Connected Intelligence: внедрение безопасных и экономически эффективных графовых архитектур в мультиоблачных средах ИИ

Корпоративный ИИ достиг критической точки. По мере того как организации переходят от базовых экспериментов с генеративным ИИ к промышленной эксплуатации, инженерные команды сталкиваются с двумя основными проблемами: контролем расходов на токены при выполнении сложных запросов и обеспечением строгой безопасности данных в мультиоблачных средах. Традиционные методы, такие как копирование данных или включение полных схем в контекстные окна LLM, оказываются слишком дорогими, медленными и рискованными для корпоративных сред.

В третьем квартале компания Neo4j сосредоточилась на устранении этих операционных барьеров благодаря тесному сотрудничеству с нашими стратегическими партнерами. Вместе мы расширили возможности графовых вычислений с нулевым копированием (zero-copy) непосредственно в крупнейшие облачные хранилища данных, разработали механизмы контроля идентификации пользователей на уровне базы данных и обеспечили значительный рост совместных продаж в нашей общей экосистеме. Эти усилия создают уровень корпоративных знаний, необходимый для надежного и экономически эффективного ИИ. В этом блоге освещаются наши ключевые технические прорывы, вехи совместных продаж и инициативы по поддержке полевых команд в преддверии четвертого квартала.

Стимулирование стратегических совместных продаж в Google Cloud, AWS и Microsoft

Корпоративный спрос на связанный контекст приводит к рекордному росту совместных продаж в рамках наших стратегических облачных альянсов. В третьем квартале Neo4j объединила усилия с Google Cloud, AWS и Microsoft для ускорения процесса совместных продаж, предоставляя воспроизводимые архитектуры для модернизации корпоративных данных и масштабирования промышленного GenAI:

• Модернизация уровня корпоративных знаний: многолетнее обязательство с мировым лидером в области данных о недвижимости и аналитики. Изначально проект был запущен для устранения «узких мест» при выполнении запросов в реальном времени, но совместная команда расширила его охват на несколько бизнес-подразделений. Развернув 2 ТБ Aura VDC в GCP, клиент объединил разрозненные наборы данных о недвижимости и налогах в единый уровень корпоративных знаний, решив основные операционные проблемы и создав фундаментальный контекст, необходимый для корпоративного ИИ.
• Масштабирование Codebase AI: многолетнее частное предложение в Google Cloud Marketplace с быстрорастущим поставщиком ИИ-программного обеспечения. Перейдя от первоначального стартап-развертывания в семи средах (~1,9 ТБ) к промышленному корпоративному внедрению, платформа использует графы знаний Neo4j для моделирования сложных программных зависимостей, предоставляя ИИ-агентам контекстуальную базу, необходимую для безопасного изменения корпоративных кодовых баз.
• Автоматизация продаж в сфере финансовых услуг: крупное расширение в AWS Marketplace с ведущим ипотечным и финансовым кредитором США. Масштабируя свои первоначальные инвестиции до развертывания 8 ТБ Aura VDC на высокопроизводительных инстансах AWS, клиент объединяет Neo4j Graph Data Science и GraphRAG с Amazon Bedrock. Платформа обеспечивает поиск контекста менее чем за секунду для автономных ИИ-агентов по продажам, автоматизированного взаимодействия с клиентами и рекомендаций по следующим лучшим действиям в реальном времени, что привело к 20% росту повторных обращений заемщиков.
• Безопасность и клиентская аналитика в телекоммуникациях: многолетнее досрочное продление и расширение контракта через Azure Marketplace с крупным оператором связи. Используя специальные стимулы Microsoft, организация расширила свое присутствие Neo4j в Azure для операционализации связанного графового контекста в рабочих процессах корпоративной безопасности и моделях прогнозирования оттока клиентов, демонстрируя, как архитектуры на основе графов способствуют готовности к ИИ в масштабах сети.

Neo4j Virtual Graph переходит в стадию публичного предварительного просмотра в Snowflake, Databricks и Google BigQuery

Перенос огромных корпоративных наборов данных во вторичные базы данных для графовой аналитики влечет за собой ненужные расходы, рассинхронизацию данных и сложность управления. Neo4j Virtual Graph решает эту проблему, перенося передовые графовые вычисления непосредственно туда, где уже хранятся данные. Теперь, находясь в стадии публичного предварительного просмотра, Virtual Graph расширяет свою архитектуру с нулевым копированием для поддержки Snowflake, Databricks и Google BigQuery.

Virtual Graph позволяет командам организаций создавать рабочие графы знаний за считанные минуты. Встроенные инструменты ИИ анализируют существующие таблицы хранилища данных и автоматически предлагают схему графа. Когда ИИ-агент или пользователь выполняет запрос на языке Cypher, Virtual Graph детерминированно преобразует запрос в оптимизированный SQL и переносит тяжелые вычисления на движок базового облачного хранилища. Данные остаются под управлением существующих периметральных средств защиты, а результаты возвращаются в виде графа по протоколу Bolt.

