人工智能 (AI) 數(shù)據(jù)庫

人工智能(AI)數(shù)據(jù)庫目錄AI

數(shù)據(jù)庫由AI

驅動，為AI

而構建由AI

驅動數(shù)據(jù)虛擬化自適應工作負載管理和資源優(yōu)化機器學習查詢優(yōu)化基于置信度的查詢?yōu)锳I

而構建使用自然語言查詢更快地探索數(shù)據(jù)14

使用流行的語言和代碼示例構建AI應用程序使用圖表和SQL

建模復雜的關系本地分析區(qū)塊鏈數(shù)據(jù)Db2

在AI

驅動的組織中的定位融入在整個企業(yè)中運營人工智能分析以信任和透明的方式構建和擴展人工智能收集3讓數(shù)據(jù)簡單易用組織建立面向業(yè)務的分析基礎現(xiàn)代化讓您的數(shù)據(jù)適用于人工智能和混合云世界AI

數(shù)據(jù)庫：由AI

驅動，為AI而構建各個行業(yè)的數(shù)據(jù)量和數(shù)據(jù)類型不斷增加，需要使用新的專業(yè)知識、流程和基礎架構來推動數(shù)字化轉型。機器學習

(ML)和人工智能(AI)是這項工作的關鍵部分，因為它們使計算機能夠處理數(shù)據(jù)并不斷吸取經(jīng)驗，而無需持續(xù)的人為干預。AI

和ML有助于傳統(tǒng)和非傳統(tǒng)的計算任務——從分析和物流到自然語言交互、音樂創(chuàng)作、化學設計和欺詐檢測。它們?yōu)槠髽I(yè)帶來數(shù)據(jù)驅動的情報，使企業(yè)能夠了解已經(jīng)發(fā)生、正在發(fā)生和可能要發(fā)生的事情。AI

之旅如同登梯，每個組件都是一個梯級。那些踏上旅程的人會加固梯子，使之更加實用。AI

之旅立足于一個強大的數(shù)據(jù)基礎架構-使組織能夠訪問、收集、組織所有數(shù)據(jù)并使其可用于分析，無論其類型、來源或部署。在ML驅動的數(shù)據(jù)管理中，AI

既是目標，也是手段。集成了AI

和ML

的解決方案讓數(shù)據(jù)管理更簡單、更快、更智能，從而使開發(fā)人員和數(shù)據(jù)科學家能夠以新的方式使用數(shù)據(jù)，并將AI

功能部署到整個業(yè)務中-從運算到模型構建再到應用程序開發(fā)。由AI4驅動IBM?

Db2?

內置的機器學習和AI

特性支持一些改變游戲規(guī)則的數(shù)據(jù)管理功能，包括：全棧數(shù)據(jù)虛擬化自動工作負載管理和資源優(yōu)化提高10

倍的查詢性能基于置信度的查詢結果概念數(shù)據(jù)聯(lián)合與抽象層的組合。它使所有用戶和應用程序能夠從單個訪問點同時與多個數(shù)據(jù)源交互，不論底層數(shù)據(jù)的類型、格式、大小或位置如何。這種更強大的訪問能力有助于打破數(shù)據(jù)孤島，使數(shù)據(jù)能夠更快、更有效地用于擴展AI

采用。重要性單個數(shù)據(jù)入口點具有以下優(yōu)點：為數(shù)據(jù)專業(yè)人員提供簡單的數(shù)據(jù)訪問所有數(shù)據(jù)的單一視圖支持跨不同數(shù)據(jù)源（結構化或非結構化、關系型或NoSQL）進行數(shù)據(jù)搜索和訪問，而不必花費時間和資源四處移動數(shù)據(jù)。開發(fā)人員和數(shù)據(jù)工程師可以訪問所有可能的數(shù)據(jù)類型（包括歷史數(shù)據(jù)和新數(shù)據(jù)），并且能夠從意想不到的數(shù)據(jù)組合中獲得見解。單點控制治理和安全性當管理員可以簡單地將所有用戶和應用程序指向所有數(shù)據(jù)存儲庫的單個訪問點時，安全性和治理安排就更簡單、更穩(wěn)健且不易出錯。減少數(shù)據(jù)傳輸數(shù)據(jù)處理可以在原始存儲庫中完成，無需先將查詢到的數(shù)據(jù)傳輸?shù)奖镜卮鎯?。這將顯著減少延遲和帶寬成本。工作原理現(xiàn)代企業(yè)數(shù)據(jù)環(huán)境依賴于多個數(shù)據(jù)存儲。這些數(shù)據(jù)包括關系數(shù)據(jù)存儲中的事務數(shù)據(jù)、Hadoop

