Tous les data-scientists le savent, l’important n’est pas de disposer du plus de données possible mais plutôt de savoir comment interpréter celles dont on dispose déjà. Et c’est là que les graphes et l’intelligence artificielle interviennent pour rechercher les motifs récurrents et déduire les évolutions probables. Toute la difficulté étant d’arriver à séparer le bon grain de l’ivraie parmi des milliards d’informations.

La nouvelle « plateforme Neo4J pour la science des données de Graphes » a été conçue pour cela. Elle s’appuie sur la célèbre base de données nativement de type « graphes » de Neo4j dont les algorithmes optimisés fonctionnent à l’échelle de milliards de nœuds et peuvent être combinés de façon reproductible. Destiné à identifier et extraire les relations intrinsèques des informations existantes au sein des réseaux de données, Neo4j améliore les capacités prédictives du Machine Learning.

Ainsi, la solution « Neo4j pour la Science des données de Graphes » combine trois domaines fonctionnels clés:
– Des algorithmes et des analyses de graphes souples et évolutifs,
– Une base de données de graphes native  (Neo4j Graph Database),
– La visualisation de graphes pour la compréhension et l’exploration.

Bien évidemment capable de calculer en parallèle, la solution « Neo4j pour la Science des données de Graphes » facilite les variations à partir d’un graphe sous-jacent et permet de superposer les étapes d’analyses. Les hypothèses sont présentées de façon très visuelle, ce qui facilite le partage entre les équipes de data scientists et celles qui, sur le terrain, ont besoin d’informations rapidement exploitables.

Les applications typiques de cette nouvelle solution de Neo4j sont, par exemple, la détection des fraudes financières, l’identification de points de contacts ou l’analyse des séquences comportementales des utilisateurs.

Neo4j pour la Science des données de Graphes combine trois domaines fonctionnels clés.