{"id":24498,"date":"2023-06-27T11:54:00","date_gmt":"2023-06-27T09:54:00","guid":{"rendered":"https:\/\/www.sysbus.eu\/?p=24498"},"modified":"2023-06-19T10:09:02","modified_gmt":"2023-06-19T08:09:02","slug":"neo4j-ermoeglicht-es-knowledge-graphen-mit-google-sprachmodellen-zu-kombinieren","status":"publish","type":"post","link":"https:\/\/www.sysbus.eu\/?p=24498","title":{"rendered":"Neo4j erm\u00f6glicht es, Knowledge Graphen mit Google-Sprachmodellen zu kombinieren"},"content":{"rendered":"\n

Neo4j<\/a> k\u00fcndigt an, neue Produktintegrationen „Vertex AI“ f\u00fcr die Google Cloud an. Bei Vertex AI handelt es sich um eine f\u00fchrende Plattform f\u00fcr das Maschinelle Lernen (ML), die Sprachmodelle (LLMs) einschlie\u00dft. Die Integrationen umfassen neue Generative-AI-Funktionen und versetzen Unternehmenskunden in die Lage, in der Google-Cloud-Plattform laufende Knowledge Graphen auf Basis von Neo4j Aura<\/a> f\u00fcr generative KI-Empfehlungen und -Analysen einzusetzen und so die Erkl\u00e4rbarkeit, Transparenz und Genauigkeit der Ergebnisse zu optimieren.<\/p>\n\n\n\n

\"\"<\/a>
Quelle: Neo4j<\/figcaption><\/figure>\n\n\n\n\n\n\n\n

Die Neo4j Graphdatenbank, einschlie\u00dflich ihrer Graph-Analyse-Features, gilt als Basis-Technologie f\u00fcr die Erstellung von sogenannten Knowledge Graphen, in denen sich sowohl viele verschiedene Entit\u00e4ten als auch die Beziehungen zwischen ihnen abbilden und abfragen lassen. Der im Graphen geschaffene Datenkontext erm\u00f6glicht es den KI-Systemen, Informationen hinsichtlich ihrer Relevanz f\u00fcr eine Frage zu bewerten, ihre Richtigkeit unter Einbeziehung unterschiedlicher Datenquellen zu \u00fcberpr\u00fcfen und Abfragen \u00fcber alle Analyseschritte und Datenpunkte hinweg nachzuvollziehen.<\/p>\n\n\n\n

Vorteile der Integration mit Googles Generative AI-Funktionen in Vertex AI:<\/p>\n\n\n\n