集群中的情感分析數(shù)據(jù)、數(shù)據(jù)倉庫中的歷史客戶數(shù)據(jù)以及快速數(shù)據(jù)集群中的點擊流電子商務數(shù)據(jù)。如果沒有虛擬化，則每個想要與這些數(shù)據(jù)交互的人-從數(shù)據(jù)庫管理員(DBA)到應用程序開發(fā)人員和數(shù)據(jù)科學家-需要針對每個數(shù)據(jù)存儲實施一個自定義訪問方法。即使往好處說，這至少會讓每個相關人員感到非常頭疼。它將限制用戶通過相互比較不同類型的數(shù)據(jù)（例如，將客戶的歷史數(shù)據(jù)與實時瀏覽行為進行比較）而獲得見解的能力。往壞處說，它會導致數(shù)據(jù)損壞和出現(xiàn)新安全漏洞的風險。能夠對整個企業(yè)中的各種數(shù)據(jù)進行單點訪問，是數(shù)據(jù)聯(lián)合變得如此流行的原因。但是，IBM

數(shù)據(jù)虛擬化超越了數(shù)據(jù)聯(lián)合的范疇，它提供一個抽象層并允許用戶定義自己的數(shù)據(jù)訪問術語和方法（見圖1）。行動數(shù)據(jù)虛擬化歐洲銀行ING

正在與IBM

合作，為其全球所有用戶實施單點數(shù)據(jù)訪問。這使銀行能夠管理全球數(shù)據(jù)基礎架構，同時仍能提供所需的性能、可擴展性、安全性和治理功能。這也有助于減少不同業(yè)務領域之間的脫節(jié)。有了IBM

解決方案，就可以從世界任何地方將新數(shù)據(jù)添加到ING

平臺，供銀行的任何全球用戶訪問，而無需修改個別數(shù)據(jù)訪問模式或安全權限。數(shù)據(jù)虛擬化加緩存層無SQL大數(shù)

據(jù)：Hadoop數(shù)據(jù)倉庫關系數(shù)據(jù)庫 電子表格和文本文件圖1表示虛擬化如何支持統(tǒng)一訪問和治理多個數(shù)據(jù)源數(shù)據(jù)虛擬化概念自動分配數(shù)據(jù)資源以處理各種工作負載的智能技術。這項技術是自動化和自適應的，它既能響應過去的情況，也能預測未來的需求。6重要性利用自適應工作負載管理，您可以獲得一個現(xiàn)成

的穩(wěn)定、高性能系統(tǒng)，而無需費時費力地調整和設置?？紤]到當今數(shù)據(jù)平臺的復雜性以及手動工作負載管理策略的高故障率，這個優(yōu)點對現(xiàn)代企業(yè)至關重要。在同時出現(xiàn)太多的工作負載時，數(shù)據(jù)庫需要確定如何處理超量的需求。所謂的“開放”或手動模式?jīng)]有反饋機制；它們只要求用戶為工作負載的數(shù)量或大小設置預定的限制。但是，在遇到一組復雜的工作自適應工作負載管理和資源優(yōu)化負載時，這些限制可能會失效，即使在最好的情況下也需要不斷進行手動監(jiān)控和調整。這會導致數(shù)據(jù)庫性能問題、利用不足甚至出現(xiàn)故障。相比之下，Db2

