La voie du succès avec les bases de données de graphes, la Graph Data Science et l’IA générative

© 2023 Neo4j, Inc. All rights reserved.
La voie du succès
avec les bases de données de graphes,
la Graph Data Science et l’IA générative
Nicolas Rouyer
Ingénieur avant-vente, Neo4j
13 septembre 2023
1

Neo4j Graph Data Platform
2
BUSINESS
USERS
DEVELOPERS
DATA
SCIENTISTS
DATA
ANALYSTS
Enterprise Ready
Data Science & MLOps
Graph Data Science
OLAP
Data Science & Analytique
Outils, algorithmes et framework ML intégré
AutoML
Integrations
Découverte & Visualisation
Outils low-code de requête, de modélisation et d’exploration des données
Neo4j
Bloom
BI
Connectors
Neo4j
Browser
Language
interfaces
Outils & Frameworks de Développement d’Apps
Outils et API pour le prototypage et le développement rapides
Langage de Requête Graphe
Cypher et GQL, lingua franca pour les graphes
Transactions Analytics
Graph Database
Data Consolidation
Contextualisation
OLTP
Base de Données de Graphes Native
Le composant principal de la plate-forme Neo4j
Déployable Partout
Exploité en propre ou par Neo4j (DBaaS), dans le cloud ou sur site
Data Connectors
Ecosystème & Intégrations
Un vaste éventail de connecteurs pour s'intégrer
dans les écosystèmes de données existants
Data Sources

Expertise en Ingénierie
Investissement >1000 années-homme
L’avantage du pionnier
Maturité, Nombre de Déploiements
Communauté la + vaste
Croissance annuelle +80%
Caractéristiques de la base de données de graphes Neo4j
Workloads
Hybrides
Architecture
Graphe
Native
Extension
Graph Data
Science et
GenAI
Boîte
à Outils
Complète
Solution
Enterprise de
Conﬁance
Déployable
Partout
3

4
Architecture Graphe Native
Stockage
Graphe Natif
Traitement
Graphe Natif
• Pas d’incohérence
• Intégrité des données /
ACID
• Schéma flexible
• 1000x +rapide que les
RDBMS
• K-Hop 10-1000x + rapide
qu’en version 4
Fabric
• Fédération de shards
• Base de données
composite instantanée
Composite DB
Clustering
Autonome
• Evolutivité élastique
pour des ingestions
massives
• 100s de machines
dans les clusters
L'intégrité des données et la vitesse élevée sont également
valables dans les situations de passage à l'échelle.

Workload Hybride
5
Applications Intelligentes
Transactions -
Sécurité -
Performance & Scalabilité -
Cohérence ACID -
Modélisation Intelligente
- Bibliothèque d’Algorithmes Étendue & Supportée
- Scalable
- Visualisation de Graphes
- Transformations de Graphes
Transactions de
Graphe
Graph Analytics &
Data Science

Productivité Développeur :
Outillage riche & apprentissage facile
ops manager
6
data importer
Visualize and explore your data
Query editor and results visualizer
Code-free data loader and modeler
AuraWorkspace
Workspace Unifié

7
Intégration dans votre écosystème de données et de développement
Neo4j BI
Connector
Apache Spark
Connector
Apache Kafka
Connector
Data Warehouse
Connector
Java Python .NET
JavaScript Go

Qualité professionnelle : sécurité et confiance by design
Single Sign-On Pratiques de
Développement Sécurisées
VPC Dédié Role- & Schema-Based
Access Control (RBAC)
Chiffrement
(At-Rest, In-Transit,
et Intra Cluster)
SOC 2 Type 1
8

● Performance temps réel à l'échelle
● Mises à jour, correctifs et sauvegardes
automatiques
● Extensibilité à la demande, sans
interruption de service
● Haute Disponibilité
● Multi Cloud, Toutes les Régions
● Sécurité de Niveau Entreprise
● Tariﬁcation Simple Basée sur la Capacité
9
Déploiement partout : auto-géré, ou géré par Neo4j
● Contrôle d’administration intégral
● Déploiement Sur Site ou via la Marketplace
● Adapté là où le cloud n'est pas approprié
(par exemple, scénarios spéciaux de
conformité)
● Migration facile vers AuraDB
Self-Managed

