¿Qué es una base de datos orientada a grafos?

La forma en que las bases de datos de grafos ayudan a descubrir relaciones entre personas, lugares y eventos los convierte en un recurso valioso para una variedad de casos de uso, incluidos la asignación, las recomendaciones de productos y la detección de fraudes. Más recientemente, los sistemas de IA utilizan grafos para agregar nuevos niveles de contexto y matices a los resultados. Veamos cómo funcionan las bases de datos orientadas a grafos y estudiaremos la mejor manera de aprovechar sus capacidades únicas.

¿Qué es una base de datos orientada a grafos?

Una base de datos de grafos es una base de datos diseñada para almacenar y consultar datos complejos e interconectados. Funciona almacenando y representando datos como nodos, o entidades, y bordes o relaciones. Esta representación gráfica permite a los usuarios de bases de datos ejecutar análisis de grafos, lo que les ayuda a encontrar y explorar relaciones complejas entre entidades de datos.

Existen diversas bases de datos de grafos en el mercado. Algunos, como Neo4j, son bases de datos de grafos dedicadas que solo manejan datos de grafos, mientras que otras, como Oracle AI Database, son bases de datos empresariales multimodales que admiten múltiples modelos de datos, incluidos, entre otros, los grafos. A diferencia de las bases de datos relacionales tradicionales, que almacenan datos en tablas y utilizan uniones para establecer relaciones, las bases de datos gráficas almacenan estas relaciones como un elemento fundamental en la base de datos, lo que las hace directamente disponibles para la consulta y exploración mediante lenguajes como Cypher, Gremlin, PGQL y SQL.

Una base de datos de grafos es la mejor opción cuando se busca descubrir relaciones complejas y dinámicas entre entidades de datos. Eso explica su popularidad en casos de uso como los sistemas de enrutamiento y logística, donde múltiples factores se centran en mapear una ruta ideal, o las redes sociales, donde se necesita una vista de la intrincada red de conexiones entre usuarios, grupos e intereses para generar las recomendaciones. Además, los sistemas de IA están aprovechando las bases de datos de grafos para que puedan ofrecer resultados más oportunos, relevantes y matizados a través del creciente uso de arquitecturas Graph RAG.

Conclusiones clave

• Las bases de datos orientadas a grafos ofrecen una forma de estudiar las relaciones y dependencias entre puntos de un juego de datos.
• Al almacenar los datos como nodos y bordes, las bases de datos de grafos permiten una navegación y recuperación rápidas de los datos conectados.
• Las bases de datos de grafos son populares para muchos casos de uso, incluidas las aplicaciones web semánticas, la detección de fraudes, las redes sociales y los sistemas de recomendaciones de retail o entretenimiento.
• Los sistemas de IA cada vez más populares que utilizan arquitecturas Graph RAG para obtener salidas más matizadas y precisas dependen de bases de datos de grafos.

Bases de datos de grafos en detalle

Las bases de datos orientadas a grafos proporcionan modelos de grafos para representar las relaciones en los datos. Permiten a los usuarios realizar lo que se denomina "consultas transversales" que, esencialmente, atraviesan un conjunto de datos para encontrar conexiones entre puntos de datos. A continuación, la base de datos aplica algoritmos de grafos para identificar patrones, rutas, comunidades, personas influyentes, puntos de fallo únicos y otras relaciones. El poder de los grafos es su capacidad para vincular fuentes de datos dispares para encontrar nuevas perspectivas, incluso en conjuntos de datos muy grandes y diversos.

Los algoritmos de grafos permiten analizar relaciones y comportamientos entre datos en gráficas, haciendo posible entender cosas difíciles de ver con otros métodos. Por ejemplo, los algoritmos de grafos pueden identificar qué individuo o elemento está más conectado con otros en las redes sociales o los procesos de negocio, y pueden detectar comunidades, anomalías, patrones comunes y rutas que conectan a individuos o transacciones relacionadas.

