waarom ik grafdatabases vermijd de vraag: "is knowledge graph rag productie klaar? moeten we het gebruiken?" de antwoord: na 10 jaar in ML blijf ik weg van grafdatabases. elk bedrijf dat ik heb gezien dat de grafwereld betreedt, gaat binnen 4-5 jaar terug naar SQL. de problemen zijn reëel: moeilijk om talent te vinden (makkelijker om PostgreSQL-experts te vinden) schema-definitie creëert eindeloze debatten zonder duidelijke best practices meeste gebruiksgevallen hebben slechts 1-2 traversals nodig, geen complexe grafbewerkingen gelukkig was facebook's "graf" eigenlijk een grote MySQL-database. het enige bedrijf dat echt grafdatabases nodig heeft, is LinkedIn voor 3-5 graden vriendschapsberekeningen. zelfs voor Microsoft's documentgrafbenadering - ik gebruik liever fijn-afgestemde embeddings. een graf is gewoon een nabijheidsmatrix, en fijn-afstemming kan je dicht bij die gelijkenisdefinitie brengen zonder de operationele complexiteit. begin met je gegevens: laat specifieke gebruiksgevallen de grafcomplexiteit rechtvaardigen in plaats van eerst technologie te kiezen. graf kan 2% beter zijn, maar traditionele benaderingen die goed werken betekenen dat die 2% zelden de onderhoudskosten rechtvaardigt.