TigerGraph  annonce une nouvelle version de TigerGraph Cloud, une base de données de graphes native à traitement parallèle, désormais équipée de deux puissants outils d’analyse visuelle des graphes et de machine learning. Au menu des nouveautés TigerGraph Insights, un outil d’analyse visuelle des graphes et ML Workbench, un framework Python pour accélérer le développement d’applications de machine learning à base de graphes.

« TigerGraph s’attache depuis longtemps à démocratiser les graphes et à repousser les limites de l’innovation dans ce domaine. Cette dernière version de TigerGraph Cloud atteint ces deux objectifs en aidant les développeurs et les data scientists à libérer tout le potentiel de leurs données, explique Jay Yu, VP produits et innovation chez TigerGraph. L’ajout d’outils d’analyse visuelle des graphes et de machine learning à notre offre DBaaS entièrement managée, disponible sur toutes les grandes plateformes cloud, abaisse encore un peu plus les barrières à l'entrée dans le monde des graphes. Aujourd’hui, les entreprises de toute taille peuvent booster leurs projets d’analytique et de machine learning à grande échelle en répondant à des questions business qui font bouger les lignes. »

TigerGraph Insights est un outil d’analyse visuelle de graphes no-code/low-code (NCLC). Grâce à lui, tous les utilisateurs, avec ou sans bagage technique assure TigerGrap, créent de puissantes représentations graphiques interactives d’applications BI adossées à la plateforme de base de données de graphes massivement parallèle de TigerGraph. L’outil Insights relie des données de graphes intuitives à l’informatique décisionnelle classique pour produire des graphiques multidimensionnels interactifs. Ces derniers peuvent même être interconnectés pour créer des tableaux, des diagrammes et des cartes permettant de produire un narratif visuel des graphes. Les graphiques peuvent également être connectés au sein de tableaux de bord interactifs qui permettent de mieux comprendre et d'approfondir la lecture des données connectées.

Le kit de machine learning de graphes ML Workbench offre aux data scientists les moyens d’améliorer la précision des modèles ML, de raccourcir les cycles de développement et de créer davantage de valeur ajoutée. Les data scientists peuvent effectuer leurs tâches en toute transparence grâce au moteur de traitement massivement parallèle des données de graphes de TigerGraph et à ses plus de 55 algorithmes de graphes open-source. Les fonctionnalités de graphes qui en résultent sont extraites et converties dans des formats de données lisibles par les modèles de réseaux de neurones de graphes en aval. ML Workbench offre une connexion transparente vers les workflows de science des données directement intégrée au kit d'outil le plus courant dans ce domaine (Jupyter Notebook).