0
Video: Wie Haven das Leben nutzt die KI, maschinelles lernen, zu Spinnen, neues Leben aus dem long-tail-Daten
Gegeben, das den Fokus auf machine learning und AI, es ist natürlich zu Fragen, die Frage “was Nun?” Die Herausforderung wurde wie man AI-Modelle aus dem laptop zu Produktion und Wertschöpfung.
Wie die Natur verabscheut ein Vakuum, es gibt keinen Mangel an Lösungen für die Bewältigung der Stücke, die Lücke. IBM ‘ s Watson-Data-Plattform ist ein ehrgeiziges Rahmen von Lösungen für das lifecycle-von der Zusammenarbeit zur Operationalisierung. Cloudera ‘ s Data-Science-Workbench Ziele zu bewegen, das Experimentieren mit algorithmen aus dem laptop, um den Hadoop-cluster. Data-science-collaboration-tools von Anbietern wie Dataiku, Domino-Daten Labor -, und Alpine-Daten target-collaboration -, workflow-und lifecycle-management von data science und machine-learning-Modelle. Inzwischen Alteryx können Sie einbetten von R-Programme unter der Haube, ein self-service-BI-tool.
Es gibt also keinen Königsweg zur überwindung der Lücke aus dem Geist des Daten-Wissenschaftler in der alltäglichen Einbindung von Modellen in den Tag zu Tag operational analytics. Mit SmartAI, Datameer ist die Bewältigung der letzten Meile. Es fügt die Möglichkeit hinzu, “bringen Sie Ihr eigenes Modell” in Datameer und führen Sie es als eine Datameer analytische spreadsheet-Funktion. Insbesondere SmartAI Importe binaries für Modelle entwickelt, mit TensorFlow, der deep learning library wurde als open Source von Google.
In der Praxis bedeutet das, dass sobald Ihr data scientist oder data-science-team hat getestet und validiert Modelle, kann es dann sein, fiel in einen Datameer-Analyse-pipeline. Und das ist, wo die Analyse Lebenszyklus-kicks in, beginnend mit den vorgeschalteten Aufbereitung der Daten -, Integrations-und feature-Technik, und dann die Ausführung, das Modell, indem er als Datameer analytische Funktion (das tool verfügt über eine Bibliothek von über ein paar hundert Funktionen). So ein deep-learning-Modell kann angewendet werden, um spezifische business-Probleme, wie Kunden-360, genomische Datenanalyse, die operative überwachung oder Erkennung von Betrug. Schließen der Schleife die Datensätze können verwendet werden, für die Ausbildung und Verfeinerung der Modelle.
So Datameer bieten den direktesten Weg von der Entwicklung einer TensorFlow deep learning Modell zur Einbettung in ein BI-Anwendung. Aber das fordert die nächste Frage: wie Kunden Sie nutzen?
Wenn Sie zog eine heat-map-rund um Geschwätz und buzz, maschinelles lernen ist front-und center. Aber maschinelles lernen ist ein riesiges Dach der Ansätze, die von der intelligenten Mustererkennung (clustering, random forest, oder Pfad-Analyse Ansätze, die mehr ambitionierten Ansätze von deep learning und cognitive computing, die Grenze an der menschlichen Wahrnehmung und Denkprozesse.
Durch die Ausrichtung auf TensorFlow, Datameer gewählt hat, die Bibliothek, die Sie gezeichnet hat das große Interesse von Entwicklern. Es ist eine kluge Strategie, vor allem, wenn Datameer versuchten, zu differenzieren, sich auf die neuen Google-Cloud-Plattform. Aber angesichts der Tatsache, dass deep learning ist das Gebiet nicht so gut kartiert, im Vergleich zu weniger ehrgeizigen machine-learning-Ansätze, Fragen wir uns, wie viel praktischen nutzen Datameer Kunden realisieren kurzfristig.
Dennoch, indem Sie eine form von plug & play machine-learning-Modelle, Datameer clearing-ein Weg für die Herstellung der greifbare Vorteile durch ein BI-tool, das innerhalb der Komfort-zone des business-Analysten. Die gute Nachricht ist, dass der connector unterstützen könnten, ähnlich wie die integration zu anderen populären machine learning Bibliotheken. Wenn Datameer mit Spark MLlib oder andere, es würde die Schleusen zu öffnen machine-learning-BI-Anwendungen sehr viel breiter.
0