Para llegar a estos insights, los algoritmos exploran las rutas y distancias entre los vértices, es decir, los puntos de datos que representan entidades en un conjunto de datos, y su importancia y agrupación en clústeres. Para determinar la importancia, los algoritmos a menudo miran los bordes entrantes, la importancia de los vértices anexos y otros indicadores. Las bases de datos orientadas a grafos almacenan estas relaciones como datos junto con los propios nodos, lo que permite una rápida navegación y recuperación de datos conectados. Las bases de datos de grafos también tienden a ser flexibles en cuanto a su esquema, lo que permite la evolución del modelo de datos a medida que cambian las relaciones.

¿Cómo funcionan las bases de datos orientadas a grafos?

Las bases de datos orientadas a grafos almacenan información como una red de nodos que representan entidades, como cuentas o transacciones, y bordes que representan las relaciones que conectan los nodos. Cuando se presenta una consulta a la base de datos, funciona atravesando estos bordes predefinidos de un nodo a otro para encontrar patrones y rutas dentro de los datos.

La siguiente imagen es un ejemplo simple de una base de datos de grafos en acción. Representa visualmente el popular juego de fiesta "Seis grados de Kevin Bacon", que implica hacer conexiones entre Bacon y otro actor basado en una cadena de películas mutuas. Este énfasis en las relaciones lo convierte en la forma ideal de demostrar la analítica de grafos.

Imagina un conjunto de datos con dos categorías de nodos: cada película hecha durante la carrera de Bacon y cada uno de los actores participantes en esas películas. A continuación, con la tecnología de grafos, ejecutamos una consulta pidiendo conectar a Kevin Bacon con la teleñeco Cerdita Peggy. El resultado sería el siguiente:

Red de nodos que representa las siguientes conexiones: la Cerdita Peggy estaba en Muppet Treasure Island con Billy Connolly, quien actuó en Lemony Snicket con Meryl Streep, quien apareció en The River Wild con Kevin Bacon.

En este ejemplo, los nodos disponibles (vértices) son tanto actores como películas y las relaciones (bordes) son el estado de "ha actuado". A partir de aquí, la consulta devuelve los siguientes resultados:

• Kevin Bacon actuó en “The River Wild” con Meryl Streep.
• Meryl Streep actuó en "A Series of Unfortunate Events" de Lemony Snicket con Billy Connolly.
• Billy Connolly actuó en “Muppet Treasure Island” con la Cerdita Peggy.

Con las bases de datos orientadas a grafos se pueden consultar muchas relaciones diferentes con este ejemplo de Kevin Bacon; por ejemplo:

• ¿Cuál es la secuencia más corta para conectar a Kevin Bacon con la Cerdita Peggy?
  A: Análisis de la ruta más corta empleado en el juego Seis Grados, descrito anteriormente.
• "¿Quién ha trabajado con el mayor número de actores?"
  R: La centralidad de grado encontraría al actor que ha compartido créditos más veces.
• "¿Cuál es la distancia media entre Kevin Bacon y todos los demás actores?"
  R: La centralidad de proximidad se puede utilizar para mostrar el alto grado de interconexión entre actores de la industria cinematográfica.

Este es, por supuesto, un ejemplo más divertido que la mayoría de los usos de la analítica de grafos. Pero este enfoque funciona en casi todos los big data, en cualquier situación en la que un gran número de registros muestre una conectividad natural. Algunos de los usos más populares de la analítica de grafos son el análisis de redes sociales, las redes de comunicación, el tráfico y el uso de sitios web, los datos reales de carreteras y las transacciones y cuentas financieras.

Bases de datos orientadas a grafos con grafos

Para crear un grafo, debes definir el modelo de datos, identificar nodos y bordes y, a continuación, insertar datos en la base de datos de grafos mediante un lenguaje de consulta, como SQL o PGQL de Oracle, o herramientas de código abierto, como Cypher o Gremlin.