По мере приближения к общедоступной версии (GA), Virtual Graph предоставляет системным интеграторам и партнерам немедленную точку входа без ETL для реализации высокоэффективных GraphRAG и реляционных вычислений без необходимости дорогостоящей миграции данных.

Безопасный GraphRAG: подключение Microsoft Copilot Studio к Neo4j с использованием Okta SSO для каждого пользователя

Когда ИИ-агенты запрашивают базы данных, используя одну общую сервисную учетную запись, они создают критическую уязвимость безопасности, известную как «запутанный заместитель» (confused deputy), при которой они обладают более широкими правами доступа, чем конечный пользователь, и могут возвращать конфиденциальные данные в ответ на непредсказуемый запрос.

Чтобы устранить этот риск, Neo4j опубликовала мультиоблачную эталонную архитектуру, которая подключает Microsoft Copilot Studio к Neo4j с использованием Okta SSO для каждого пользователя. Благодаря маршрутизации запросов агента через сервер Neo4j Model Context Protocol (MCP), размещенный в Google Cloud Run, индивидуальные токены доступа Okta OAuth передаются непосредственно в базу данных. Neo4j проверяет подписанный токен через Okta и сопоставляет группы пользователей непосредственно с ролями на уровне базы данных.

Даже если LLM генерирует широкий многошаговый запрос Cypher, Neo4j обеспечивает контроль доступа на уровне базы данных, гарантируя, что пользователи получают только тот контекст, который им явно разрешено видеть. Эта структура идентификации для каждого пользователя предоставляет партнерам безопасную и проверяемую архитектуру для развертывания корпоративных Copilot в средах Microsoft, Okta и Google Cloud.

Сокращение расходов на токены Text2SQL до 81% и устранение пробелов в точности с помощью Neocarta

Направление агентов Text2SQL непосредственно на большие, непрозрачные каталоги данных вызывает две основные проблемы: огромное потребление токенов из-за вставки «сырых» схем в промпты и частые галлюцинации, когда агенты пытаются угадать, какие таблицы нужно объединить.

Недавний бенчмарк, опубликованный в блоге разработчиков Neo4j, демонстрирует, как семантический слой Neo4j, построенный с помощью Neocarta, решает эту проблему нехватки контекста в Google BigQuery и Databricks Unity Catalog. Собирая схемы каталогов, бизнес-термины и реальные пути объединения в граф метаданных в Neo4j, агенты выполняют быстрый семантический поиск через MCP, чтобы извлечь только точные таблицы, столбцы и сертифицированные пути объединения.

Для схемы BigQuery из 278 таблиц и каталога Databricks из 264 таблиц добавление семантического слоя Neo4j позволило:

• Сократить использование токенов на 45–81% для различных семейств моделей.
• Повысить точность простых моделей (таких как GPT-4o-mini) со 100% вероятностью выхода из тупиковых циклов.
• Удвоить скорость выполнения при экономии сотен долларов в месяц на расходах на API-токены.

Для корпоративных партнеров, создающих приложения на базе GenAI, этот семантический слой на основе графов предлагает конкретный план по радикальному снижению операционных расходов клиентов при одновременном повышении точности запросов.

Ускорение партнерского импульса с помощью практических семинаров по ИИ и полевых мероприятий

Чтобы превратить эти технические инновации в импульс сделок в четвертом квартале, Neo4j реализует агрессивный график совместных полевых мероприятий вместе с AWS, Google Cloud, Microsoft, Snowflake и Databricks.

В октябре и ноябре мы проводим крупную серию практических региональных семинаров по ИИ на ключевых корпоративных рынках. Эти интерактивные сессии объединяют клиентские данные и инженерные команды с экспертами Neo4j и облачных провайдеров для создания практических, графически обоснованных приложений GenAI.

Параллельно наша цифровая серия Connected Intelligence продолжает освещать приоритетные совместные кейсы использования, от графически обоснованных Copilots в Microsoft Fabric до нулевого копирования обнаружения мошенничества в Snowflake.

Если вы пропустили: цифровые мероприятия и технические брифинги:

• Лучший корпоративный ИИ с AWS (по запросу)
• Продвинутые графы с нулевым копированием: как виртуальный граф ускоряет обнаружение мошенничества в Snowflake
• Создание графически обоснованных Copilots в Fabric: рекомендации и замены в режиме реального времени

Подход к четвертому кварталу

По мере того, как мы вступаем в последний квартал 2026 года, мандат корпоративной стратегии данных ясен: обеспечить безопасные, недорогие графические архитектуры, которые позволяют ИИ-агентам выполнять сложное логическое мышление над связанными корпоративными данными. Возможности нулевого копирования, интеграции безопасности в мультиоблачной среде и совместные продажи, достигнутые в этом квартале, обеспечивают нашей партнерской сети прочную основу для завершения года.