可以檢測和預測利用率趨勢，因此它能夠在趨勢成為嚴重問題之前通知用戶，甚至自動糾正問題。通過減少配置和調整所需的動手時

間，它可減輕DBA

的工作負擔并降低每個數(shù)據(jù)庫的擁有成本。IBM

測試表明，這種更好的利用率導致數(shù)據(jù)庫的總體性能提高了30%。工作原理自適應工作負載管理以反饋機制的形式結合了機器學習，因此數(shù)據(jù)庫可不斷監(jiān)視各種工作負載的預期和實際運行過程，然后調整可用資源以彌補任何不足。Db2

數(shù)據(jù)庫可以開箱即用，大多數(shù)工作負載所需的設置極少。7即使在特別復雜的情況下需要手動設置，這種自適應技術也可以使操作更簡單。DBA可以創(chuàng)建多個工作負載類，并為每個類指定性能目標。然后，自適應管理器監(jiān)視傳入的工作負載并分配資源以達到這些目標。行動自動化工作負載管理自動化、自適應的工作負載管理特別適用于解決企業(yè)數(shù)據(jù)庫管理中涉及的許多常見難題。例如，在數(shù)據(jù)倉庫環(huán)境中，數(shù)據(jù)庫可能會收到各種任務-從流式傳輸?shù)絹喢爰夗憫獣r間的低延遲報告（例如網(wǎng)頁加載），到需要幾分鐘才能完成的較大批處理報告。管理員需要確保系統(tǒng)不會卡在較大的任務上而妨礙緊急任務完成。自適應工作負載管理器使這項工作輕而易舉：管理員可以創(chuàng)建資源分組（也稱為工作負載或服務類），并為每個分組分配系統(tǒng)份額。然后，數(shù)據(jù)庫智能地分配資源以達到性能目標。所有這些過程都無需手動監(jiān)視和調整各個工作負載和資源。AI

可能既是目標，也是實現(xiàn)該目標的手段。8重要性基本的工作負載成本優(yōu)化器可以為給定的查詢推薦執(zhí)行策略，但它們對數(shù)據(jù)庫中的最近更改并不敏感，也無法從經(jīng)驗中學習。雖然它們可以推薦最快的執(zhí)行策略，但即使該策略起不到預期效果，它們仍會推薦相同的策略。相比之下，Db2

機器學習優(yōu)化器結合來自實際查詢性能的反饋，推薦實際上可在數(shù)據(jù)基礎架構上提供最佳結果的執(zhí)行策略，并在每次執(zhí)行時優(yōu)化查詢路徑。有了機器學習優(yōu)化器，DBA

就不必花時間監(jiān)視系統(tǒng)性能和嘗試優(yōu)化查詢。他們可以專注于能夠為組織帶來更多價值的活動，例如實施AI

應用程序、制定數(shù)據(jù)使用策略以及幫助整個組織的業(yè)務用戶更好地利用可用數(shù)據(jù)。工作原理Db2

機器學習優(yōu)化器模仿神經(jīng)網(wǎng)絡模式來優(yōu)化查詢路徑，使某些查詢的完成速度提高了

8-10

倍（IBM

內部測試）。概念Db2

機器學習優(yōu)化器提供更高級別的智能優(yōu)化，它使用無需監(jiān)督的機器學習來提供查詢執(zhí)行策略，改進了傳統(tǒng)的基于成本查詢優(yōu)化。哈希聯(lián)接哈希聯(lián)接表掃描目錄返回表掃描促銷表掃描促銷表掃描原因返回哈希聯(lián)接使用機器學習表掃描庫存表掃描促銷表掃描原因9表掃描目錄返回哈希聯(lián)接哈希聯(lián)接返回哈希聯(lián)接沒有機器學習機器學習查詢優(yōu)化行動ML

查詢優(yōu)化傳統(tǒng)的成本優(yōu)化器使用統(tǒng)計和資源建模來評估給定查詢的執(zhí)行策略。它返回如下圖2

所示的第一個選項：聯(lián)接兩對表，然后聯(lián)接結果以提供返回值。但是，機器學習算法可以從經(jīng)驗中學習，實現(xiàn)更好的可用執(zhí)行策略：聯(lián)接一對表，將第三個表聯(lián)接到該結果，然后將第四個表聯(lián)接到該結果，以提供相同的返回值。執(zhí)行策略中的這些更改可以實時應用，以響應實際的查詢執(zhí)行。對于欺詐檢測等對時間敏感的應用程序，這種實時改進至關重要。圖2成本優(yōu)化（上）和機器學習優(yōu)化（下）查詢執(zhí)行策略的示例概念一種高級功能，以概率或“最佳匹配”的形式提供SQL

