[新科技速遞]
近年數學研究圖理論（Graph theory）高速發展，主因是圖理論應用日廣，尤其是互聯網、社交媒體、零售的圖形數據庫（Graph database），都有成功落地商業案例。
所謂圖形數據庫，乃根據數學上圖理論，以節點（Node）和邊（Edge）為基本元素，通過屬性（Property）描述節點和各個邊特徵。圖形數據庫以實體和關係網絡形式儲存數據進行運算，翻譯經常令人產生誤會，實際上圖形結構指以節點、邊和屬性表示儲存數據進行語意查詢數據庫，與一般圖像關係不大。流行圖形數據庫包括Neo4j、Amazon Neptune和OrientDB等。
Microsoft則更將Graph技術結合到Office 365甚至是Windows作業系統，不少網絡保安均依靠Microsoft Graph提供網絡終端防禦。
最近Google Cloud宣佈在超大型分布數據庫Spanner內，加入了Spanner Graph支援圖形數據庫。Spanner類似是AWS的代管式超大型數據DynamoDB，單點管理可作全球性部署，較早前，Spanner推出了雙區域設定，地理上分割，保留單一全球管理能力，針對不同地區設置，以減低成本和延遲性。
社交網絡早著先鞭
圖形數據庫的價值最早被發現，從可從Facebook、Twitter 和LinkedIn社交媒體數起。社交媒體以圖形數據庫存儲和查詢用戶關係、通過加入朋友圈、瀏覽和交談等行為數據，就可檢索出用戶各種關係、關注和愛好事項，再根據興趣或朋友網絡，推薦內容作投放廣告精凖營銷。
Facebook利用AI從內容檢索出大量數據，效力驚人，甚至影響了英國脫歐公投和美國大選，從推測用戶關注點，甚至影響社交網絡言論，購買決定和各種行為。另一個圖形數據庫的用例，就是推薦個人化產品服務；類似Netflix和Spotify 等根據用戶觀賞數據，推薦歌曲和電影。電子商務Amazon和eBay也以圖形數據庫建立商品推薦。
零售金融業利器
近年，圖形數據庫應用在零售業轉型，用途更加廣泛，包括改進供應鏈現實即日送貨；以縮短補貨時間。圖形數據庫可結合多個數據點關係，例如Neo4j可結合產品、存貨、物流供應商的數據點，自動尋找出最佳送貨途徑和方式。
圖形數據庫一旦偵察特定帳戶交易暴升，再結合金融業不同來源數據，即時可偵察出欺詐活動發生，識別出與欺詐有關的個人或公司。金融機構以圖形數據庫存儲客戶、帳戶和交易資訊，則可檢測可疑行為模式。金融業正利用圖形數據庫偵測詐欺，例如本港警方「防騙視伏器」向市民提供轉賬「高危警示」，以制止電騙發生，向轉數快、網上銀行、電子錢包及銀行櫃枱轉賬發出「高危警示」，並在銀行及電子錢包網頁、手機應用轉賬獲防騙提示。
人工智能成亮點
近期，以圖形數據庫建立的知識圖譜（Knowledge Graph），應用在生成式AI潛力，引起不少關注。
企業部署生成式AI，仍遇到兩個挑戰。首先是答案凖確性不足，其次是出現幻覺（ Hallucination）。生成式AI出現後，消費市場引起哄動，企業要求嚴謹，AI落地有不少挑戰。大模型之所以稱為基礎模型，轉用專業用途上，通過要經「微調」（Finetuning），或者通過「檢索增強生成」（RAG）以數據庫加入專業知識。
據Databricks的估計，以生成式AI加入專業知識，約有六成的企業採用了RAG，但準繩度強差人意。一般RAG只將文檔變為向量數據庫，再供大模型檢索和生成答案，無法回答全局或高層次問題。
知識圖譜改善AI
7月份，Microsoft開源RAG知識圖譜增強RAG（GraphRAG），幾乎一夜爆紅，迄今獲近一萬五千枚Git Star。大模型通過GraphRAG，可回答複雜問題，答案質素更佳，提高答案可解釋性。GraphRAG利用人類能理解建立知識圖譜，答案易於解釋和審計追蹤，符合企業嚴謹要求。
據Neo4j 技術總監Philip Rathle的解釋，傳統RAG缺乏背景資訊，單從字面關係，推斷出來的答案，既難與已知事物建立關繫，又不提供追源線索，答案的可用性很低。知識圖譜分析複雜問題，可旁徵博引不同關係，從全局視野提高凖確度，尤其生成個人化的答案，表現更為出色。Rathle估計所有RAG都會加入知識圖譜技術。
原來Google也是知識圖譜的先驅，最早追溯至2012年推出第二代搜索引擎，Google加入知識圖譜。Google高級副總裁Amit Singhal揭櫫如何以知識圖譜，提昇檢索引擎質量，近期將知識圖譜研究，套用在生成式AI。
Spanner Graph 可建立類似GraphRAG，以知識圖譜建立大模型，提昇RAG功能，Spanner Graph具擴充性，可容納最大的知識圖譜，內置向量搜尋和 Vertex AI 整合後，簡化生成式 AI 工作流程。