生成式人工智能（Generative AI）和大语言模型（Large Language Models，LLMs）已经成为大家关注的焦点，它们可以帮助我们在互联网上获取各种信息。然而，企业在使用LLMs时面临一些问题。使用LangChain将LLMs与TigerGraph集成……

在这篇博客中，我们将展示如何在TigerGraph Cloud上，使用机器学习工作台（ML workbench），在准备你的图数据集后，如何创建图特征工程，训练你的GNN模型，用子图可视化你的模型预测等。最终借助TigerGraph ML Workbench（ 机器学习工作台），加速企业BI。

TigerGraph Cloud 3.8版本简化了集群发放和管理体验。单击几下就可以创建一个新的集群，并在几分钟内开始使用一个图。通过现有GraphStudio的集成体验和全新工具的添加，TigerGraph Cloud实现了图数据库开发人员、管理员、数据分析师和数据科学家之间的无摩擦协作，以最大限度地发挥TigerGraph图数据库平台的全部潜力。

Forrester 研究报告，概述了部署 TigerGraph 的总体经济影响™ (TEI)。 该研究涉及对六家年收入在 20亿到2500亿美元之间的TigerGraph客户，通过深度访谈评估他们在采用TigerGraph后的投资回报 (ROI) 和整体业务收益。结果表明，TigerGraph 可以帮助客户在三年内实现 600% 的投资回报率和 2081 万美元的净现值 (NPV)。

最近，Neo4j 宣称其以100TB的规模运行 LDBC-SNB 查询，TigerGraph 工程副总裁乌明希博士，在查看了他们演示的实际内容后，发现这种所谓的100TB演示并不是对LDBC-SNB基准的合理使用；它只是一种营销策略罢了。相比之下，TigerGraph只用100 台机器就完成Neo4j所有展示（而Neo4j演示中需要1000多台机器）。

鉴于 Intuit 转向 AI 驱动的欺诈和风险平台，我们的大部分风险缓解控制都基于 ML 模型。我们实施了一个图数据库系统来反映我们的客户关系并检测可疑活动。具体而言，我们的目标是使用图洞察力将 ML/AI 模型中的欺诈实体联系起来，以加强我们的欺诈和风险控制，减少端到端生态系统中多个检查点的欺诈，并改善客户体验。

我们很高兴地宣布 TigerGraph Cloud 现已在 Google Cloud Marketplace 上可用。TigerGraph Cloud 是 Google Cloud Marketplace 上唯一的分布式和可扩展图数据库即服务产品，Google Cloud 强大且安全的基础架构及其庞大的生态系统使我们的共同客户能够在各种用途中推进他们的图分析。

当您评估来自领先供应商的可用图技术时，架构是一个重要的考虑因素。今天，我将重点关注基于普遍接受的企业标准扩展图数据库的关键标准，比较两个领先的图数据库 TigerGraph 和 Neo4j。

现在， 2021 年仅过去6 个月，图技术公司已经吸引了超过 4.5 亿美元的额外资金——而我们今年才刚刚过半。考虑到图市场的不断演进、增长和创新，我们认为“图年”应该更名为“图十年”。让我们看看过去几个月的发展，以更好地理解这一点。

Xandr使用TigerGraph整合来自不同来源的数据，构建了一个连通的身份图谱（Identity Graph）——由超过 50 亿个顶点和70 亿条边组成，每天进行10 亿多次的更新。基于图的身份解析方案，帮助Xandr提供跨设备产品和聚合的可寻址服务，有助于在家庭或用户层面进行广告频次控制，从而确保广告商的有效支出。

近期，TigerGraph高级解决⽅案经理李憓松在最新一期的TigerGraph图课堂直播课上，对“Gartner2021数据与分析趋势”做了详细的解读。新的趋势主要体现在两个方面：变化和深入。