Investissements Neo4j et roadmap
Expérience
Développeur
Disponibilité multi-cloud complète AuraDB sur Azure en plus de GCP et AWS
Rendre les graphes universels avec la conformité GQL
Gestion et supervision automatisées avec les APIs de provisioning AuraDB
Etablir Neo4j comme base de données de référence: CDC + next-gen Kafka connector
Devenir la base de données de référence, qui apporte le graphe à toutes les applications
Performance à
l'Échelle
Performances ultimes de calcul : Requêtes Cypher Parallélisées
Amélioration ratio mémoire/stockage, TCO réduit : Stockage nouvelle génération Freki
Clusters encore plus autonomes : gestion déclarative des serveurs
Conﬁance
Opérationnelle
Meilleure supervision avec l'analyseur de requêtes intégré au Neo4j Ops Manager
Observabilité intégrée avec les métriques d'AuraDB et le streaming des logs
Sécurité contrôlée par le Client dans AuraDB avec des clés de cryptage gérées par le
client (CMK) et un système RBAC géré par le client.

Neo4j Graph Data Science

L’important ?
Priorisation
Qui a le + de connexions?
Qui a le + haut pagerank?
Qui est un influenceur?
L’inhabituel ?
Détection anomalie/fraude
Où se forme une communauté ?
Quelle est la dynamique du groupe ?
Qu'y a-t-il d'inhabituel ?
Le futur ?
Prédictions
Quel est le chemin le + fréquent ?
Qui est dans la même communauté ?
Quelles relations vont se nouer ?
12
Pl
ay
s
Lives_in
In_sport
Likes
F
a
n
_
o
f
Plays_for
K
n
o
w
s
Knows
Knows
K
n
o
w
s
La Structure Graphe Améliore les Résultats de la Data Science

13
Le + grand catalogue d'algorithmes de graphes
Recherche &
Parcours
Centralité &
Importance
Détection de
Communauté
Machine Learning
Supervisé
Prédiction
Heuristique de Lien
Similarité Graph
Embeddings
…et plus
Les algorithmes de graphes sont un ensemble d'instructions qui visitent les
nœuds d'un graphe afin d'analyser les relations entre les données connectées.

Neo4j Graph Data Science:
Supprimez la pénibilité et optimisez les workflows de data science avec les données existantes
Supprimer la pénibilité Optimiser les workflows
Data Science
Jointures complexes
Exploiter Plusieurs Tables
Approximations Manuelles
Fastidieuses
Comparaisons Bruteforce
Données Fragmentées
95% réduction temps de
calcul
500x + rapide que les
bibliothèques open source
Améliorer les Résultats
pour les Clients
20-30% amélioration de
performances des modèles
600% amélioration du trafic
$5 Million de fraude
supplémentaire détectée
3x amélioration prédiction de
churn
5x réduction du délai de
fabrication en usine
14

15
Data
Scientists
> Client Python Natif
> Intégration Apache Arrow
> Pipelines ML unifiés
Investissement dans quatre domaines clés
Créé par des data
scientists, pour des
data scientists
Meilleures
Prédictions
> 65+ Algos de graphe &
embeddings
> Pipelines ML natifs graphe
> Intégrations Vertex AI &
SageMaker
Le meilleur outil de
graph data science et
de ML
Ecosystème
> Connecteurs Apache Spark &
Kafka
> Connector BI Natif
> Connecteur Data Warehouse
> Support GNN
Fonctionne en
continuité des piles
technologiques
existantes
Production
> Compatible avec les leaders
cloud
> Sécurité et Scalabilité pour
l’Entreprise
> Déployable partout
Passage en production
rapide, évolutif,
sécurisé

Couverture globale de l'ensemble du cycle de vie du ML
Feature
Engineering
Entraînement
de modèle &
Tuning
Déploiement
de Modèle
Collection &
Préparation de
Données
Analyse de
données
exploratoire
Evaluation de
modèle &
Sélection
Drivers,
Connecteurs,
Import/Export rapide
Requêtes Graphe,
Algorithmes et
Visualisation
Graph
Embeddings &
Algorithmes
APIs de
prédiction,
Opérations de
catalogue de
modèles/grap
hes,
Connecteurs
Pipelines ML Nativement Graphes
Algorithmes Graphes Non Supervisés
Features Graphe => Pipelines ML externes
16

