Introduction à Neo4j

© 2023 Neo4j, Inc. All rights reserved.
1
Neo4j - introduction
Pierre Halftermeyer | pierre.halftermeyer@neo4j.com
Ingénieur avant-vente

2
ASTRAZENECA
Débusquer de nouvelles
relations entre les molécules
dans des jeux de données
énormes pour accélérer la
découverte de médicaments.
Un véritable déﬁ pour AZ.

3
Image showing case study goes here
Placeholder
CATERPILLAR
Libérer la connaissance
contenue dans des
dizaines de millions de
documents techniques
pour optimiser la
maintenance des
équipements de
Caterpillar. Un rêve pour
Caterpillar.

4
Au cœur des déﬁs de toutes les
entreprises il y a l’explosion combinatoire
des données et de leur complexité.

5
CSX
Operation critiques
PwC
Détection de Fraude et de
blanchiment
Adobe
Un réseau global de créateurs
TRANSVERSE À TOUS LES SECTEURS INDUSTRIELS

6
LA CROISSANCE DES DONNÉES EST EN ACCÉLÉRATION.
CHACUN EST CONNECTÉ À PRESQUE TOUT
200+
Zettabytes
stockage cloud
projection 2025
98
Volume moyen d’app
SaaS par entreprise
41B
appareil IoT
connecté en 2025

7
Les bases de données
“relationnelles”
ne sont pas assez efﬁcaces pour les
relations
Les bases de données NoSQL
encore moins

8
Une approche nouvelle est nécessaire
CONTINUER SUR CETTE VOIE
N’EST PAS LA RÉPONSE

Quand la donnée
rencontre le Graphe.
Le graphe offre une vision plus connectée des relations en
tre les données, libérant ainsi une compréhension profonde
et une connaissance du contexte

10
LA CATEGORIE À PLUS FORTE CROISSANCE, DEPUIS 10 ANS

11
LE GRAPHE DE PROPRIÉTÉ: UN MODÈLE PUISSANT
:Employee
:Analyst :City
:Company
Les nœuds
représentent des
entités
(Typiquement, les
labels sont des
noms)
Relationships are directional
(but can be queried in either direction)
Les relations connectent les
nœuds entre eux
(Typiquement les types sont des
verbes)
Les relations peuvent avoir des
propriétés
(clef/valeur)
Les nœuds peuvent
avoir des propriétés
(clef/valeur)
name: Amy Peters
date_of_birth: 1984-03-01
employee_ID: 1
:WORKS_AT
start_date: 2008-01-20
:LOCATED_IN
Les nœud ont un ou
plusieurs label (roles)

12
Les graphes donnent aux entreprises le pouvoir
de découvrir les relations cachées à travers des
milliards de connexions.
Rapidement et facilement.
propulsions d’applications qui
seraient impossibles avec d’autres
technologies

13
Les graphes sont la clefs des applications data de nouvelle génération
CSX
Jumeau digital de 1,8K
trains and 50K wagons.
Adobe
Réduction de
l’empreinte-données et des
millions économisés en frais de
PwC
Détection de Fraude et de
Blanchiment - nouvelle
génération
RÉSOUDRE LA COMPLEXITÉ DES DONNÉES

14
En 2025, le graphe sera au coeur de
80% des innovations data et
analytiques

15
Real-Time
Recommendations
Fraud
Detection
Network &
IT Operations
Master Data
Management
Identity & Access
Management
Risk &
Compliance
DE NOUVELLES APPROCHES POUR RÉSOUDRE LES PROBLEMES
DU MONDE ET CEUX DE L’ENTREPRISE

16
Neo4j: Le leader de la base graphe
& de l’analytique par le graphe

17
La première base graphe de l’Histoire
Créateur de la catégorie du marché
Leader incontesté du marché
300
$1B+ Enterprise
customers
$500M
in funding
170+
Global partner
ecosystem
250K
Community of developers
and data pros
100M+
Downloads

