에서 회원의 위치는 완전히 임의적이었거든요. 결과적으로 연관성을 나타내는 선의 길이는 의미가 없게 된 거죠. 예를 들어, 회원 #31은 #2, #9와 연결되었는데, #9와 #31을 연결하려면 #2와 #31에 필요한 것보다 훨씬 더 많은 실이 필요했어요. 이러한 길이 값이나 그 사이의 거리는 정보를 제공하지 못했죠. Zachary가 회원을 원이 아닌 정사각형으로 배열했다면 그래프는 그만큼 많은 정보를 전달했을 테지만, 그의 연관성을 나타내는 데이터는 상당히 다르게 나타났을 거예요.

Zachary는 다양한 접근 방식을 시도했고, 마침내 컴퓨터 알고리즘으로 구현할 수 있는 시스템을 발견했는데, 그게 바로 이었어요.

여기서 이진수 표는 각 클럽 회원 쌍 간의 연관성 유무를 나타내요. 인접 행렬은 정보를 제공하고 인코딩할 수 있는 개념인 거죠.

Neo4j 시대보다 30년 전에 출판된 Daniel F. Stubbs와 Neil W. Webre의 1985년 교과서에는 인접 행렬에 대해 몇 마디 언급되어 있어요. 가라데 클럽 회원과 같은 데이터 세트의 회원이 Node로 선언되고 원자 데이터 유형을 사용하여 정의되었다고 가정해 볼게요 (Stubbs 및 Webre는 Pascal 언어를 사용했죠). 인접 행렬은 값이 부울로 선언될 수 있는 2차원 배열 변수 내에서 정의될 수 있어요. Webre와 Stubbs는 다음과 같이 썼어요.

이 접근 방식의 가장 큰 단점은 Node를 삽입하거나 삭제할 수 없다는 거예요. Node 집합을 탐색하는 것처럼 Node에 대한 설명 정보를 저장하는 것도 어렵죠. . . 배열 Node는 각 Node와 관련된 정보를 저장하는 데 사용돼요. 이 접근 방식을 사용하면 Node를 삭제하고 삽입할 수 있지만 (최대 []), 배열 그래프의 Index 값에 대응하려면 배열 Node에서 요소를 이동해야 해요.

따라서 내용을 원래 있던 위치로 다시 섞는 정교하고 지루한 방법 없이는 그래프를 발전시킬 수 없어요. 저자는 이것이 파스칼에서 어떻게 달성될 수 있는지를 보여주기 위해 다음 수십 페이지를 소비했어요. 그러나 그들의 그래프는 반임의적인 행과 열 내에 Node를 배치하는 데 국한되어 파스칼이 무엇을 언제 섞을지 알 수 있었죠.

소셜 네트워크 모델링에 관한 Zachary의 1977년 논문은 Node 간 연결을 나타내는 최선의 접근 방식으로 인접 행렬을 고수했어요. 최적의 솔루션, 즉 34명이 훨씬 넘는 소셜 네트워크에 더 적합한 접근 방식을 찾으려면 Zachary의 뒤를 이어(또는 아마도 이 경우에는 그의 카타 단계) 학술 연구자들의 노력이 필요할 거예요. 이는 Neo4j가 Graph Database를 나타내는 데 사용하는 것과 마찬가지로 네트워크 그래프 생성으로 시작되죠. 그런 다음 알고리즘을 사용하여 임베딩(다축 기하학적 공간에 정보가 더 간결하게 포함된 그래프)을 생성하는 거예요.

Wayne Zachary의 1977년 지역 가라테 클럽 소셜 네트워크 표현을 사용한 저수준 임베딩 시연이에요. 스탠포드 네트워크 분석 프로젝트에서 제작되었답니다.

가라테 클럽 그래프의 일반적인 시각화에서 Neo4j의 Allen은 이렇게 설명했어요. "그래프의 각 사람은 34개의 숫자로 구성된 행렬의 벡터로 표현되죠. 그런데 만약 34개의 node 대신 3,400만 개의 node가 있다면 어떨까요? 3,400만 x 3,400만 행렬은 감당하기 힘들 거예요."

Scott Fulton의 나이아가라 폭포 이미지 (2022년 10월)

캐스케이드 효과

Tomaž Bratanič는 이 점에 대해 더 자세히 설명했어요. "임베딩 알고리즘에 대한 입력을 인접 행렬로 생각해 보세요. 인접 행렬은 열과 행의 수가 그래프의 node 수와 동일한 정사각형 행렬이잖아요. 예를 들어, 백만 개의 행과 백만 개의 열이 있는 정사각 행렬로 작업한다고 가정해 볼게요. 이걸 가장 기본적인 Machine Learning 알고리즘에 입력하려고 한다면 – 예를 들어, Random Forest – 백만 개의 행은 큰 문제가 아닐 수 있어요. 하지만 백만 가지 기능을 갖춘 Machine Learning 모델을 구축하는 건 가장 효율적인 방법은 아닐 수도 있죠.”