查詢結果，而不是提供簡單的“是”或“否”答案。10重要性機器學習環(huán)境中已經(jīng)提供了基于置信度的匹配，但是此Db2

功能還將其擴展到了

SQL

表達式。對于SQL

工程師來說，此功能極大地擴展了在沒有數(shù)據(jù)科學家參與的情況下可完成的數(shù)據(jù)任務的范圍，使SQL

工程師能夠發(fā)揮更大的業(yè)務價值，并減輕已不堪重負的數(shù)據(jù)科學家的負擔。工作原理基于置信度的查詢通過實現(xiàn)深度前饋神經(jīng)網(wǎng)絡為SQL

添加機器學習擴展。這種無監(jiān)督深度學習可以找到“相似性”和匹配可能性都很高的領域?；谥眯哦鹊牟樵兛蓱糜冢合嗨菩?不相似性查詢歸納推理查詢（例如，語義聚類、類比、異類查詢）語義分組操作模式異常（例如，欺詐檢測）圖像、音頻、視頻基于置信度的查詢行動基于置信度的查詢警方的數(shù)據(jù)庫是一個由許多變量組成的環(huán)境，包括身高、體重、年齡、膚色、眼睛顏色、識別標志等等，而且由于證人的不可靠性，幾乎所有這些變量都是不確定的。傳統(tǒng)的數(shù)據(jù)庫搜索使用非常復雜的SQL

查詢來解決這種不確定性，方法是手動創(chuàng)建與給定證詞相匹配的值的“范圍”。例如，報告的195磅體重可能匹配實際體重在185–205磅之間的嫌疑人。這些范圍使用起來很麻煩，并且如果證人提供的數(shù)值超出范圍太大，可能會導致錯誤地排除嫌疑人。相比之下，試圖將證詞與嫌疑人檔案相匹配的警官可以使用基于置信度的查詢來生成一條簡單的概率

SQL

語句，從而找到與證人的整體概述最匹配的對象，即使個別數(shù)據(jù)點超出了可接受匹配的原始范圍。Db2

也是為AI

而構建的，這意味著您的數(shù)據(jù)專業(yè)人員可以更容易地實現(xiàn)強大的AI

驅動工作負載升級和工作流程改進。其中包括：使用自然語言查詢更快地探索數(shù)據(jù)使用流行的語言和代碼示例構建AI

應用程序使用圖表和SQL

建模復雜的關系本地分析區(qū)塊鏈數(shù)據(jù)11概念Augmented

Data

Explorer

是一個“類似Google”的基于Web

的界面，用于探索復雜的業(yè)務數(shù)據(jù)。

它為用戶提供自然語言搜索，為開發(fā)人員提供REST

API。用自然語言提出的問題將生成從所有可用數(shù)據(jù)源提取的數(shù)據(jù)可視化和摘要。12重要性隨著數(shù)據(jù)環(huán)境變得越來越復雜，越來越多的用戶面臨著日益龐大的數(shù)據(jù)集。開發(fā)SQL

查詢或分析應用程序的技能很短缺，但希望從數(shù)據(jù)中快速得到答案的人卻比以往任何時候都要多。Augmented

Data

Explorer

是一種早期數(shù)據(jù)探索工具。它向非技術用戶開放了復雜的數(shù)據(jù)查詢，他們只需要輸入自然語言查詢，例如“2019

年的銷售額”或“十月下雨的頻率如何？”這將生成一條SQL

語句來查詢所有相關數(shù)據(jù)，并以自然語言和/或動態(tài)數(shù)據(jù)可視化形式返回所需結果。過去，業(yè)務用戶通常需要結合手動流程來將自然語言請求轉換為所需的SQL