18
NEO4J: LEADER DU MARCHÉ
DES GRAPHES
Score maximal pour :
The Forrester WaveTM
For Graph Data Platforms, Q4 2020
● Passage à l’échelle
● Performance
● Charge de travail
● Déploiement
● Cas d’usage
● Data Management
● Chargement & Ingestion

19
NEO4J: APPLICATIONS ET ANALYTIQUE
19
Transactions, stockage &
requêtage
Analytique de Graphe,
ML & Data Science
Applications Intelligentes Modélisation Intelligente

20
NOTRE LEADERSHIP :
MOTEUR DE l’ADOPTION PAR
LES ENTREPRISES
Entrée au Magic
Quadrant Gartner
SGBD Cloud

21
Les leaders de l’industrie font le
choix du graphe

22
20 / 20
Top US banks
3 / 5
Top Aircraft Manufacturers
7 / 10
Top Telcos
3 / 5
Top Hotel Groups
8 / 10
Top Insurance Companies
10 /10
Top Automakers
7 / 10
Top Retailers
5 / 5
Top Pharmaceuticals
Trusted by
75 of the

23
LES CAPACITÉ DE LA BASE DE DONNÉES NEO4J
Engineering Expertise
>1000 années-hommes investies
Avantage d’être les premiers
Maturité, déploiements
Communauté du graphe
Croissance annuelle de 80%
Charge de
travail
hybride
Architecture
Graphe
Native
Graph Data
Science
Boîte à outils
fournie
Conﬁance &
Securité
d’Entreprise
On prem /
cloud /
SaaS

24
ARCHITECTURE GRAPHE NATIVE : rapide, ﬂexible, scalable
Native Graph Database
At write time
Les .connexions
sont crées à l’ingestion
At read time
Récupération éclair des données via suivi
de pointeurs
Stockage Graphe Natif
✔ Correspondance parfaite
✔ Intégrité de la données ACID
✔ Schéma Flexible
Traitements Graphe Natifs
✔ 1000x plus rapideque les DGBDR
✔ Langage de requêtage de graphe facile
Clustering Autonome
✔ Scalabilité illimitée
✔ Scale-out élastique : centaines de machines
Fabric
✔ Federation des shards
✔ Base de données composite en un instant

PERFORMANCE DES REQUÊTES EN FONCTION DE LA
DENSITÉ DE CONNEXION
25
Connectedness and Size of Data Set
Response
Time
Relational joins and
other NoSQL key-value
retrievals
Native Graph Database
1000x Advantage
Minutes to milliseconds
Many hops
> 3 degrees
Thousands of connections
0 to 2 hops
0 to 3 degrees
Few connections

S’INTÈGRE À VOTRE ÉCOSYSTÈME DATA
26
Apache Spark
Connector
Data Warehouse
Connector
Apache Kafka
Connector
Neo4j BI
Connector

PRODUCTIVITÉ DU DEV / OP : BOÎTE À OUTILS
27
ops manager
data importer
Visualize and explore your data
Query editor and results visualizer
Code-free data loader and modeler

MODÈLE DE DÉPLOIEMENT FLEXIBLE DANS LE CLOUD
28
Graph-as-a-Service Cloud Managed Services Self-hosted
Fully-managed SaaS
Consumption-based pricing
Cloud-native
Self-service deployment
No access to underlying
infrastructure and systems
White-glove managed service
by Neo4j experts
Fully customizable deployment
model and service levels
Operate In own data centers
or Virtual Private Cloud
For private and hybrid
cloud, or on-prem
Bring your own license
Full control of your environment
Run in any cloud, in your account

SÉCURITÉ NIVEAU ENTREPRISE
29
Single Sign-On Secure Development
Practices
Dedicated VPC Role- & Schema-Based
Access Control
Encryption
(At-Rest, In-Transit,
and Intra Cluster)

UN ÉCOSYSTÈME DE PARTENAIRES FLORISSANT
30
Cloud Intégrateurs Solutions
Technologie

31
Compréhension encore plus
profonde avec
Graph Data Science

LE GRAPHE EN IA & ML
32
“50% des demandes de
renseignement de
Gartner concernant l’IA
implique l’utilisation de
la technologie graphe.”
35x ↗ papiers de recherche en IA
utilisant le graphe
Source: Dimensions Knowledge System
365
13,040

NEO4J GRAPH DATA SCIENCE ET MACHINE LEARNING
33
Analytics
Feature
Engineering
Data
Exploration
Graph
Data
Science
Queries & Search
Machine Learning Visualization
QUOI ? Utilise le contexte et les
connexions pour renforcer le ML
POURQUOI ? Prédictions et
modèles plus faciles, plus rapides,
plus précis là où le contexte est
important.