Base de datos orientada a grafos y analítica de grafos

Las bases de datos permiten el análisis de grafos al admitir algoritmos que atraviesan datos de grafos para identificar patrones y relaciones, como la búsqueda en anchura (BFS) y la búsqueda en profundidad (DFS). Además, las bases de datos de grafos a menudo incluyen funciones integradas para el análisis de grafos, como medidas de centralidad y detección de comunidades. Algunas bases de datos permiten a los usuarios realizar rápidamente acciones como borrar, agrupar, ampliar y centrarse en vértices y bordes para modificar una visualización y explorar relaciones en datos de grafos complejos.

Casos de uso de bases de datos orientadas a grafos

Debido a que las bases de datos orientadas a grafos enfatizan las relaciones entre los puntos de datos, promueven un análisis eficiente de las relaciones complejas y pueden generar insights más profundos y profundos con mucho menos esfuerzo. Los beneficios incluyen lo siguiente:

• Mejor análisis de redes: los grafos pueden identificar rápidamente los nodos que crean la mayor actividad o influencia o identificar los puntos más débiles de una red, lo que ayuda a analizar el estado de la red o la comunidad.
• Subsegundo análisis: las bases de datos de grafos almacenan explícitamente las relaciones, por lo que las consultas y los algoritmos utilizan esta conectividad entre vértices para ejecutarse en subsegundos en lugar de las horas o días que podría tardar en una base de datos relacional tradicional, que tendría que ejecutar innumerables uniones para lograr los mismos fines.
• Matriz amplia de casos de uso: los grafos te permiten explorar y descubrir conexiones y patrones, por ejemplo, redes sociales, salidas de sensores del IoT, data lakes y almacenes de datos. Pueden analizar rápidamente datos de transacciones complejas para varios casos de uso empresarial, incluida la detección de fraudes en la banca, la detección de dependencias en los procesos de fabricación y la oferta de recomendaciones en los sistemas retail.

Cuándo utilizar bases de datos orientadas a grafos

La capacidad de comprender rápidamente las relaciones y conexiones entre personas, lugares, eventos, fondos y muchos otros puntos de datos posibles es de vital importancia para una amplia gama de actividades empresariales y gubernamentales. Para ver por qué, veamos algunos ejemplos.

Casos de uso de las bases de datos orientadas a grafos

Las bases de datos de grafos se utilizan en una amplia gama de industrias, con la importancia de las relaciones entre los puntos de datos como un hilo conductor. Ejemplos de casos de uso:

• Análisis de redes sociales: las redes sociales constituyen un caso de uso ideal, ya que implican muchos nodos (cuentas de usuario) y conexiones multidimensionales (participaciones en muchas direcciones diferentes). Un análisis de grafos para una red social puede determinar factores como, ¿en qué medida son activos los usuarios? (número de nodos). ¿Qué usuarios tienen mayor influencia? (densidad de conexiones). ¿Quién tiene el compromiso más bidireccional? (dirección y densidad de conexiones). Sin embargo, esta información resulta inútil si el sesgo de los bots no es natural.

  Las redes hacen todo lo posible por eliminar las cuentas de bot, ya que afectan la experiencia general de los usuarios. Afortunadamente, la analítica de grafos puede ser un método excelente para identificar y filtrar bots. En un caso de uso real, el equipo de Oracle utilizó Oracle Marketing Cloud para evaluar la publicidad y las tracciones de redes sociales, en particular para identificar los bots. El comportamiento más habitual de estos bots consistía en republicar el contenido de cuentas objetivo, inflando así su popularidad artificialmente. Un simple análisis de patrones reveló el número de reposts y la densidad de conexiones con los vecinos. Se detectó que las cuentas populares de manera natural tenían relaciones diferentes con los vecinos que las cuentas controladas por bots.

  Esta imagen muestra cuentas populares de manera natural.