查詢，并尋求專家建議以幫助解決不可避免的問題。Augmented

Data

Explorer

旨在避免這兩種需要，并提供新的途徑來發(fā)現(xiàn)已有數(shù)據(jù)中的新價值。數(shù)據(jù)科學家和比較老練的用戶可以使用

Augmented

Data

Explorer

對陌生或大型數(shù)據(jù)集執(zhí)行初始查詢，以了解這些數(shù)據(jù)集包含哪些內容以及可以從何處開始調查。Augmented

Data

Explorer還提供REST

API，使開發(fā)人員可以輕松地將這些自然語言搜索和預測功能嵌入到自己的應用程序中，而不必花時間編寫自己的解決方案。使用自然語言查詢更快地探索數(shù)據(jù)Augmented

Data

Explorer的價值在數(shù)據(jù)用戶不確定要提出什么問題的情況下，AugmentedDataExplorer最能體現(xiàn)價值。它使這些用戶能夠輕松提出問題，發(fā)現(xiàn)數(shù)據(jù)中的關系，并獲得可行的見解。此外，它還擴大了能夠解

決這些業(yè)務挑戰(zhàn)的人才庫。在不斷變化的業(yè)務環(huán)

境中，用戶需要承擔很多責任，而使用AugmentedData

Explorer

是他們處理當今海量可用數(shù)據(jù)并從中挖掘新價值的第一步。13想象一下一名零售組織銷售經(jīng)理的工作情景。這個人可能每天或每月都會遇到許多不同的問題，包括按地區(qū)細分銷售市場、了解客戶保留率、確定購物車放棄的原因、預測為什么回頭客有時會消失、解釋天氣如何影響庫存交付周期等等，不勝枚舉。AugmentedDataExplorer旨在識別并快速回答新問題，從而將AI

功能擴展到更廣泛的業(yè)務運營領域。工作原理Augmented

Data

Explorer

使用ML技術對數(shù)據(jù)進行爬取和索引，以揭示隱藏的見解。它的AI

功能專注于自然語言支持-理解各種學科和領域的背景、同義詞和語法-以及基于搜索詞預測感興趣的相關主題。該工具是容器化的，易于部署和管理，并具有基于Web

的直觀界面。它還包括圖表功能，可以一目了然地揭示瀏覽器引擎實際訪問和爬取的數(shù)據(jù)集。用戶可以輕松地看到正在提取哪些數(shù)據(jù)（例如模式和表）來生成系統(tǒng)提供的答案。使用流行的語言和代碼示例構建AI

應用程序14概念Db211.5

原生支持各種流行語言和庫，包括

Python、JSON、GO、Ruby、PHP、Java、Node.js、Sequelize

和Jupyter

Notebooks。數(shù)據(jù)專業(yè)人員可以用他們熟悉的語言構建AI

應用程序，然后將它們無縫連接到Db2

中的數(shù)據(jù)。重要性憑借對流行機器學習語言的原生支持，IBM

通過以

ML

和AI

為中心的數(shù)據(jù)生態(tài)系統(tǒng)，在數(shù)據(jù)管理和快速應用程序開發(fā)之間架起了橋梁。開發(fā)人員和數(shù)據(jù)科學家可以將其數(shù)據(jù)保存在企業(yè)數(shù)據(jù)庫中，并且仍然使用現(xiàn)有的流行開發(fā)語言和庫。對語言和庫的原生支持帶來了許多優(yōu)勢，使AI

應用程序的開發(fā)更快、更容易：

開發(fā)人員可以利用流行的語言和庫，以及GitHub上特定于行業(yè)的代碼示例，快速構建供自己使用的應用程序。

開發(fā)人員可以輕松地編寫本地使用Db2

數(shù)據(jù)的應用程序，而無需定制后端代碼來訪問Db2數(shù)據(jù)，消除了應用程序的一個常見故障點或管理問題。

可以根據(jù)需要在云上快速部署和擴展新數(shù)據(jù)庫，然后將其無縫連接到應用程序。

開發(fā)人員可以訪問同一數(shù)據(jù)庫生態(tài)系統(tǒng)中的機器學習開發(fā)環(huán)境(IBM

Watson?

