Nul
Bij de Inspire-Europa conferentie in Londen, die begint vandaag, en vers van de overname van data science model management firm Yhat drie maanden geleden, Alteryx is de aankondiging van Alteryx Bevorderen, een add-on voor de Alteryx Server product, voor de implementatie, het beheer en de integratie van machine learning modellen, achter de firewall of in de public cloud.
Lees ook: Alteryx breidt product instelt, maakt data science overname
Een terugkerend probleem
Door nu de uitdagingen van operationalizing machine learning modellen beginnen om beter te worden begrepen. In essentie, gegevens wetenschappers hebben de mogelijkheid voor het bouwen van machine learning modellen en gebruik ze op een enigszins handleiding, op maat gemaakte basis. Maar het implementeren van deze modellen in productie en ze beschikbaar te maken voor reguliere ontwikkelaars bouwen van intelligente toepassingen, is een andere zaak. Voor niet-ontwikkelaars, maken gebruik van deze modellen is zelfs meer riskant.
Volgens Ashley Kramer, Alteryx s VP van Product Management, het Bevorderen zal deze leemte te vullen, doordat de implementatie van de modellen, en de generatie van REST Api ‘ s om hen heen, om te worden uitgevoerd uit de Designer-omgeving. Kramer legde me via e-mail dat “Modellen worden ingezet in hun eigen aangepaste Docker beeld, zodat u kunt aanpassen van elk model op basis van de afhankelijkheden. Promoten kan dan de schaal van elke model omhoog of omlaag op basis van de bedrijven.”
Terwijl Alteryx hadden al het vermogen om te bouwen, te trainen en te scoren tegen modellen die gebaseerd zijn op de R programmeertaal, Bevorderen ondersteunt modellen gebouwd in Python, PySpark, en TensorFlow evenals R. Bevorderen zal het toevoegen van de mogelijkheid tot het implementeren van ‘machine learning’ – modellen en het genereren van Api ‘ s voor hen die zijn opvraagbaar uit een verscheidenheid van de ontwikkeling van de applicatie omgevingen.
Kramer legde uit dat Alteryx Designer workflows kunnen ook scholen modellen, met de laatste gegevens, en vervolgens opnieuw implementeren van hen te Bevorderen, met als toevoeging dat “Bevorderen is een ‘hot’ [tussen model versies], zodat er geen downtime tijdens de implementatie.”
Deja vu?
Andere leveranciers hebben geprobeerd verschillende benaderingen om de data science operationalisering probleem.
Microsoft ‘s Azure Machine Learning genereert een REST-gebaseerde Web service voor modellen ontwikkeld met de cloud — genereert het zelfs voorbeeldcode in meerdere talen die gesprekken die Api’ s om te draaien voorspellende query ‘ s.
Microsoft SQL Server 2016 zorgt voor een R-gebaseerde machine-leren-modellen worden opgeslagen in de databases en R code die gebruik maakt van de modellen die worden gehost in de opgeslagen procedures en SQL-scripts. SQL Server 2017 zal het toevoegen van vergelijkbare mogelijkheden voor Python-gebaseerde modellen en code
Mijn collega Tony Baer onlangs gedekt-functionaliteit geïntroduceerd in Datameer voor de implementatie en het scoren opgeleid modellen, gebaseerd op Google ‘ s open source TensorFlow deep learning platform, rechtstreeks vanaf Datameer werkblad big data analytics omgeving. (Disclosure: Datameer is mijn voormalige werkgever en de huidige client.)
Lees ook: Datameer maakt diep leren meer toegankelijk
En zoals ik al meldde twee weken geleden, Anaconda, die op de markt brengt wat misschien wel de meest toonaangevende Python distributie, heeft onlangs aangekondigd model operationalisering mogelijkheden van zijn eigen.
Lees ook: AI aan de mensen: Anaconda bereidt de Enterprise 5 Python distributie
Laten we allemaal samen
In elk geval, het doel is hetzelfde: neem machine learning modellen ontwikkeld met behulp anders esoterische talen, bibliotheken en gereedschappen en het implementeren van hen, zodat ze bruikbaar door de reguliere ontwikkelaars en zakelijke gebruikers die niet over data science vaardigheden. Elk product heeft dit gedaan door het maken van machine learning modellen werk binnen de context van zijn eigen functionaliteit.
Alteryx de aanpak, geholpen door haar Yhat overname, voldoet aan de anderen, en verder valideert ze. Met hen, het helpt bewegen AI, data science en machine learning uit het laboratorium en in het rijk van DevOps en self-service analytics. En er is niets, maar ondersteboven aan dat vooruitzicht.
0