  

  En un gráfico de curva simple que ve cuentas reales de redes sociales, la mayoría de los adyacentes repostearán contenido unas cuantas veces, siguiendo la forma de distribución de la ley de poder.

  Esta imagen muestra el comportamiento de una cuenta controlada por un bot.

  

  En un gráfico de curva simple que representa la actividad de la cuenta de bot, una cuenta de bot puede ser detectada por el mayor número de vecinos que volverán a compartir varias veces.

  Una vez que el análisis de grafos identificó un patrón natural frente a un patrón de bot, fue tan simple como filtrar esas cuentas; aunque también es posible profundizar para examinar las relaciones entre bots y cuentas reposteadas. Para verificar que este proceso de detección de bots era preciso, las cuentas marcadas se verificaron transcurrido un mes. Los resultados fueron los siguientes:

  • Suspendidas: 89 %
  • Suprimidas: 2,2 %
  • Aún activas: 8,8 %

  El porcentaje extremadamente alto de cuentas sancionadas (91,2 %) mostró la precisión de los patrones de identificación. Identificar patrones complejos habría sido mucho más largo con una base de datos tabular estándar; sin embargo, con la analítica de grafos, se pueden identificar patrones complejos de forma rápida.

• Seguimiento del fraude con tarjetas de crédito: las bases de datos orientadas a grafos se han convertido en una potente herramienta en el sector financiero para detectar el fraude. A pesar de los avances en la tecnología antifraude, como el uso de chips integrados en las tarjetas, el fraude aún puede producirse de diversas formas. Los dispositivos de rastreo pueden robar los datos de las bandas magnéticas, una técnica que se usa comúnmente en lugares que aún no han instalado lectores de chips. Una vez que se almacenan esos datos, se pueden cargar en una tarjeta falsa para realizar compras o retirar dinero.

  La identificación de patrones suele ser el primer punto de defensa en la detección del fraude. Los patrones de compra esperados se basan en la ubicación, la frecuencia, los tipos de tiendas y otros elementos que se ajustan al perfil de un usuario. Cuando algo parece totalmente anómalo —por ejemplo, una persona que normalmente se encuentra en el área de la Bahía de San Francisco y que, de repente, hace compras nocturnas en Florida— se marca como potencialmente fraudulento. El poder de procesamiento requerido para ello se simplifica mucho con el análisis de grafos, que se destaca en el establecimiento de patrones entre nodos. En este caso, las categorías de nodos se definen como cuentas (titulares, tarjetas), ubicaciones, categorías de compras, transacciones y terminales. Es fácil identificar patrones de comportamiento naturales; por ejemplo, en un mes determinado, una persona podría:

  • Comprar comida para mascotas (categoría de compra) en diferentes tiendas de mascotas (terminales)
  • Pagar en restaurantes durante los fines de semana (metadatos de transacciones) en la región (lugares de compra)
  • Comprar artículos de bricolaje (categoría de compra) en una ferretería local (ubicación de la cuenta, ubicación de compra)

  La detección de fraude generalmente se realiza con aprendizaje automático,, pero la analítica de grafos puede complementar esta tarea para crear un proceso más preciso y eficiente. Los resultados se han convertido en predictores eficaces para determinar y marcar registros fraudulentos gracias al enfoque en las relaciones.

• Seguimiento del lavado de dinero: las bases de datos orientadas a grafos también pueden ayudar con fraudes más avanzados. Conceptualmente, el blanqueo de capitales es simple: el dinero obtenido ilegalmente se transmite, se mezcla con fondos legales y luego se convierte en activos tangibles. Más concretamente, una transferencia de dinero circular implica un delincuente que se envía a sí mismo grandes cantidades de dinero obtenido de forma fraudulenta, pero lo oculta a través del largo y complejo conjunto de transferencias válidas entre cuentas "normales" que se crearon con identidades sintéticas que normalmente comparten información similar. Esto hace que el análisis gráfico sea una excelente opción para revelar sus orígenes fraudulentos. Para simplificar la detección de fraudes, una empresa financiera podría crear un gráfico a partir de transacciones entre cuentas. Una vez creado el grafo, basta ejecutar una consulta simple para buscar todos los clientes con cuentas que tengan información similar, desvelándose de este modo qué cuentas se están enviando dinero entre sí, como correos electrónicos, direcciones y números de teléfono.