백만 개의 node 인접 행렬에 한 행을 추가하거나 해당 행렬에서 한 행을 페어링하는 간단한 작업도 테이블 기반 데이터베이스의 경우 엄청난 작업이 될 수 있어요. Bratanič는 Machine Learning 모델의 경우 기록 유지 작업 외에도 전체 시스템을 재교육해야 할 수도 있다고 지적했답니다.

Bratanič는 데이터 과학자들 사이에 임베딩에 관해 두 가지 사고방식이 있다고 덧붙였어요. 한 그룹은 동일성 또는 동일성을 기반으로 그래프를 배열하는 데 가장 관심이 있죠. 동성애적으로— node 간 특성의 유사성이요. 예를 들어, 소셜 네트워크의 경우 node가 대표하는 사람들이 더 많은 수의 인지된 속성을 공유할 때 node가 클러스터링되거나 이웃될 수 있어요. 그런 그룹에 대한 임베딩은 코사인 유사성과 유클리드 거리 함수를 활용해서 동질성 수준을 인코딩하는 데 도움이 될 수 있다고 그는 설명했죠. 그래프에서 node의 위치가 가까울수록 더 작은 코사인 유사성 변수를 갖게 되는 거예요.

두 번째 그룹은 특정 다른 node 주변의 인접한 node 밀도에 더 관심이 있어요. 다른 사람과 더 큰 친화력을 갖는 것처럼 보이는 이러한 "슈퍼 node"는 이러한 슈퍼 node가 서로 팔로우하지 않는 경향이 있는 경우에도 따라야 하는 특성(예: 소셜 네트워크의 구성원인 유명인)을 나타낼 수 있죠. 또한 네트워크 내의 소규모 클러스터나 커뮤니티 사이에 "브리지"를 형성하는 경향이 있답니다. Bratanič는 "그들이 없었다면 네트워크의 일부 부분의 연결이 끊어졌을 거예요. 임베딩을 사용해서 임베딩 공간에서 해당 node를 코딩할 때 해당 브리지가 출력과 유사한 임베딩을 갖기를 원할 거예요."라고 말했어요.

Neo4j의 David Allen은 "여기에 문제가 있어요. 일반적으로 Machine Learning 알고리즘은 사용자가 제공하는 데이터에서 패턴을 찾죠."라고 말했어요. "고객의 우편번호, 생년월일, 지출 요약일 수도 있고요. 고객에게 패턴이 무엇인지 알려주지 않으면 ML 알고리즘은 고객의 토폴로지 패턴을 배울 수 없어요.

“Graph Embedding은 복잡한 시스템 역학에 대한 완전히 새로운 종류의 정보를 컴퓨터에 제공하는 방법이에요."라고 그는 계속 말했어요. "데이터베이스가 기존 패턴을 학습하고 새로운 패턴을 예측하는 방식은 이전과 크게 다르지 않아요. 하지만 더 나은 정보를 제공했기 때문에 개선된 거죠."

자금세탁 방지

자금세탁방지(AML) 탐지 시스템 사례를 한번 살펴볼까요? JPMorgan Chase에서 개발 중인 것처럼요. 관계형 트랜잭션 데이터베이스를 활용하는 일반적인 시스템은 트랜잭션 분석만 수행할 수 있어요. 자금 이체 규모, 계좌 소유자 ID, 이체가 시작된 시간 등 개인 기록의 특정 특성을 조사할 수 있죠. 이러한 거래에 적용되는 최고의 알고리즘조차도 우려되는 패턴을 격리하는 데 어려움을 겪어요. 그렇게 하더라도 그 우려 사항이 무엇인지, 무엇이어야 하는지가 항상 명확하지는 않고요. 본질적으로 거래 시스템에 대한 사기 패턴이 어떤 모습인지 확립하는 유일한 방법은 미리 확립된 "의심스러운 행동"의 인스턴스를 사용하여 모델을 훈련시키는 것이에요. 이는 오슬로 노르웨이 컴퓨팅 센터의 한 팀이 수행해 온 작업이죠. PDF]. 최근 논문에서 노르웨이 팀은 다음과 같이 썼어요.

지도 학습은 일반적으로 알려진 결과/레이블이 있는 데이터를 사용할 수 있는 경우에 선호돼요. AML의 경우 다른 유형의 금융사기와 달리 금융기관에서 자금세탁 용의자가 실제로 범죄를 저지른 것인지 알아내는 경우가 거의 없기 때문에 문제가 되죠. 그러나 실제 자금 세탁 대신 "의심스러운" 행동을 모델링하여 이 문제를 해결할 수 있어요.

이 맥락에서 "의심스럽다"는 것은 NCC 팀이 어떤 이유로든 이전에 위험 신호가 있었던 행동을 의미해요. 지도 학습을 위해서는 이러한 원칙과 패턴이 미리 확립되어 있어야 하죠. MedoidAI의 Christina Chrysouli와 Antonis Markou가 쓴 글처럼 2021년 10월 회사 블로그에 "대부분의 Machine Learning 알고리즘은 필요한 엔터티의 특성이 모두 제공되는 경우에만 작동할 수 있어요."

