En dévoilant sa nouvelle extension baptisée Graph, Elastic permet à quiconque de découvrir, comprendre et explorer les relations qui peuvent exister au sein de différents jeux de données. Grâce à l'association des capacités de recherche temps réelles, de pertinence et de visualisation de données, Graph ouvre la porte à toute une série de nouveaux usages potentiels avec la suite d’outils Elastic.
« Nous avons conçu Graph afin d’aider nos utilisateurs à répondre aux nouvelles questions qu’ils peuvent se poser quant aux données stockées dans Elasticsearch », explique Steve Kearns, Sr. Director of Product Management chez Elastic. « C’est en mettant la pertinence au cœur de la recherche des relations dans vos données qu’il est désormais possible de répondre à certaines questions qui auraient précédemment nécessité la mise en place de systèmes multiples et de techniques complexes comme le traitement par lots ou du machine learning ».
Graph : de nouveaux cas d’usages avec les outils Elastic
Lorsque vous stockez des données dans Elasticsearch (documents, logs, profils utilisateurs ou produits), elles contiennent des références ou des propriétés qui sont autant de connexions entre les objets, les personnes ou encore les machines. Comment mieux les associer qu’en les visualisant ? C’est ce que propose Graph grâce à un plugin de Kibana. Et comme tous les produits de la gamme, l’interface utilisateur s’appuie sur une API qui permet de tirer parti de toute l’expérience d’Elastic en matière de pertinence en termes de recherche. Grâce à elle il est possible de mettre en évidence les connexions les plus significatives entre les données. Cette approche unique dans l’exploration de données ouvre aussi la porte à la création de nouveaux cas d’usage et opportunités avec l’ensemble de la gamme de produits Elastic. Et ce, sans avoir recours à de nouveaux formats d’index, mais simplement en permettant aux utilisateurs de faire des requêtes d’une nouvelle manière.
Répondre à des questions complexes est désormais plus simple avec Graph et, en temps réel, ouvre donc la voie à de nouvelles opportunités dans de nombreux domaines comme l’analyse comportementale, la lutte contre la fraude, la cybersécurité, la médecine ou les recommandations personnalisées. Graph identifie automatiquement les connexions les plus évidentes entre les données. Pour cela il se base sur les éléments les plus pertinents afin de distinguer un signal fort au sein de la masse. Il tire également parti des capacités d’évolutivité et de disponibilité des données en quasi temps réel d’Elasticsearch pour permettre aux utilisateurs d’obtenir des réponses pertinentes à mesure que les données évoluent.
Graph apporte de la pertinence à l’exploration relationnelle
Lorsqu’une donnée est ajoutée dans Elasticsearch, le processus d’indexation débute par une investigation sur l’intégralité du document afin de le préparer pour les multiples requêtes auxquelles il sera soumis. Ces statistiques sont ensuite utilisées pour assurer tant la pertinence lors des recherches que la cohérence des données une fois rassemblées et agrégées dans Elasticsearch. Avec Graph, l’ensemble des outils Elastic peuvent utiliser ces statistiques de nouvelles manières ; tout d’abord pour identifier les relations au sein et à travers des ensembles de documents, puis par la suite en donnant la priorité aux relations les plus pertinentes en fonction de la requête.
Contrairement à Graph, les autres techniques se basent uniquement sur la fréquence des relations entre les données, et non sur leur pertinence. Cette approche présente un inconvénient majeur : les éléments ayant le plus de connexions (le film « Les bronzés » dans une base de données de recommandations de films, ou les achats réalisés chez Brioche Dorée par exemple) sont désignés comme étant les plus importants. Hors Graph dans Elasticsearch fonctionne différemment. La pertinence est calculée en comparant l’importance de chaque relation et les moyennes globales. C’est ce qui permet de faire la distinction entre les éléments réellement importants pour l’utilisateur et sa requête, et ceux qui sont simplement les plus fréquemment sollicités.
« Graph est un exemple qui montre que le champ des possibles est illimité en utilisant nos produits, mais aussi comment nous nous efforçons à rendre la technologie de tous les produits Elastic aussi simple à utiliser que possible », indique Shay Banon, Co-Founder et CTO chez Elastic. « Je suis fier de l’innovation dont nous faisons preuve et je suis très intrigué à l’idée de voir comment nos utilisateurs vont adopter et utiliser Graph pour résoudre leurs problèmes et inventer de nouveaux cas d’utilisation ».
