0
Video: Come Rifugio Vita utilizza IA, macchina per imparare a filare nuova vita dalla coda lunga data
Dato i riflettori su di machine learning e di AI, è naturale porsi la domanda: “e Ora?” La sfida è stata come prendere AI modelli dal computer portatile per la produzione e fornire valore di business.
Come la natura aborrisce il vuoto, non c’è stata alcuna carenza di soluzioni per affrontare i pezzi di scarto. IBM Watson Piattaforma di Dati è un ambizioso quadro di soluzioni in grado di affrontare il ciclo di vita, dalla collaborazione alla messa in pratica. Cloudera Dati Scienza Banco di lavoro, mira a spostare sperimentazione di algoritmi di computer portatile per il cluster Hadoop. Scienza di dati strumenti di collaborazione da provider come Dataiku, Domino Dati di Laboratorio, Alpino e i Dati di destinazione collaborazione, flusso di lavoro e la gestione del ciclo di vita dei dati, la scienza e la macchina di modelli di apprendimento. Nel frattempo, Alteryx consente di incorporare R programmi sotto il cofano di un self-service di strumenti di BI.
Quindi non c’è pallottola d’argento per colmare il gap dalla mente di dati scienziato di tutti i giorni incorporazione di modelli operativi giornalieri analytics. Con SmartAI, Datameer sta affrontando l’ultimo miglio. Aggiunge la capacità di “portare il proprio modello” in Datameer e l’esecuzione come un Datameer analitico funzione di foglio di calcolo. In particolare, SmartAI importazioni i binari per i modelli sviluppati con TensorFlow, il deep learning library che è stato reso open source di Google.
In pratica, ciò significa che una volta che i vostri dati scienziato o data science team ha testato e convalidato modelli, che possono poi essere inseriti in un Datameer analitica pipeline. Ed è qui che l’analitica del ciclo di vita a calci, inizio a monte con la preparazione dei dati, l’integrazione e la funzionalità di ingegneria, e poi eseguendo il modello invocandolo come Datameer funzione analitica (lo strumento dispone di una biblioteca di più di un paio di centinaia di funzioni). Così un apprendimento profondo modello può essere applicato a specifici problemi aziendali, come il Cliente a 360 genomico, l’analisi dei dati, il monitoraggio operativo, o il rilevamento delle frodi. La chiusura del ciclo, il set di dati può essere utilizzato per la formazione e l’affinamento dei modelli.
Così Datameer fornirà il più dritta percorso da sviluppare un TensorFlow profondo modello di apprendimento per l’integrazione in un’applicazione di business intelligence. Ma che richiede la prossima domanda: come faranno i clienti sono i vantaggi?
Se si ha una mappa di calore in tutto chiacchiere e buzz, machine learning è davanti e al centro. Ma la macchina di apprendimento è una grande ombrello di approcci, che vanno dalla intelligente pattern matching di clustering, casuale foresta, o il percorso di approcci di analisi, per il più ambizioso approcci di apprendimento profondo e cognitive computing che rasentano la percezione umana e dei processi di pensiero.
Da targeting TensorFlow, Datameer ha scelto la libreria che ha attirato un notevole interesse da parte degli sviluppatori. È un’astuta strategia, soprattutto se Datameer cercano di differenziarsi sul emergenti Google Cloud platform. Ma dato che il deep learning è un territorio non ben delineati, rispetto a meno ambizioso di approcci di apprendimento automatico, ci chiediamo quanto vantaggio pratico Datameer clienti di realizzare nel breve periodo.
Tuttavia, attivando una forma di plug and play per l’apprendimento automatico di modelli, Datameer è l’eliminazione di un percorso per la realizzazione di benefici tangibili attraverso un BI strumento all’interno della zona di comfort di analisti di business. La buona notizia è che il connettore potrebbe sostenere una simile integrazione di altri popolari di machine learning per le biblioteche. Se Datameer fa con Scintilla MLlib o altri, avrebbe aperto le porte ad apprendimento automatico BI applicazioni molto più ampia.
0