대조적으로 Graph Embedding을 사용하면 AML이 덜 감독되거나 감독되지 않는 접근 방식을 채택할 수 있어요. 알고리즘은 지금까지 누구도 본 적이 없는 패턴을 감지할 수 있는 거죠. 임베딩을 시도했다면 NCC 모델에 쉽게 나타날 수 있었을 거예요.

예를 들어, "5번의 이체로 인해 많은 돈이 여러 계좌 사이에서 큰 원으로 이동하게 되었나요? 이것이 임베딩이 제공할 수 있는 것이죠."라고 Allen은 말했어요.

체계적 위험

Graph Embedding을 통해 실현 가능성 영역에 추가된 또 다른 기능 클래스는 다음과 같아요.. Neo4j 영업 컨설턴트인 Joe Depeau가 설명했듯이 전염병이 최고조에 달했을 때 놀라울 정도로 많은 고객이 소위 "공급망 사용 사례"에 대한 통찰력을 얻기 위해 Neo4j를 찾았어요.

Depeau는 "그것을 자세히 조사해 보면 실제로 의미하는 바는 고객 네트워크의 시스템적 위험을 이해하고 싶어한다는 것이죠."라고 말했어요. "예를 들어 여행사, 즉 대형 패키지 여행사가 있다고 가정해 볼게요. 아무도 휴가를 보낼 수 없기 때문에 해당 회사가 코로나19 기간 동안 어려움을 겪을 것이라는 것을 모두가 알고 있었죠."

여행 및 레저 회사의 일반적인 위험 수준을 알면 역사적 최고치에 도달하여 회사의 존재 자체가 위험해질 수 있으며, 금융 및 물류 회사는 금융 거래를 판단합니다.from 그 회사들 to 다른 조직은 나중에 사라질 거예요. "음식 제공업체인가요? 청소 회사인가요? 법률 회사인가요? 부동산 중개인인가요? 그 사람들의 돈은 어디로 가나요?"

갑자기 가시성이 핵심 미덕이 되었어요. 그 동안, UN 세계관광기구가 예상한 세계 관광 산업은 정규 수입의 1/3을 잃을 수 있으며, 이로 인해 최소 15%의 관광 일자리가 즉시 해고될 위험에 처하게 돼요. 많은 조직에서 작업해야 하는 유일한 데이터는 관계형 프레임워크로 관리되는 트랜잭션 데이터였어요. 그러나 전 세계적으로 금융 고객이 이러한 위험으로부터 자신을 보호할 수 있도록 리소스를 재분배하는 데 충분한 시간을 두고 해당 데이터를 사용하여 예측 및 예측을 렌더링하려면 슈퍼컴퓨터가 필요하죠.

Depeau는 "그들은 이것이 네트워크에 어떤 영향을 미칠지에 대한 결정을 정말로 원했어요. 그리고 그들이 이러한 회사 중 일부를 도울 수 있는 리소스가 있다면 어디에 적용하는 것이 가장 좋을까요? 그 공간에서 데이터 과학 분야는 정말 흥미로웠어요. 모델 실행을 시작하고, 임베딩을 생성하고, 특정 회사가 위험에 처해 있는지, 주변 네트워크로 인해 얼마나 위험에 처해 있는지 예측하는 것이죠."라고 말했어요.

사회 전체로서, 그리고 우주에 떠 있는 푸른 바위처럼, 세계는 수많은 시스템적 위험에 직면해 있어요. 이러한 위기 중 하나만 발생했을 때 조직에서는 이 위험을 모델링하는 데 사용했던 도구가 위험 수준이 상대적으로 낮았던 상황(예: 17세기) 이외의 상황에는 부적절하다는 것을 깨달았죠. 이제 한 가지 위험은 가라앉고, 가라데 클럽에서의 논쟁보다 훨씬 복잡하지 않을 수도 있는 문제를 놓고 사회 집단과 사회가 분열되는 경향을 포함하여 다른 위험이 증가하고 있어요.

Graph Embedding은 솔직히 말하면 인공지능이 아니에요. 응용과학이죠. 그것을 적용하는 것은 이제 우리 지적인 사람들에게 달려 있어요.

Graph Embedding에 대해 자세히 알아보기

• Deep Learning을 위한 Graph Embedding 작성자: Flawnson Tong, 데이터 과학을 향하여
• 단계 조심하기: 그래프 어텐션을 통해 노드 임베딩 학습 [PDF] Google AI와 협력하여 University of Southern California 연구원이 작성
• 프로세스 중심 사례 기반 추론에서 그래프 임베딩 기술 사용막시밀리안 호프만(Maximillian Hoffman)과 랄프 버그만(Ralph Bergmann), 독일 트리어대학교

---

에이치시스템즈의 LogTree는 Neo4j 기반 GraphRAG 플랫폼으로, 데이터를 자동으로 지식그래프화하고 자연어 질의로 즉시 답을 제공합니다.

👉 에이치시스템즈 홈페이지