  

  Diagrama que ilustra una consulta de base de datos de grafos para la detección de blanqueo de dinero, que muestra un mapa visual de clientes y cuentas vinculados por transferencias financieras y el código SQL correspondiente.

Para obtener información sobre otros casos de uso con bases de datos orientadas a grafos, descargue el ebook gratuito (PDF)

El futuro de las bases de datos orientadas a grafos

Las bases de datos orientadas a grafos y las técnicas de grafos han evolucionado al ritmo del crecimiento que han experimentado el poder de procesamiento y el big data. Cada vez está más claro que se convertirán en una herramienta clave para analizar un nuevo mundo de relaciones complejas entre los datos. A medida que las empresas y las organizaciones continúan impulsando las capacidades de los big data y el análisis, la posibilidad de obtener información de formas cada vez más complejas hace que las bases de datos orientadas a grafos resulten imprescindibles para las necesidades actuales y los éxitos del mañana.

Cómo elegir la base de datos orientada a grafos adecuada

Hay dos modelos populares de bases de datos orientados a grafos: grafos de propiedades y grafos RDF, también conocidos como grafos de conocimientos. Al seleccionar la opción adecuada para tus necesidades, es útil recordar que el grafo de propiedades se centra en los análisis y las consultas, mientras que el gráfico RDF hace hincapié en la integración de datos. Ambos tipos de grafos consisten en un conjunto de puntos (vértices) y de las conexiones entre esos puntos (bordes). Los grafos de conocimiento, que representan el significado y el contexto de las relaciones identificadas en los datos de los grafos, son cada vez más relevantes para la inteligencia artificial.

Grafos de propiedades: Los grafos de propiedades se utilizan para modelar las relaciones entre los datos y permiten hacer análisis y consultas sobre los datos en función de estas relaciones. Un grafo de propiedades tiene vértices que pueden contener información detallada sobre un tema, así como bordes para resaltar la relación entre esos vértices. Los vértices y los bordes pueden tener atributos (llamados propiedades) a los que están asociados.

Este ejemplo representa un conjunto de compañeros y a las relaciones existentes entre ellos como un grafo de propiedades. Estamos mostrando cómo los colegas colaboran y, desafortunadamente, tienen conflictos. También podríamos indicar las propiedades de estos colegas, como sus roles, en qué ciudades viven, si son trabajadores remotos e información de departamento.

Gráfico de propiedades que visualiza las relaciones de colaboración o conflictos entre los miembros del equipo.

Debido a que son tan versátiles, los grafos de propiedades se utilizan en varias industrias y sectores, como las finanzas, la fabricación, la seguridad pública y el comercio retail.

Grafos RDF: Los grafos RDF (Resource Description Framework) cumplen con un conjunto de estándares W3C (Worldwide Web Consortium) diseñados para representar declaraciones; son la mejor opción a la hora de representar metadatos complejos y datos principales. Se suelen utilizar para datos vinculados, integración de datos y grafos de conocimiento. Pueden representar conceptos complejos en un dominio, así como ofrecer una semántica rica e inferencias sobre datos.

En el modelo RDF, una sentencia está representada por tres elementos: dos vértices conectados por un borde que representa el sujeto, el predicado y el objeto de una oración; esto se conoce como tripleta RDF. Un identificador uniforme de recursos (URI) identifica cada vértice y borde. El modelo RDF aporta un método para publicar datos en un formato estándar y con una semántica bien definida, lo que facilita el intercambio de información. Las entidades estatales de estadísticas, las empresas farmacéuticas y las organizaciones sanitarias utilizan los grafos RDF de manera generalizada.

