0
Video: Hoe Nog Leven maakt gebruik van AI, machine learning te draaien van nieuw leven uit de lange staart gegevens
Gezien de schijnwerper op ‘machine learning’ en AI, het is natuurlijk de vraag, “wat Nu?” De uitdaging is hoe je AI-modellen uit de laptop te halen om de productie en het leveren van business value.
Als de natuur verafschuwt een vacuüm, er is geen tekort aan oplossingen voor de aanpak van de stukken van de kloof. IBM ‘ s Watson Data Platform is een ambitieus kader van oplossingen voor de levenscyclus van samenwerking tot operationalisering. Cloudera de Gegevens van de Wetenschap Werkbank wil verplaatsen experimenteren met algoritmes van de laptop naar de Hadoop-cluster. Data science tools voor samenwerking van aanbieders, zoals Dataiku, Domino Data Lab, en Alpine Gegevens doel samenwerking, workflow, en het beheer van levenscyclus van gegevens wetenschap en machine learning modellen. Ondertussen Alteryx kunt u insluiten R-programma ‘ s onder de motorkap van een self-service BI-tool.
Dus er is geen silver bullet voor het dichten van de kloof van de geest van de gegevens wetenschapper aan de dagelijkse opname van modellen in de dagelijkse operationele analytics. Met SmartAI, Datameer is het aanpakken van de laatste kilometer. Het voegt de mogelijkheid om “breng je eigen model” in Datameer en voer het als een Datameer analytische spreadsheet-functie. Specifiek, SmartAI invoer binaire bestanden voor modellen ontwikkeld met behulp van TensorFlow, de diepe leren bibliotheek die open is geweest afkomstig van Google.
Dat betekent In de praktijk dat, wanneer uw gegevens wetenschapper of data science team heeft getest en gevalideerd modellen, kan vervolgens worden gedropt in een Datameer analyse pipeline. En dat is waar de analyse van levenscyclus kicks in, begin met upstream data voorbereiding, integratie en voorzien van engineering, en vervolgens de uitvoering van het model door het aan te roepen als een Datameer analytische functie (de tool heeft een bibliotheek van meer dan een paar honderd functies). Dus een diepe leren-model kan worden toegepast op specifieke business problemen, zoals Klant-360, genomische analyse van gegevens, operationele monitoring, of het opsporen van fraude. Het sluiten van de lus, de gegevens kunnen worden gebruikt voor de opleiding en het verfijnen van de modellen.
Dus Datameer zal zorgen voor het kortste pad van de ontwikkeling van een TensorFlow diep leren model om het in te sluiten in een BI-toepassing. Maar dat wordt gevraagd de volgende vraag: hoe zullen klanten profiteren van het?
Als u de aandacht van een warmte-kaart in de buurt van chatter en buzz, machine learning is vooraan in het midden. Maar machine learning is een enorme paraplu van benaderingen, variërend van de intelligente patroon van clustering, random forest, of de pad-analyse methoden voor de meer ambitieuze aanpak van diep leren en cognitieve computing, op de grens van de menselijke waarneming en denkprocessen.
Door zich te richten TensorFlow, Datameer heeft gekozen voor de bibliotheek die getrokken veel interesse van ontwikkelaars. Het is een slimme strategie, vooral als Datameer zochten om zich te onderscheiden op de opkomende Google Cloud platform. Maar gezien het feit dat diep leren is het gebied niet zo goed in kaart gebracht, in vergelijking met minder ambitieuze machine learning-aanpak, vragen we ons af hoe veel praktisch voordeel Datameer klanten realiseren op de korte termijn.
Niettemin, door het inschakelen van een vorm van plug-en-play machine learning modellen, Datameer is het wissen van een traject voor het maken van de voordelen tastbaar door middel van een BI-tool die binnen de comfort zone van business analisten. Het goede nieuws is dat de connector kan ondersteunen soortgelijke integratie naar andere populaire machine learning bibliotheken. Als Datameer doet dat met Spark MLlib of anderen, het zou de deur openzetten om machine learning BI-applicaties een stuk breder.
0