Homogène dans tous les écosystèmes / pipelines
Graph Data Science
BI & VISUALIZATIONS
INGEST
STORE
PROCESS
Apache
Kafka
MACHINE LEARNING
Cloud
Functions
Neo4j
Bloom
PubSub
DataProc
Analytics
Feature
Engineering
Data
Exploration
Graph
Data
Science
Business
Applications &
Existing Systems
Files (unstructured,
structured)
TensorFlow
KNIME Python
Cloud Storage
AWS
Lambda
17
Graph Database

Afficher les nœuds les plus connectés et les plus influents
Recommandations issues d'interactions utilisateur partagées
et d'associations
Les visualisations Neo4j facilitent la compréhension des analyses
18

19
Avantages :
● Amélioration de 30% de la précision
des modèles
● Simplification des processus - plus
de maux de tête !
● Augmentation du nombre de projets
en production sans embauche
supplémentaire
Neo4j Graph Data Science
Analytics
Feature
Engineering
Data
Exploration
Graph
Data
Science
Requêtes & Recherche
Machine Learning Visualisation

20
Etude de cas Client :
Détection de Fraude
Identifier correctement les titulaires de
comptes qui commettent des fraudes
Résultats :
● +300% détection de fraude
● 10% escalades “true positive”
(industry standard < 1%)
● Baisse des escalades “false positive”
● +150% flux de paiements

21
Comment démarrer…
3. ML orienté graphe natif
Découvrez des caractéristiques
de votre graphe dont vous ne
soupçonnez pas encore
l'importance à l'aide des
embeddings.
Prédisez les liens, les labels et
les données manquantes à
l'aide de modèles ML
supervisés au sein du graphe.
Identifier les associations, les
anomalies et les tendances à
l'aide de l'apprentissage
automatique non supervisé.
2. Algorithmes de graphes
1. Graphes de connaissances
Trouver les motifs recherchés
dans les données connectées

22
Nouveautés
Graph Data Science

Algos & Embeddings
HashGNN Embedding: Approche
plus rapide que les GNN pour les
graphes de connaissances
KMeans: Grouper en cluster des
données en se basant sur des
propriétés telles que les graph
embeddings
Algorithme de Leiden : Détection de
communautés rapide et scalable
basée sur la modularité
New
Image courtesy of: Traag, V.A., Waltman, L. & van Eck, N.J.
Image courtesy of: javatpoint.com
Leiden Algorithm:
K-means Clustering:
23

ML Pipelines
Autotuning: Trouver les
hyper paramètres optimaux
pour améliorer les
performances du modèle
Multilayer Perceptrons
(MLPs): Des réseaux
neuronaux entièrement
connectés désormais
disponibles pour la
prédiction des liens et la
classification des nœuds
New
24

GNN Support
Graph Sampling:
échantillonner un sous-graphe
représentatif d'un graphe plus
large pour l'entraînement de
modèles complexes
Graph Export: utiliser les
projections de graphes Neo4j
dans d'autres bibliothèques de
graphes comme Deep Graph
Library (DGL), PyG, et
Tensorflow GNN
New
Image courtesy of Google Cloud
25

Neo4j et l’IA générative

Quelques définitions

IA Générative
Une branche de l'intelligence artificielle
qui se concentre sur la création de
modèles et d'algorithmes capables de
générer un contenu nouveau et
original. Contrairement aux modèles
d'IA traditionnels qui sont généralement
conçus pour des tâches spécifiques et
s'appuient sur des données
préexistantes, l'IA générative vise à
générer de nouveaux contenus sur la
base de modèles appris et de
connaissances issues de données
d'entraînement.
ChatGPT est un exemple bien connu
d'IA générative.
Dans le labyrinthe de données cachées,
Neo4j révèle des trésors oubliés.
Les nœuds se lient en un ballet d'idées,
Créant une richesse à jamais partagée.
ChatGPT, écris-moi un poème en 4 vers
sur la valeur créée en connectant les
données dans un graphe Neo4j:

Modèle de Langage à Large échelle (LLM)
Un type d'IA générative qui est entraînée
sur de grandes quantités de contenu.
Les LLMs sont considérés comme
“l'IA générative pour le langage/texte".
ChatGPT est un LLM.
LLM

Pourquoi les LLMs sont-ils si tendance?
Les entreprises y voient une opportunité pour :
• Automatiser les tâches de recherche de
données
• Améliorer le service à la clientèle
• Accélérer la lecture, la compréhension et
la synthèse
• Générer du contenu et du code
... économiser du temps et de l'argent,
améliorer la croissance et la fidélisation