GRAPH DATA SCIENCE: TIRER PARTIE DE VOS RELATIONS
34
Machine Learning Pipeline
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
Explorer les patterns et les données cachées de votre graphe
Ce qui est important Ce qui sort de l’ordinaire Ce qui va se passer

LE GRAPHE REND VOS ANALYSES INTERPRÉTABLES
35

PLUS DE VALEURS
AVEC LES MÊMES DONNÉES
36
Workflows Data Sciences
optimisés
opération de joins complexes
Mining de tables multiples
Comparaison en brute force
Données fracturés
Approximations fastidieuses a la
mano
Jusqu’à 30% d’amélioration
de la performance des modèles
3x churn prediction
5x réduction du délai de
production en usine
600% amélioration du traffic
$5 millions de cas de nouveaux
cas de fraude détectés
réduction de 95% en temps de
calcul Machine Learning
Jusqu’à 500x plus rapide que les
libs open source
Résultats métiers
améliorés
Moins de complexité,
moins de souffrance
🏎
🏎

AMÉLIORATION DES MODÈLES POUR RÉPONDRE À VOS
QUESTIONS
37
Pathfinding
& Search
Centrality Community
Detection
Machine
Learning
Link
Prediction
Similarity Embeddings And more …
65+ pré-paramétrés, parallelisés. Itérations rapides avec différents datasets,
et entraînement de modèles.
Connecté votre graphe et votre pipeline ML
Un large panel
d’algorithmes de graphe
Catalogue de Graphes et
Workspace analytique
Plongement de graphes
(node embedding) pour le
Machine Learning

38
GRAPH DATA SCIENCE : MODÈLE DE MATURITÉ
Knowledge Graphs
Graph Algorithms
Graph Native ML
Retrouver un pattern dans vos
données connectées
Identiﬁez des associations,
anomalies et tendances avec du
ML non supervisé
Découvrez les données
importantes dont vous
ignoriez l’existance
→
→

39
Intégration des
Graphes avec les LLMs

API
Knowledge Graph
Aura Enterprise Edition
Graph Data
Science
Graph DB
Intelligent Apps
Knowledge
Extraction &
Ingestion
Structured
Unstructured
Ontologies
Data Sources API Layer
Customer Service
Ticket Triaging
Recommendations
News Content &
Discovery
Enterprise
Knowledge Search
Patient
Prioritization
Clinical Decision
Support Systems
Pharmacovigilance
Health Assistants
FAQ Bots
Intelligent Apps with LLM + Neo4j
Azure Cognitive
Services
AzureML
LLMs
LLMs
Azure Reference Architecture

API
Knowledge Graph
Neo4j AuraDS
Graph Data
Science
Graph DB
Intelligent Apps
Knowledge
Extraction and
Ingestion
Structured
Unstructured
Ontologies
GCP Vertex AI
Data Sources API Layer
Customer Service
Ticket Triaging
Recommendations
News Content &
Discovery
Enterprise
Knowledge Search
Patient
Prioritization
Clinical Decision
Support Systems
Pharmacovigilance
Health Assistants
FAQ Bots
Knowledge Graph and Generative AI Reference Architecture
GCP Document AI
Bloom
Generative AI Generative AI
Dataproc
Dataflow
Pubsub
GCP Reference Architecture

42
Neo4j Graph Database & Analytics
Le futur des données de l’entreprise

43
Démo

Introduction à Neo4j

Contenu connexe

Similaire à Introduction à Neo4j

Plus de Neo4j

Introduction à Neo4j