Noll
På sin Inspirera Europa-konferensen i London, som drar igång i dag, och färska utanför sitt förvärv av data science model management företag Yhat tre månader sedan, Alteryx meddelar Alteryx Främja en add-on till sin Alteryx Server produkt för distribution, hantering och integration av modeller, bakom företagets brandvägg eller i det publika molnet.
Läs också: Alteryx expanderar produkt som gör data vetenskap förvärv
Ett återkommande problem
Nu, utmaningar operationalizing modeller börjar bli bättre förstådd. I huvudsak, data forskare har förmågan att bygga modeller och använda dem på en något manuell, skräddarsydda grund. Men utbyggnaden av dessa modeller för att produktion och göra dem tillgängliga för vanliga utvecklare att bygga intelligenta applikationer från är en annan fråga. För icke-utvecklare att använda sig av dessa modeller är ännu mer jobbigt.
Enligt Ashley Kramer, Alteryx VP Product Management, Främja kommer att lösa detta gap genom att tillåta utbyggnaden av modeller och generering av REST Api: er runt dem, alla som kan åberopas från Alteryx Designer miljö. Kramer förklarade för mig via e-post att “Modeller som är utplacerade i sina egna skräddarsydda Docker bilden, så att du kan anpassa varje modell baserad på dess beroenden. Främja sedan kan skala varje modell upp eller ner baserat på företagens behov.”
Medan Alteryx redan hade förmågan att bygga, utbilda och poäng mot modeller som bygger på R programmeringsspråk, Främja stöder modeller som byggts upp i Python, PySpark, och TensorFlow liksom R. Främja kommer att lägga till möjligheten att använda modeller och skapa Api: er för dem som är inlösbara från en mängd olika program utvecklingsmiljöer.
Kramer förklarade att Alteryx Designer arbetsflöden kan också vidareutbilda modeller, som innehåller den senaste informationen, och sedan använda dem för att Främja, och tillade att “Främja gör en “hot switch’ [mellan modell versioner] så det är inga driftstopp under utbyggnad.”
Deja vu?
Andra leverantörer har provat olika metoder för att behandla data vetenskap operationaliseringen fråga.
Microsofts Azure Lärande genererar en VILA-baserad webbtjänst för modeller som utvecklats med cloud erbjuder — det även genererar exempelkod i flera språk och som uppmanar de Api: er för att köra automatisk frågor.
Microsoft SQL Server 2016 gör det möjligt för R-baserade modeller för att vara lagrade i sina databaser och R-kod som använder modeller för att vara värd i sin lagrade procedurer och SQL-skript. SQL Server 2017 kommer att lägga till liknande resurser för Python-baserade modeller och kod
Min kollega Tony Baer omfattas nyligen introducerade funktionalitet i Datameer för distribution och gjorde utbildad modeller, som bygger på Googles open source TensorFlow djupt plattform för lärande, direkt från Datameer s kalkylblad big data analytics miljö. (Disclosure: Datameer är min tidigare arbetsgivare och nuvarande klient.)
Läs också: Datameer gör djupa lära sig mer tillgänglig
Och som jag skrev om för två veckor sedan, Anaconda, som leder till marknaden det är utan tvekan den ledande Python distribution, meddelade nyligen modell operationaliseringen kapacitet av sina egna.
Läs också: AI: Anaconda förbereder sitt Företag 5 Python distribution
Låt oss alla komma tillsammans
I varje fall målet är det samma: ta modeller som utvecklats med hjälp annars esoteriska språk, bibliotek och verktyg och distribuera dem så att de blir användbara av mainstream-utvecklare och företag som saknar data vetenskap expertområden. Varje produkt har gjort detta genom att göra modeller för arbete inom ramen för sin egen funktionalitet.
Alteryx strategi, med hjälp av sin Yhat förvärv, överensstämmer med de andra, och det ytterligare validerar dem. Med dem, det är att hjälpa flytta AI -, data-vetenskap och lärande ur laboratoriet och in i sfären av DevOps och self-service analytics. Och det är ingenting annat än upp till den visionen.
0