Les défis des LLMs

Quel est le défi des LLMs ?
• La fonction principale est de prédire les mots qui suivent - et non de savoir si ces mots sont
exacts/factuels.
• L’entraînement de GPT se concentre principalement sur la prédiction de la probabilité du texte suivant
dans une séquence, en se basant sur des corpus de textes provenant de sources diverses.
• Certains réglages fins supervisés pour des tâches spécialisées sont inclus, mais il s'agit d'un volet
relativement modeste.
When you play the game
of thrones….
Entrée
LLM
, you win or you die.
There is no middle
ground.
Sortie

Principaux défis posés par les LLMs dans l'entreprise
1. Limite des connaissances en raison de la
durée de l'apprentissage
(par exemple, OpenAI 2021)
2. Réponses raisonnables, pas toujours
exactes
3. Peut hériter de biais à travers les données
d'entraînement
4. Manque de connaissances du domaine de
l'entreprise
5. Impossibilité de vérifier ou d'attribuer les
sources
LLMs:
Très bonne “compréhension” de la langue
Problèmes d'exactitude et de cohérence des faits

LLMs et Hallucinations
Définition: Les LLMs génèrent des textes
incorrects, absurdes ou irréels..
• Semblent répondre aux questions avec
assurance même s'ils ne disposent pas
des faits.
• Peut formuler des réponses
contradictoires ou incohérentes à des
questions similaires.

Proposition de Valeur Neo4j

Proposition de Valeur : Neo4j & IA Générative
LLMs + Graphes de Connaissances : libérer les données de l’entreprise
1. L'IA générative adaptée à votre
organisation : Utilisez Neo4j pour adapter
l’IAGen à votre entreprise, améliorer la
précision et réduire les erreurs.
2. Démarrer un Graphe de Connaissances
avec les LLM : Utiliser les LLM avec Neo4j
pour l'extraction d'entités et la création de
graphes de connaissances
3. Partenariats poussés avec les
fournisseurs cloud pour l'IA générative
neo4j.com/generativeai/

#1 L'IA générative adaptée à
votre organisation

Exploiter l'IA et obtenir de meilleures informations
à partir des données internes

Exploiter l'IA et obtenir de meilleures informations
à partir de toutes les données
• Regarder la vidéo

La douleur
La nature imprévisible des LLMs
peut conduire à des
hallucinations, à des déductions
inexactes ou à des erreurs
flagrantes, ce qui pose de sérieux
problèmes aux entreprises qui
recherchent la précision,
l'explicabilité et la fiabilité des
applications LLM d'entreprise.
La solution
Rectifier* les LLMs avec un graphe de
connaissances d’entreprise pour
améliorer
Appliquer la technique de “grounding” avec un
graphe de connaissances basé sur un modèle
de données flexible. Le graphe Neo4j est
sécurisé et interopérable avec toutes les data
stack, ce qui permet d’adopter et d’améliorer
les LLM en toute confiance.

Grounding
Fournir à l'IA les informations à utiliser pour générer des réponses
Le meilleur des 2 mondes
Utiliser les compétences de compréhension de la langue des LLM mais contrôler les
connaissances/sources utilisées
● Améliorer la précision du LLM et l'adapter à l'entreprise et au cas d'utilisation
● Réduire les hallucinations et autres incohérences
● Contrôler la provenance
Méthodes
● Recherche sur Internet, plugins, agents
● Embedding des LLM et similarité vectorielle
● Génération de requêtes
● Retrieval Augmented Generation (RAG)

Comment faire progresser les LLMs ?
Few-Shot Learning
Fine-Tuning Grounding
Fournir des exemples
validés à l'IA en tant que
contexte dans les prompts.
(“In-Context Learning”)
Fournir des données
d'entraînement
supplémentaires pour
mieux adapter l’IAGen à
votre cas d'utilisation
Fournir à l'IA
les informations à utiliser
pour générer des réponses
Toutes ces techniques sont utiles,
mais c'est au niveau du “grounding” que Neo4j apporte une valeur ajoutée.
Neo4j, source de données
pour le Grounding