    \n
  1. Nat\u00fcrliche Sprache f\u00fcr die Interaktion mit Knowledge Graphen<\/strong><\/a>:<\/strong> Google Vertex AI f\u00fcr nat\u00fcrliche Sprache stellt eine Schnittstelle zum Neo4j Knowledge Graphen zur Verf\u00fcgung. Eingaben von Anwendern werden so automatisch in die Graph-Abfragesprache Cypher<\/a> \u00fcbersetzt. Dadurch k\u00f6nnen Nutzer auch ohne technische Vorkenntnisse einfach und schnell Abfragen im Graphen durchf\u00fchren. Neo4j plant, die KI-gest\u00fctzte Spracheingabe zudem innerhalb des \u00d6kosystems der Graphdatenbank anzubieten, unter anderem in NeoDash – Dashboard Builder for Neo4j<\/a>.
    <\/li>\n\n\n\n
  2. Transformieren unstrukturierter Daten in Knowledge Graphen<\/strong><\/a>: <\/strong>Entwickler erhalten mit Google Vertex AI die M\u00f6glichkeit, unstrukturierte Daten zu verarbeiten, zu strukturieren und in einen Knowledge Graphen zu laden. Mit Hilfe des Visualisierungstools Neo4j Bloom<\/a> f\u00fcr Business Intelligence (BI) und Neo4j Graph Data Science lassen sich die Daten weiter analysieren und neue Erkenntnisse gewinnen.
    <\/li>\n\n\n\n
  3. GenAI-Anreicherung in Echtzeit<\/strong>: Neo4j-Graphdatenbanken sind in der Lage, Vertex AI-Services in Echtzeit aufzurufen<\/a>, um Knowledge Graphen anzureichern. Ausgehend von strukturierten Quellen, aus Knowledge Graphen, k\u00f6nnen dank des vorliegenden Kontextes die generativen KI- Modelle kontrolliert werden. Zudem lassen sich die Ergebnisse im Nachgang verifizieren, in Bezug auf Sicherheits- und Korrektheitsregeln bereinigen (Guardrailing) und f\u00fcr h\u00f6here semantische Genauigkeit anreichern.
    <\/li>\n\n\n\n
  4. Support f\u00fcr <\/strong>Vektor Embedding<\/strong><\/a> (Merkmalsvektoren): <\/strong>Neo4j bietet Graph Embeddings, die sich f\u00fcr Feintuning und Training innerhalb gro\u00dfer Sprachmodelle nutzen lassen. Neo4js Graph Data Science unterst\u00fctzt mehr als 60 Algorithmen, darunter K-Nearest-Neighbors (KNN) Algorithmen und Kosinus-\u00c4hnlichkeit<\/a>. In Kombination mit den Google Vertex AI Embedding APIs gewinnen Anwender ein leistungsstarkes Toolset f\u00fcr die Entwicklung smarter Anwendungen.
    <\/li>\n\n\n\n
  5. Validierung dank Knowledge Graphen (Grounding): <\/strong>Als Grounding wird die F\u00e4higkeit bezeichnet, die von LLM generierten Ergebnisse mit Hilfe von strukturierten Datenquellen zu validieren. Sogenannte KI-Halluzinationen lassen sich minimieren, w\u00e4hrend das Vertrauen der Benutzer in die Resultate steigt. F\u00fcr das Grounding k\u00f6nnen Neo4j-Knowledge Graphen beispielsweise in Kombination mit dem LLM-Entwicklungsframework LangChain<\/a> eingesetzt werden.<\/li>\n<\/ol>\n\n\n\n

    Neo4j & Google Cloud: Partnerschaft seit 2019<\/strong><\/p>\n\n\n\n

    Google Cloud und Neo4j starteten ihre strategische Partnerschaft bereits 2019. Heute verwenden Gro\u00dfkonzerne ebenso wie viele andere Unternehmen und Startups die Graphdatenbank in der Google Cloud im Rahmen von KI und Graph Analytics. Die Anwendungsf\u00e4lle reichen dabei von der Betrugsaufdeckung und der Geldw\u00e4schebek\u00e4mpfung \u00fcber Recommendation Engines und Supply Chain Management bis hin zu Natural Language Processing (NLP), Bioinformatik und digitalen Zwillingen.<\/p>\n\n\n\n

    Weitere Informationen: https:\/\/neo4j.com<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"

    Neo4j k\u00fcndigt an, neue Produktintegrationen „Vertex AI“ f\u00fcr die Google Cloud an. Bei Vertex AI handelt es sich um eine f\u00fchrende Plattform f\u00fcr das Maschinelle Lernen (ML), die Sprachmodelle (LLMs) einschlie\u00dft. Die Integrationen umfassen neue Generative-AI-Funktionen und versetzen Unternehmenskunden in die Lage, in der Google-Cloud-Plattform laufende Knowledge Graphen auf Basis von Neo4j Aura f\u00fcr generative KI-Empfehlungen und -Analysen einzusetzen und so die Erkl\u00e4rbarkeit, Transparenz und Genauigkeit der Ergebnisse zu optimieren.<\/p>\n","protected":false},"author":1,"featured_media":24500,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"colormag_page_container_layout":"default_layout","colormag_page_sidebar_layout":"default_layout","footnotes":""},"categories":[10036,4],"tags":[8785,17345,10986,7683,17373],"class_list":["post-24498","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-kuenstliche-intelligenz","category-news","tag-google-cloud","tag-llm","tag-ml","tag-neo4j","tag-vertex-ai"],"amp_enabled":true,"_links":{"self":[{"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/posts\/24498","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=24498"}],"version-history":[{"count":1,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/posts\/24498\/revisions"}],"predecessor-version":[{"id":24501,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/posts\/24498\/revisions\/24501"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/media\/24500"}],"wp:attachment":[{"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=24498"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=24498"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=24498"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}