SKAI Worldwide Tech Blog

그래프 DB 특징 소개 그래프 데이터베이스는 데이터 수집, 모델링, 분석, 신규 데이터 입력, 연결 관계 처리 영역에서 많은 장점이 있다. 일반적으로 Excel과 같은 집합 데이터를 처리하는 정형화된 업무 시스템과 달리 그래프 DB는 다양한 데이터, 정보 및 지식의 관계를 기반으로 현상(what)에 대한 원인(why)을 추론하고, 미래에 어떠한(how) 의사결정을 할 것인지 예측하기 위한 새로운 업무 영역에서 효과적으로 사용된다. 이를테면, 데이터 기반의 펀드 관리에서 일반적인 표로 펀드를 관리하면 수익률로 나타나는 현상과 수익률에 영향을 미치는 원인의 관계가 명확하게 표현되지 않아 수익률 증대를 위한 데이터 분석 및 의사결정 과정이 복잡해진다. 반면, 그래프 데이터로 관리하는 경우 관계(relation..

추천 시스템이란? 추천 시스템은 사용자가 콘텐츠 이용 시에 개인화된 추천을 지원하는 시스템으로 콘텐츠 및 사용자의 정보, 콘텐츠에 대한 평가를 기반으로 사용자에게 적합한 콘텐츠를 추천합니다. 그렇다면 추천 시스템은 어떠한 원리로 사용자에게 콘텐츠를 추천하는 걸까요? 전통적으로 잘 알려진 추천 알고리즘은 크게 협업 필터링과 콘텐츠 기반 필터링 기법이 있으며, 이들을 조합한 하이브리드 시스템으로 사용자에게 콘텐츠를 추천합니다. 협업 필터링(Collaborative Filtering)은 사용자의 데이터를 활용해 추천해주는 만큼 상품이나 서비스 이용 또는 구매로 이어질 확률도 높습니다. 게다가 사용자가 많아질수록 데이터가 쌓여 추천 정확도와 신뢰도 또한 증가합니다. 반면에 사용자의 데이터가 없다면 추천이 어렵습..

본 글에서는 예측분석에 사용할 수 있는 알고리즘을 설명합니다. 수많은 예측분석 알고리즘을 소개하기엔 현실적으로 무리가 있다고 판단하여, Regression과 Classification에 대해 간략한 소개를 하고 이후에 Brazilian E-Commerce 사례에서 사용하였던 알고리즘을 기술했습니다. 회귀(Regression)와 분류(Classification)로 범주화하는 지도 학습 머신러닝 알고리즘은 작동방법에 따라 몇 가지 기준으로 분류할 수 있는데, 가장 큰 기준은 바로 비지도 학습(Unsupervised Learning)과 지도 학습(Supervised Learning)이 있습니다. 비지도 학습은 출력 변수(Y)가 존재하지 않고, 입력 변수(X) 간의 관계에 대해 모델링하는 것입니다. 주로 Clu..

그래프 데이터 모델은 현실 모형에 가까운 직관적인 형태의 “데이터 모형”을 제공합니다. 현실과 가까운 모습의 데이터 모델로 데이터가 운용되고 데이터 모델의 변형이 자유롭기 때문에 기존 관계형 데이터보다 더 효율적이며 직관적입니다. 최근 빠른 시장 변화에 따라, 데이터의 보유 규모뿐만 아니라 데이터의 숨은 가치를 바로 알고 이를 유용하게 활용하는 것이 점점 더 중요해지고 있습니다. 이러한 점에서 그래프 데이터베이스(이하 그래프 DB)의 직관적인 데이터 모델링은 실제 조직의 데이터 모델과 흡사한 데이터 모델링이 가능하며, 이를 통해 조직 전체의 데이터 흐름을 쉽게 이해하고 활용하는 데 많은 도움을 줄 수 있습니다. 본 백서는 그래프 DB의 활용 방법을 소개하기 위해 제작되었으며, 1부는 그래프 모델링, 2부..

본 글은 비트나인에서 출시한 솔루션 중 하나인 그래프 데이터베이스를 활용한 예측분석 시스템(G-PAS)에 대한 내용을 다루고 있습니다. G-PAS란? G-PAS, 빅데이터 예측분석 시스템 그래프 예측분석 시스템 소개 G-PAS(Graph Predictive Analysis System)는 프로퍼티 그래프 데이터 모델(Property Graph Data Model)을 사용하며, 빅데이터를 관리할 수 있는 최적의 구조를 가졌습니다. 프로퍼티.. bitnine.tistory.com 비트나인의 그래프 사이언스 R&D팀이 이에 대해 보다 쉽게 이해할 수 있도록 작성했으며, 이론편을 시작으로 ‘그래프를 활용한 예측분석 시스템에 대한 기본적인 개념’과 ‘데이터 모델링을 통해 분석하는 과정’을 설명하는데 초점이 맞추어..