« Nous avons conçu Graph afin d’aider nos utilisateurs à répondre aux nouvelles questions qu’ils peuvent se poser quant aux données stockées dans Elasticsearch », explique Steve Kearns, Sr. Director of Product Management chez Elastic. « C’est en mettant la pertinence au cœur de la recherche des relations dans vos données qu’il est désormais possible de répondre à certaines questions qui auraient précédemment nécessité la mise en place de systèmes multiples et de techniques complexes comme le traitement par lots ou du machine learning ».
Graph : de nouveaux cas d’usages avec les outils Elastic
Lorsque vous stockez des données dans Elasticsearch (documents, logs, profils utilisateurs ou produits), elles contiennent des références ou des propriétés qui sont autant de connexions entre les objets, les personnes ou encore les machines. Comment mieux les associer qu’en les visualisant ? C’est ce que propose Graph grâce à un plugin de Kibana. Et comme tous les produits de la gamme, l’interface utilisateur s’appuie sur une API qui permet de tirer parti de toute l’expérience d’Elastic en matière de pertinence en termes de recherche. Grâce à elle il est possible de mettre en évidence les connexions les plus significatives entre les données. Cette approche unique dans l’exploration de données ouvre aussi la porte à la création de nouveaux cas d’usage et opportunités avec l’ensemble de la gamme de produits Elastic. Et ce, sans avoir recours à de nouveaux formats d’index, mais simplement en permettant aux utilisateurs de faire des requêtes d’une nouvelle manière.
Répondre à des questions complexes est désormais plus simple avec Graph et, en temps réel, ouvre donc la voie à de nouvelles opportunités dans de nombreux domaines comme l’analyse comportementale, la lutte contre la fraude, la cybersécurité, la médecine ou les recommandations personnalisées. Graph identifie automatiquement les connexions les plus évidentes entre les données. Pour cela il se base sur les éléments les plus pertinents afin de distinguer un signal fort au sein de la masse. Il tire également parti des capacités d’évolutivité et de disponibilité des données en quasi temps réel d’Elasticsearch pour permettre aux utilisateurs d’obtenir des réponses pertinentes à mesure que les données évoluent.
Graph apporte de la pertinence à l’exploration relationnelle
Lorsqu’une donnée est ajoutée dans Elasticsearch, le processus d’indexation débute par une investigation sur l’intégralité du document afin de le préparer pour les multiples requêtes auxquelles il sera soumis. Ces statistiques sont ensuite utilisées pour assurer tant la pertinence lors des recherches que la cohérence des données une fois rassemblées et agrégées dans Elasticsearch. Avec Graph, l’ensemble des outils Elastic peuvent utiliser ces statistiques de nouvelles manières ; tout d’abord pour identifier les relations au sein et à travers des ensembles de documents, puis par la suite en donnant la priorité aux relations les plus pertinentes en fonction de la requête.
Contrairement à Graph, les autres techniques se basent uniquement sur la fréquence des relations entre les données, et non sur leur pertinence. Cette approche présente un inconvénient majeur : les éléments ayant le plus de connexions (le film « Les bronzés » dans une base de données de recommandations de films, ou les achats réalisés chez Brioche Dorée par exemple) sont désignés comme étant les plus importants. Hors Graph dans Elasticsearch fonctionne différemment. La pertinence est calculée en comparant l’importance de chaque relation et les moyennes globales. C’est ce qui permet de faire la distinction entre les éléments réellement importants pour l’utilisateur et sa requête, et ceux qui sont simplement les plus fréquemment sollicités.
« Graph est un exemple qui montre que le champ des possibles est illimité en utilisant nos produits, mais aussi comment nous nous efforçons à rendre la technologie de tous les produits Elastic aussi simple à utiliser que possible », indique Shay Banon, Co-Founder et CTO chez Elastic. « Je suis fier de l’innovation dont nous faisons preuve et je suis très intrigué à l’idée de voir comment nos utilisateurs vont adopter et utiliser Graph pour résoudre leurs problèmes et inventer de nouveaux cas d’utilisation ».