Salah satu tren yang akan berkembang pesat di masa depan adalah graph technologies atau yang disebut Teknologi Graph. Teknologi Graph akan menjadi tren dan kebutuhan dalam pengelolaan data. Pada tahun 2025, tren implementasi Teknologi Graph diprediksi meningkat hingga 80 persen dibandingkan total utilisasi Teknologi Graph yang hingga tahun 2021 ini hanya sekitar 10 persen.
Prediksi ini sesuai dengan visi penyedia graph analytics terkemuka TigerGraph untuk terus berinovasi menyediakan platform layanan Teknologi Graph. Tren digitalisasi merupakan kebutuhan vital bagi pelaku usaha untuk bisa semakin maju. Instrumen analitik graph bisa menjadi solusi untuk meningkatkan intensitas manajemen data yang bisa memberikan output yang dibutuhkan oleh dunia usaha.
Vice President Product and Innovation TigerGraph, Dr.Jay Yu menyatakan Graph Database akan menjadi komponen analisis dan manajemen data yang penting dalam lanskap digitalisasi data tahun 2022. Ada empat alasan besar terhadap pentingnya graph database, menurut beliau.
Graph menjadi solusi inovatif bagi perusahaan di berbagai sektor
Seiring dengan meningkatnya volume data yang dibuat dan direplikasi oleh perusahaan, Teknologi Graph yang terskala dengan baik mampu menjadi katalisator penghubung penting antar data yang berlimpah. Hasil graph yang dihasilkan pun akan terpusat pada core bisnis perusahaan pengguna. Graph juga memiliki keluwesan yang sangat baik sehingga bisa digunakan pelaku usaha multisector mulai dari layanan keuangan dan kesehatan, hingga ritel dan manufaktur. Sebab, teknologi dari Teknologi Graph dapat dengan cepat menyoroti, menemukan, dan memprediksi hubungan kompleks dalam data sehingga dapat menyajikan masukan yang berguna. Keandalan dari Teknologi Graph bisa mengungkap kemungkinan penipuan keuangan (fraud) ataupun membantu memecahkan permasalahan logistik dalam rantai pasok industri.
Graph akan semakin terintegrasi dengan Machine Learning dan Artificial Intelligence
Sepanjang tahun 2022, diprediksi akan ada lebih banyak perusahaan yang menerapkan graph analytics untuk mendukung penggunaan data analisis dan machine learning untuk memetakan problematika khusus seperti deteksi penipuan (fraud) dan pencucian uang (money laundry), evaluasi dan resolusi bisnis, analisis konsumen customer 360, rekomendasi produk, infografik, keamanan siber, rantai pasok, internet of things, dan analisis jaringan. “Graph data telah menjadi trendsetter. Menurut Garner, 50 persen pertanyaan klien Gartner dari diskusi-diskusi yang dilakukan selama ini mengarah kepada topik bisakah AI diintegrasikan dengan Teknologi Graph.” Ungkap Dr Jay Yu.
Graph Query Language (GQL) segera terstandarisasi
TigerGraph terus menggencarkan pengembangan graph database serta berkomitmen penuh menawarkan graph berskala petabyte/ petabita dalam dua tahun mendatang. Tigergraph saat ini sedang memfinalisasi standar LDBC-SNB Versi 100 Terabyte untuk bisa rampung tahun 2022. Tentunya, diperlukan standarisasi tersendiri bagi properti graph layaknya standarisasi digital yang sudah ada seperti SQL yaitu standar bahasa pemograman untuk tabel. Tahun depan diharapkan standardisasi GQL mengalami kemajuan signifikan dan memasuki tahap finalisasi. Untuk semakin memberikan layanan bagi pengguna, TigerGraph juga mengantisipasi pergeseran penerapan basis server lokal ke cloud database baik di ranah privat maupun publik.
Awareness terhadap Graph Data meningkat pesat
Di tahun-tahun mendatang, masyarakat akan menyaksikan adopsi yang cepat dan masif dari Graph Data Science karena data dan pembelajaran data saling berkaitan dan berkembang. Hal tersebut menyebabkan adanya kebutuhan peningkatan hasil yang diharapkan dari machine learning konvensional tidak lagi hanya sebatas hasil yang umum. ML dituntut untuk menghasilkan sebuah output data yang unik dan relevan di masing-masing sektor seperti dalam industri kesehatan (untuk memberikan rekomendasi secara real-time), rantai pasokan industri (pemanfaatan analitik untuk pengambilan keputusan), dan layanan keuangan (untuk mendeteksi penipuan secara real-time). Karena itu masyarakat akan menyaksikan bukti nyata perpaduan distribusi graph database, analisis yang berkesinambungan, dan machine learning dalam waktu dekat.
| Penulis | : | Dayu Akbar |
| Editor | : | Dayu Akbar |
KOMENTAR