Vecteurs d'embedding de texte pour la recherche sémantique
Étant donnée une question, trouver les documents les plus pertinents sur la base d'une
métrique de similarité (telle que la similarité cosinus) entre le vecteur de la question et les
vecteurs du contenu.
Passer de la recherche par mots-clés à la recherche par similarité (sémantique).
Q:
qu’est-ce
qu’un
embedding
de texte?
abstractId similarity
456 0.923445
22 0.892114
… ...
Top K par similarité

Grounding avec Retrieval Augmented Generation (RAG)
Retrieval Augmented
Generation (RAG):
récupérer des données en
dehors d'un modèle de
fondation et compléter vos
prompts en ajoutant les
données pertinentes
récupérées dans le contexte

Neo4j, la base de données pour le Grounding
BD vectorielles
limitées
Forces
des KG
Différentiateurs
Neo4j
Similarité ≠ Pertinence ou
Exactitude
Boîte noire (Sous-Symbolic)
Résultats dupliqués et
incomplets
Informations de référence
manquantes
Difficulté à répondre aux
questions à sauts multiples
Difficile à corriger par les
experts métier
Pertinence au-delà de la
simple similarité
Représentation symbolique
transparente
Stockage d'informations
condensées
Les références entre les
documents sont calculées
avant la requête
Permet une correction
humaine
Les LLMs comprennent Cypher
Vecteurs + Cypher
(index vectoriel disponible
depuis Neo4j 5.11)
Index pour de nombreux types
de données
(numériques, géo, dates)
Sécurité & contrôle d'accès très
précis
Transactions ACID, haute
disponibilité et scalabilité
Intégration à l’écosystème IT
Disponibilité cloud
GDS pour améliorer le ML

Un graphe de connaissances Neo4j peut fournir les informations factuelles qui
garantissent qu'un LLM produit des réponses plus précises, explicables et contextuelles.

#2 Démarrer
un Graphe de Connaissances
avec les LLM

Il est difficile de créer un graphe de connaissances
à partir d'un texte non structuré
Cela suppose :
1. L’Extraction d’Entités (NER) : Processus d'identification d'entités à partir de mots/phrases
dans un texte non structuré et de classification de ces entités dans des classes/types
spécifiques
2. L’Extraction de Relations : Processus d'identification des relations entre des paires d'entités
sur la base d'un texte non structuré

Il est difficile de créer un graphe de connaissances
à partir d'un texte non structuré
Les pipelines traditionnels d'extraction
d'entités peuvent être :
• gourmands en ressources
• difficiles à transférer / généraliser :
◦ bibliothèques/outils NLP spécialisés
◦ spécifiques à un domaine
◦ nécessitent une expertise métier
◦ beaucoup d'essais et d'erreurs
◦ mélange de règles d'entreprise,
d'apprentissage automatique et de
logique personnalisée

Les LLMs peuvenbt accélérer la création des KG
Les LLMs peuvent être conduits à :
1. Extraire des données d'un texte non structuré
• Extraction d'entités, y compris les pronoms et les
références partielles
• Désambiguïsation des entités
• Extraction de relations sémantiques
2. Faciliter ou effectuer directement l'ingestion de
graphes
• Génération de Cypher
pour ingérer les données extraites
• Structurer les données extraites
(triples, json, csv) pour fonctionner avec des
modèles d'insertion Cypher
Input Data
LLM
Utilisateur
Neo4j

#3 Partenariats

Intégrations de Neo4j avec les offres GenAI/ML partenaires

Synthèse et enseignements-clés :
Les applications des LLM se répandent comme une traînée de poudre.
Neo4j est très bien positionné dans l’écosystème pour le “grounding” (rectification des LLM)
Les graphes de connaissances fondés sur Neo4j améliorent la précision, la pertinence et le
contexte des réponses générées par le LLM.
Les dirigeants et les décideurs accordent de l'importance au graphe de connaissances Neo4j
adapté à l'entreprise et s'appuient sur ses différenciateurs uniques : schéma flexible,
interopérabilité à travers le cloud et l'écosystème data, industrialisation
(sécurité, passage à l'échelle, explicabilité).
Cette situation évolue très rapidement et différentes stratégies sont en cours d'élaboration.

