0
Video: Sådan Har Livet bruger AI, machine learning til at spinde nye liv ud af long-tail data
I betragtning af det fokus på machine learning og AI, er det naturligt at stille spørgsmålet, “hvad Nu?” Udfordringen har været, hvordan man kan tage AI modeller fra den bærbare computer til produktion og skaber værdi for virksomheden.
Som naturen afskyr et vakuum, der ikke har været nogen mangel på løsninger til håndtering stykker af kløften. IBM ‘ s Watson Data Platform er en ambitiøs ramme for løsninger, som omhandler den livscyklus, fra samarbejde til operationalisering. Cloudera Data Videnskab Workbench har til formål at flytte eksperimenter med algoritmer fra laptop til Hadoop klynge. Data videnskab samarbejdsværktøjer fra udbydere som Dataiku, Domino-Data Lab, og Alpine Data mål samarbejde, workflow, og lifecycle management af data videnskab og machine learning modeller. I mellemtiden, Alteryx lader dig integrere R-programmer under kølerhjelmen af en self-service BI-værktøj.
Så der er ingen mirakelkur til at bygge bro fra sind af data videnskabsmand til hverdagen inkorporering af modeller ind i den daglige operationelle analytics. Med SmartAI, Datameer er håndtering den sidste kilometer. Det tilføjer evnen til at “medbringe din egen model” i Datameer og køre det som en Datameer analytiske regneark funktion. Specifikt, SmartAI import binære filer for modeller, der er udviklet ved hjælp af TensorFlow, den dybe læring bibliotek, der har været åbne, der kommer ud af Google.
I praksis betyder det, at når dine data videnskabsmand eller data science team har afprøvet og valideret modeller, kan det så være faldet i en Datameer analytiske pipeline. Og det er, hvor det analytiske lifecycle spark i begyndelsen opstrøms med data forberedelse, integration, og som har engineering, og derefter udføre den model ved at påberåbe sig det som en Datameer analytisk funktion (værktøjet har et bibliotek på over et par hundrede funktioner). Så en dyb læring model kan anvendes i forhold til specifikke forretningsmæssige problemer, som Kunde 360, genomisk analyse af data, operationel overvågning, eller til afsløring af bedrageri. Lukning, the loop, og de data sæt, der kan bruges til uddannelse og raffinering modeller.
Så Datameer vil give den mest direkte vej fra at udvikle en TensorFlow dyb læring model for at integrere det ind i en BI-applikation. Men der beder om det næste spørgsmål: hvordan kunderne vil drage fordel af det?
Hvis du tegnede et heat map omkring snak og sladder, machine learning er foran og center. Men machine learning er en bred paraply af metoder, der spænder fra intelligente pattern matching af klyngedannelse, tilfældige skov, eller stien analyse tilgange, at de mere ambitiøse strategier for dyb læring og kognitiv computing, som er på grænsen af den menneskelige perception og tanker.
Ved at målrette TensorFlow, Datameer har valgt det bibliotek, der har tiltrukket sig betydelig interesse fra udviklere. Det er en klog strategi, især hvis Datameer var der søger at differentiere sig på de nye Google Cloud platform. Men i betragtning af, at dybe læring er områder, der ikke så godt kortlagt i forhold til mindre ambitiøse machine learning metoder, vi spekulerer på, hvor meget praktiske fordel, at Datameer kunder vil realisere på kort sigt.
Ikke desto mindre, ved at aktivere en form for plug og play til machine learning-modeller, Datameer er rydning af en vej for at gøre håndgribelige fordele gennem et BI-værktøj, der er inden for den komfort zone, business analytikere. Den gode nyhed er, at det stik, der kan støtte lignende integration til andre populære machine learning biblioteker samt. Hvis Datameer gør det med Spark MLlib eller andre, det ville åbne sluserne for machine learning BI-applikationer meget bredere.
0