Studio)。

數(shù)據(jù)科學家可以把時間花在改善機器學習模型上，而不是忙于解決數(shù)據(jù)庫訪問問題。

企業(yè)可以雇傭具有必要技能的人員來分析數(shù)

據(jù)，而不是僅僅為了訪問數(shù)據(jù)而首先要求學習新的技能或語言。原生語言支持的價值AI

驅動應用程序的潛在市場非常廣闊。下面僅舉幾例：零售：推薦引擎、目標內容、促銷保險：欺詐分析、申請?zhí)幚砦锪鳎很囮牴芾怼㈩A測性維護交通運輸：基于交通狀況、天氣等因素的實時路線和路徑導航大量的開發(fā)人員和數(shù)據(jù)科學家正在根據(jù)市場需

求，通常使用Python、Java

或其他流行語言開發(fā)智能應用程序和算法。注入這些應用程序的數(shù)據(jù)

存儲在一個或多個數(shù)據(jù)庫中。有些數(shù)據(jù)庫原生連接

Python，但通常不具備企業(yè)級的規(guī)模、性能或可靠性。但是，如果他們選擇的ML

開發(fā)語言與底層企業(yè)數(shù)據(jù)庫之間沒有原生集成，開發(fā)人員就很難將應用程序本身連接到必要的數(shù)據(jù)。利用Db2

與流行開發(fā)語言之間的原生集成，開發(fā)人員無需DBA

或SQL

專家介入即可訪問數(shù)據(jù)。其結果是提高了開發(fā)人員和數(shù)據(jù)專家的工作效率，并提供了更強大、更快速的應用程序開發(fā)能力。工作原理AI

應用程序開發(fā)過程涉及幾個重要問題：相關數(shù)據(jù)應存儲在哪里？如何訪問和探索它？在構建應用程序時如何應用機器學習實踐？我可以使用哪些語言？在IBM

生態(tài)系統(tǒng)中，所有這些問題都有企業(yè)級的答案。數(shù)據(jù)可以存儲在Db2

或Db2

倉庫、事件存儲或Hadoop、云端或本地-幾乎可以存儲在任何數(shù)據(jù)庫組合中。它們的共同點是適合企業(yè)、全面支持、安全可靠且性能優(yōu)越。通用Db2

代碼庫和底層的通用SQL

引擎意味著應用程序可以從生態(tài)系統(tǒng)的任何組件中查詢數(shù)據(jù)，并且無需重新編寫即可在生態(tài)系統(tǒng)的不同部分上運行。此外，針對領先的開源編程語言和框架而新開發(fā)了一系列驅動程序，使開發(fā)人員現(xiàn)在可以輕松地使用Db2

分析機器學習模型并將其構建到應用程序中。數(shù)據(jù)專業(yè)人員還可以使用本電子書中介紹的其他一些功能，例如Augmented

Data

Explorer，快速了解數(shù)據(jù)包含的內容。數(shù)據(jù)一旦存儲在Db2

中，就可以直接連接到Watson

Studio

中的機器學習開發(fā)環(huán)境。特定于行業(yè)的庫、代碼示例和模板為開發(fā)人員提供了構建功能性應用程序的先機。最后，提供一套本地驅動程序將SQL

語句轉換為ML語言特定的模型（例如Python），以便用所選語言進行進一步的開發(fā)。AI

使任何級別的用戶都能從數(shù)據(jù)中獲得前所未有的更大價值16使用圖表和SQL

建模復雜的關系17原生圖表支持的價值在許多情況下，基于圖表的見解可以通過關系數(shù)據(jù)實現(xiàn)新的效率和工作流程。例如，零售商可以使用實時圖表關系來記錄特定商品在多個地點的退貨模式。然后，這種見解可立即更新零售商的事務數(shù)據(jù)庫，并導致該商品在當天下架。在另一個領域，保險欺詐調查人員可使用圖表來匯集多個數(shù)據(jù)集：索賠的數(shù)量和規(guī)模、索賠人之間的關系、服務提供商的身份等等。圖表中顯示的關系可能會揭示欺詐的可能性。概念Db2