Composants de l’écosystème (hors KG)
Fournisseurs LLM / GenAI
• Vertex AI
• Microsoft OpenAI
• (AWS Bedrock)
Orchestration
• LangChain / LlamaIndex
• GPTCache
• Guardrails / Guidance
• Weights & Biases
BD vectorielles /
Recherche par embedding
• Pinecone
• Weaviate
• Milvus
• pgVector
Hébergement / Plate-forme
• Huggingface

Démos & Exemples
Vertex AI - Talent Finder
• Génération de Graphe de Connaissances
depuis des données textuelles
• Customisation du LLM sur Cypher
• Génération de code Cypher à partir de
questions utilisateurs
NeoConverse -
• Génération de code Cypher pour la
formation
• Formation Cypher et optimisation
• App de recherche en langage naturel
• Extraire des KG de données médicales
• Recherche en langage naturel avec des
questions d’utilisateurs
• Inclut des algos GDS
Doctor AI / Assistant Médical Intégrations
• APOC - LLM (Openai, Vertex AI) + NL
• Intégrations Langchain/Llama-Index
• Résultats du projet NaLLM

Ressources Neo4j

Poursuivre son chemin dans les graphes
Se connecter avec des graphistas passionnés
Formation et certification
en ligne gratuites
• dev.neo4j.com/learn
• dev.neo4j.com/datasets
Groupe d'experts sur les
graphes - Les Ninjas
• dev.neo4j.com/ninjas
Se connecter avec la
communauté
• dev.neo4j.com/chat
• dev.neo4j.com/forum
• dev.neo4j.com/newsletter
Prochains événements développeur
• Live Streams - Weekly & Online
• Local Meetups neo4j.com/events

Rencontrez les Ninjas Neo4j
”Masters of Graphs”
Les Ninjas Neo4j :
Blogueurs actifs sur les graphes, présentateurs, contributeurs GitHub,
professeurs, responsables de groupes d'utilisateurs et chercheurs -
tous partagent leur expertise en matière de graphes
Avantages :
Les Ninjas bénéficient d'un accès exclusif aux experts de Neo4j, d'une
expérience VIP, de cadeaux spéciaux
et bien plus encore !
Intéressé(e) ?
Pour plus d'informations, consultez le site :

APOC Documentation
Autres Ressources Neo4j
Neo4j Graph Data Science Documentation
Neo4j Cypher Manual
Neo4j Driver Manual
Cypher Style Guide
Arrows App
• APOC est un excellent plugin pour
perfectionner votre cypher
• Cette documentation décrit les différentes
commandes que l'on peut utiliser
• Lien vers la documentation APOC
• Le manuel Cypher permet d'obtenir plus
d'informations sur les commandes Cypher
• Lien vers le pher manual
• La documentation Neo4j Graph Data
Science est la référence pour savoir quels
algorithmes utiliser et comment les utiliser
• Lien documentation Graph Data Science
• Le Neo4j Driver Manual décrit les drivers
officiels supportés par Neo4j.
• Lien vers le Neo4j driver manual
• Le Cypher Style Guide fournit des
recommandations pour construire des
requêtes Cypher précises et lisibles
• Lien vers le Cypher style guide
• L'application Arrows permet de concevoir un
modèle de graphe sans utiliser Cypher
• Lien vers l’app Arrows
Cypher Cheat Sheet
• Cette page donne des exemples concrets
de la manière d'écrire les différentes
requêtes Cypher
• Lien vers la Cypher cheat sheet
GraphGists
• Les GraphGists présentent de nombreux
cas d'utilisation et exemples variés pour des
secteurs d'activité particuliers.
• Lien vers les GraphGists
Neo4j Sandbox
• La Neo4j Sandbox permet de déployer
rapidement un serveur Neo4j
• Ne nécessite pas de téléchargement
• Inclut des projets d'exemple
• Lien vers la sandbox Neo4j

Liens Neo4j + LLMs
La page d'Aaron

61
Merci !
nicolas.rouyer@neo4j.com

La voie du succès avec les bases de données de graphes, la Graph Data Science et l’IA générative

La voie du succès avec les bases de données de graphes, la Graph Data Science et l’IA générative

Recommandé

Contenu connexe

Similaire à La voie du succès avec les bases de données de graphes, la Graph Data Science et l’IA générative

Similaire à La voie du succès avec les bases de données de graphes, la Graph Data Science et l’IA générative(20)

Plus de Neo4j

Plus de Neo4j(20)

La voie du succès avec les bases de données de graphes, la Graph Data Science et l’IA générative