0
Video: Hur Har Livet använder AI, maskininlärning att snurra nya liv ut long-tail-data
Med tanke på den fokus på lärande och AI, är det naturligt att ställa frågan, “vad händer Nu?” Utmaningen har varit hur man tar AI modeller från bärbar dator till produktion och leverera affärsnytta.
Naturen avskyr tomrum, det har inte varit någon brist på lösningar för att ta itu med bitar av klyftan. IBM: s Watson Data Plattform är en ambitiös ram av lösningar för att ta itu livscykeln från samarbete till operationalisering. Cloudera är Data Vetenskap Workbench syftar till att flytta experimentera med algoritmer från dator till Hadoop-kluster. Data vetenskap verktyg för samarbete från leverantörer som Dataiku, Domino Data Lab, och Alpina Data target samarbete, arbetsflöde, och livscykelhantering av data vetenskap och modeller. Under tiden, Alteryx kan du bädda in R program under huven på en self-service BI-verktyg.
Så det finns ingen patentlösning för att överbrygga klyftan från minnet av de uppgifter som forskare att den dagliga införlivandet av modeller i det dagliga operativa analytics. Med SmartAI, Datameer är att ta itu med den sista milen. Det ger förmåga att “ta med din egen modell” i Datameer och köra det som en Datameer analytisk kalkylblad funktion. Specifikt, SmartAI import-binärer för modeller som utvecklats med hjälp av TensorFlow, djupt lärande bibliotek som har varit öppen källkod av Google.
I praktiken innebär det att när din data scientist eller data science team har testade och validerade modeller, kan det då bli förflyttad in i en Datameer analytiska pipeline. Och det är där den analytiska lifecycle sparkar i början uppströms med data beredning, integration, och har teknik, och sedan köra modellen genom att åberopa det som en Datameer analytisk funktion (verktyget har ett bibliotek med över ett par hundra funktioner). Så ett djupt lärande som modell kan tillämpas på specifika problem, såsom Kund 360, genomisk analys av data, operativ övervakning, eller för att upptäcka bedrägerier. Avslutande slingan, de uppgifter som kan användas för utbildning och förfina modeller.
Så Datameer kommer att ge den rakaste vägen från att utveckla en TensorFlow djupt lärande modell för att bädda in det till en BI-applikation. Men som föranleder nästa fråga: hur kommer kunderna att dra nytta av det?
Om du ritade en karta för värme runt prat och surr, maskininlärning är front och center. Men maskininlärning är ett stort paraply av metoder, som sträcker sig från den intelligenta mönstermatchning av klustring, random skog eller väg analys strategier, till de mer ambitiösa metoder för djupt lärande och kognitiva datorer som på gränsen till den mänskliga ljuduppfattningen och tankeprocesser.
Genom att rikta TensorFlow, Datameer har valt bibliotek som har dragit stort intresse från utvecklare. Det är en klok strategi, särskilt om Datameer var ute efter att differentiera sig på den framväxande Google Cloud platform. Men med tanke på att djupt lärande territorium är inte lika väl kartlagt jämfört med mindre ambitiösa maskinen strategier för lärande, vi undrar hur mycket praktisk fördel Datameer kunder kommer att realisera på kort sikt.
Ändå, genom att möjliggöra en form av plug and play för att modeller, Datameer är att rensa en väg för att göra den materiella fördelar genom ett BI-verktyg som är inom comfort zone of business analytiker. Den goda nyheten är att kontakten skulle kunna stödja liknande integration till andra populära maskin lärande bibliotek. Om Datameer gör det med Gnista MLlib eller andra, det skulle öppna dammluckorna för maskininlärning BI applikationer som är ett mycket bredare.
0