將圖表功能與關系數(shù)據(jù)和SQL

深度集成，使圖表應用程序可以直接從關系數(shù)據(jù)運行，而Db2

SQL

引擎可以直接查詢圖表數(shù)據(jù)。重要性圖表是一個令人印象深刻的工具，可提供重要的見解，但以前它與事務和OLTP

系統(tǒng)并不兼容。為了解決這種不兼容問題，組織會保留其正常的關系基礎架構，但會提取某些數(shù)據(jù)并將其放入圖表數(shù)據(jù)庫中，然后在其上運行圖表應用程序。這種重復、延遲和開銷已不再是可接受的選擇。組織需要用其關系數(shù)據(jù)獲得圖表驅動的見解，并且需要在幾秒鐘內獲得。許多行業(yè)的用戶希望能夠將圖表見解添加到其現(xiàn)有的分析見解工具包中，但不需要中斷其數(shù)據(jù)基礎架構，也不需要僅僅為了支持圖表而添加新數(shù)據(jù)庫。Db2

讓這種設想成為可能。工作原理圖表數(shù)據(jù)存儲在Db2

或Db2

事件存儲的關系框架內的表中。這意味著SQL

引擎可直接查詢圖表數(shù)據(jù)，而圖表應用程序可直接查詢關系表中的數(shù)據(jù)。這種架構還支持開源圖表查詢語言，例如Gremlin

和Tinkerpop。Db2

中關系數(shù)據(jù)與圖表功能之間的深度集成提供了幾個重要優(yōu)勢：圖表可以直接針對現(xiàn)有關系數(shù)據(jù)而運行，從而在基于SQL

的分析之上增加了新的見解級別。SQL

分析可以直接針對存儲在關系表中的圖表數(shù)據(jù)而運行。圖表應用程序可以使用自定義API

或Spark

連接到Db2。ACID

事務可實時更新圖表，而不會干擾現(xiàn)有的關系應用程序，這意味著除了分析之外，圖表也可以用于實時事務處理。特定于行業(yè)的解決方案適用于醫(yī)療保健和金融等大量使用圖表的行業(yè)。概念Db2

中的原生區(qū)塊鏈接口API

提供前所未有的透明性，可深入洞察區(qū)塊鏈分類賬中包含的高度壓縮數(shù)據(jù)。18重要性區(qū)塊鏈技術正被許多行業(yè)迅速采用，但這造成了分析瓶頸。每個區(qū)塊鏈分類賬中，都以壓縮形式包含了大量潛在的有價值信息，但一直沒有簡單的方法來查看和分析這些信息。Db2

區(qū)塊鏈接口改變了這種現(xiàn)狀。這些緊湊、透明、可控且不可更改的區(qū)塊鏈分類賬，現(xiàn)在可以像企業(yè)中的任何其他數(shù)據(jù)源一樣接受分析。企業(yè)可享受Db2

引擎的所有優(yōu)勢-性能、靈活性、可擴展性和安全性-無需單獨為區(qū)塊鏈開發(fā)特別的報表解決方案?？紤]到Db2

中提供對其他數(shù)據(jù)類型的原生連接性和互操作性，區(qū)塊鏈接口更具價值。企業(yè)可以很容易地集成來自其他數(shù)據(jù)存儲的附加數(shù)據(jù)，以獲得上下文并為其區(qū)塊鏈數(shù)據(jù)開辟新的分析可能性。最后，這種接口開辟了將區(qū)塊鏈數(shù)據(jù)用于AI

應用程序的可能性，這個用例在以前很難實現(xiàn)，因為區(qū)塊鏈數(shù)據(jù)實際上是它自己的孤島。AI開發(fā)人員現(xiàn)在可以很容易地整合區(qū)塊鏈數(shù)據(jù)集，將其用作應用程序的主要數(shù)據(jù)源，或者用于提供額外的細節(jié)。工作原理區(qū)塊鏈接口顯示壓縮并存儲在區(qū)塊鏈分類賬中的事務數(shù)據(jù)，并將其作為關系表顯示在Db2

中。強大的緩存策略使用現(xiàn)有的Db2

功能為區(qū)塊鏈數(shù)據(jù)創(chuàng)建緩存表，以提高查詢性能，同時仍允許用戶在需要時獲取最新數(shù)據(jù)。原生區(qū)塊鏈支持