Cada vez más, los grafos RDF están ganando popularidad como una forma de respaldar las aplicaciones inteligentes; muchos LLM ya están entrenados en representaciones de grafos RDF de conjuntos de datos públicos, como el grafo de conocimiento abierto DBpedia.

Comienza a utilizar Graph Database y Graph Analytics

Con Oracle, es mucho más fácil adoptar tecnologías orientadas a grafos. Oracle AI Database y Oracle Autonomous AI Database incluyen una base de datos de grafos integrada y un motor de análisis de grafos para que los usuarios puedan descubrir más insights sobre sus datos mediante algoritmos de grafos, consultas de coincidencia de patrones y visualización. Los grafos forman parte de la base de datos convergente de Oracle, que admite requisitos multimodal, multicarga de trabajo y multiinquilino, todo ello en un solo motor de base de datos. Oracle Graph admite Property y RDF en una sola base de datos, así como el análisis de grafos mediante SQL.

Aunque todas las bases de datos orientadas a grafos afirman ser de alto rendimiento, las ofertas de grafos de Oracle tienen un gran rendimiento, lo que el rendimiento y los algoritmos de las consultas resultan totalmente integrados con Oracle AI Database. Esto facilita que los desarrolladores añadan análisis de grafos en aplicaciones existentes, además de poner a su alcance la escalabilidad, la uniformidad, la recuperación, el control de acceso y la seguridad que la base de datos proporciona de forma predeterminada. Oracle AI Database es la base de datos de grafos para la empresa.

Para comprender las relaciones entre las personas, los lugares, los eventos y los objetos del juego de datos, no hay mejor herramienta que una base de datos de grafos. Y la mejor prueba de ello es que los últimos sistemas de IA ha optado por adoptar estas bases de datos. Al ver los datos como nodos y bordes, las bases de datos orientadas a grafos permiten a los sistemas de IA recorrer y analizar estas relaciones de manera más eficaz, generando así insights más profundos y propiciando una toma de decisiones más precisa. Busca bases de datos orientadas a grafos para seguir destacando a medida que ganen presencia la IA y los agentes de IA en más implementaciones empresariales y gubernamentales en los próximos años.

Preguntas frecuentes sobre Graph Database

¿Para qué sirven las bases de datos orientadas a grafos?

Las bases de datos orientadas a grafos están diseñadas para almacenar y consultar puntos de datos representándolos como nodos y bordes, lo que les permite revelar insights sobre los patrones y las relaciones dentro de los datos. Por este motivo, destacan en el manejo de datos altamente conectados en aplicaciones como redes sociales, sistemas de recomendación y detección de fraudes.

¿Se utilizan bases de datos orientadas a grafos para la IA?

Las bases de datos orientadas a grafos se suelen utilizar para aplicaciones de IA, que aprovechan la capacidad de estas bases de datos para consultar relaciones de forma eficiente en datos complejos e interconectados. Esto ayuda a los sistemas de recomendación de potencia de IA y a producir grafos de conocimiento, lo que puede generar insights semánticos que mejoren la comprensión del texto u otro contenido del modelo de IA.

¿Son las bases de datos orientadas a grafos iguales que las bases de datos relacionales?

Las bases de datos relacionales y de grafos difieren en sus enfoques para almacenar y gestionar relaciones de datos. Las bases de datos relacionales utilizan tablas y claves ajenas para establecer conexiones entre entidades de datos, lo que puede dar lugar a uniones complejas cuando se trata de datos profundamente interconectados. Por el contrario, las bases de datos gráficas ven los datos como nodos y bordes, lo que permite un recorrido y una consulta más eficientes de las relaciones, lo que las hace adecuadas para aplicaciones que involucran datos complejos y altamente conectados, como sitios de redes sociales, motores de recomendaciones retail o sistemas de detección de fraudes.