Stream2Graph : Graph de Connaissances Dynamique pour l'Apprentissage en Ligne Appliqué aux Réseaux à Grande Échelle

Les Graphes de Connaissances (GC) sont des sources d'information précieuses qui stockent des connaissances dans un domaine (soins de santé, finance, commerce électronique, cybersécurité). La plupart des GC industriels sont dynamiques par nature car ils sont régulièrement mis à jour avec des données en continu (activité des clients, trafic réseau, journaux d'application, processus informatiques). Cependant, extraire des insights à partir de données continuellement mises à jour pose des défis majeurs, en particulier dans des contextes de big data. Dans cet article, nous traitons les défis suivants : 1) ingestion de données hétérogènes, 2) formation et déploiement de modèles prédictifs sur des données en évolution continue, et 3) mise en œuvre de pipelines de données pour mettre à jour et maintenir le GC en production. Nous couvrons plusieurs aspects de ce processus, de la collecte de connaissances à son opérationnalisation. Nous proposons Stream2Graph, un système basé sur des flux pour construire et mettre à jour la base de connaissances dynamiquement en temps réel. Ensuite, nous montrons comment les caractéristiques des graphes peuvent être utilisées dans des modèles d'apprentissage automatique en ligne en aval. La solution accélère l'apprentissage de flux de big data et l'extraction de connaissances pour améliorer les applications d'IA basées sur des graphes. Les résultats expérimentaux montrent l'efficacité de notre solution pour la construction de la base de connaissances et l'amélioration des capacités d'apprentissage des big data. L'utilisation des données de Stream2Graph a entraîné des accélérations pour le temps de formation et d'inférence dans une fourchette de 547x à 2000x dans les modèles ML en aval. Enfin, nous fournissons les leçons tirées de l'application de l'apprentissage en ligne basé sur des graphes sur le traitement de données en streaming à haute vélocité à grande échelle.