Noll
Det finns många åsikter om vad som betyder mest i maskininlärning. Vissa skulle säga att det är de uppgifter, några skulle säga att det är de algoritmer och ekvationer som används för att träna datorer på som-data. Fortfarande, andra skulle säga att det är den formulering av frågan i sig som är viktigast i maskininlärning.
Den sista punkten är företrädare för en startup som heter Nyansa, som består av nätverk veteraner och big data-specialister som tror att de har en bättre inställning till network management än, säg, Cisco Systems eller Hewlett-Packard Företag.
Anledningen, enligt chief technologist, och en av grundarna Anand Srinivas, eftersom Nyansa siffror reda på alla olika delar i ett system-inte bara switchar och trådlösa åtkomstpunkter, men program, som kan påverka vad slutanvändaren upplevelser.
“Vår innovation är inte att uppfinna nya maskinlärande algoritmer, är det i termer av att föra maskin-lärande algoritmer för att ett användningsfall som nätverk,” Srinivas sade i en intervju med ZDNet på måndag. Srinivas innehar en Doktorsexamen i trådlösa nätverk och algoritmer från MIT och har innehaft ett antal positioner inom industrin, särskilt för programvarudefinierade nätverksfunktioner, på företag som Overture Nätverk, Plexxi, och Airvana.
Också: Network technologies förändras snabbare än vi kan hantera dem
Baserad i Palo Alto, fyra och ett halvt-år-gamla Nyansa säljer verktyg till att övervaka hälsan hos nätverk, förklara degradations av prestanda när de händer, och sedan föreslå lösningar. Dess verktyg som kör på Amazon AWS, men de kan även installeras på plats, med krokar tillbaka till det publika molnet. Företaget har över 100 kunder, som representerar över 10 miljoner enheter “under observation,” det säger, över 200,000 kopplingspunkter från olika leverantörer, på hundratals produktion nätverk. Kunder är Uber, Tesla, och Lululemon. Det har varit finansierad av chip jätte Intels investering arm, och Formation8, till ett belopp av $27 miljoner.
Dess maskin verktyg för lärande är mycket enkel, långt mindre sofistikerad eller äventyrslysten än dagens djupt lärande neurala nätverk metoder. De inkluderar saker såsom logistisk regressionsanalys, random skog sökningar, närmaste-granne sökningar, och “kluster” – analys. “En hel del av detta är off-the-shelf saker,” bekänner Srinivas.
“Det är mer okomplicerat än djupt lärande, djupt lärande är inte rätt strategi för oss, inte ännu, inte förrän vi ta alla de lågt hängande frukt som enklare slag av maskinlärande algoritmer kan ge oss.”
Nyansa samlar petabyte av data från de miljontals klientenheter och tusentals av kopplingspunkter, och först etablerar en baslinje. Hur väl fungerar nätverket utföra, i form av saker så som hur stor andel av användarna har en trådlös anslutning frågan, i genomsnitt, eller hur många procent har en Citrix-program-anslutning fråga? Några av dessa enheter har inga användare, är de Internet-of-Things prylar, såsom General Electric trådlöst patientmonitor, eller de nycklar som används av Tesla på golvet i sin Fremont anläggning. Telemetri data som måste samlas in från de enheter som utgångspunkt för prestanda.
Nyansa, ett nätverk för övervakning start konkurrerar med Cisco och Hewlett-Packard Företag, tror att det vinner dagen för kunder som Uber inte av komplexiteten i dess artificiell intelligence-verktyg, vilket är ganska rutin, men genom sin förståelse av problemet av nätverkets prestanda. (Bild: Nyansa)
“Ett sätt man kan tänka oss är som en vertikalt integrerad Splunk, säger Srinivas, med hänvisning till Big Data monitoring system som intar och gruvor kunddata. “Kan vi ta någon typ av data och knyta det i vårt system, men vi går ett steg längre för att lösa kundens användning fall.”
Också: Cisco lanserar UCS system för AI, lärande, djupt lärande
Genom att ha data från flera kunder i molnet, säger Srinivas, en baslinje kan ställas in inte bara för en viss kund, men inom en industri. “Vad som är bra resultat,” frågar han retoriskt. För en viss bransch, “om baslinjen är en 30 procent nätverkets prestanda anslutning misslyckande, då 5 procent för en viss kund, kan vara bra för dem.”
När en originalplan är etablerad, avvikelser kan upptäckas för att avgöra om ett problem är, säg, ett nätverk problem per se, eller snarare en ansökan problem. Och när avvikelser från baslinjen är etablerade, prognoser kan göras. “Baserat på vad andra kunder har gjort, vad som är vår prognos för åtgärder som har varit mest fördelaktigt,” är hur han beskriver det. Genom att sedan observera hur rekommendationerna genomförs, och de effekter som systemet kan gå längre än bara korrelation, i fokus för en hel del av maskininlärning, till en känsla av kausalitet.
“Genom att automatiskt lära sig en baslinje, och att lära sig det överallt, och gör det på exakt samma sätt, vi kan ge dig en rekommendation, och det kommer att få konsekvenser.”
“På första, kanske är det 80 procent korrelation. Men när en kund tar att åtgärder, som baseline kommer att berätta sanningen om de åtgärder som gjort en skillnad, om det [prestanda] blir bättre, rekommendation per definition är korrekt. Som återkoppling får du tillbaka in i varandra.”
Dessutom: Varför du behöver lära dig mer om programmet för övervakning av prestanda TechRepublic
Hur skiljer de sig från Cisco eller Hewlett, Srinivas ser Nyansa system som mer omfattande i vad det ser ut på än antingen en. “Vi bryr oss inte vem säljaren är för trådlös [kopplingspunkter] eller RADIUS-eller DNS-eller DHCP-vi kommer att vidta alla nödvändiga data från olika källor, det är en grundläggande skillnad.”
“Deras datakällor är begränsad till sina egna saker.”
Srinivas erbjuder exempel GE säng trådlöst patientmonitorer på ett sjukhus som drivs av kundernas Uppdrag Hälsa, ett hälso-och sjukvårdssystem som serverar North Carolina. Det räcker inte att säga att ett nätverk eller inte fungerar vid baslinjen. “En sista sak som är viktigt är, är de vågformer [av patientdata från skärmar] komma tillbaka till sjuksköterska, och är som sjuksköterska kunna se syre nivå på skärmen. Det spelar ingen roll om den trådlösa signalen är bra, kan du inte bara baseline trådlöst, eftersom den särskilt datakälla som du bryr dig om, övervaka, har ingenting att göra med växlar.”
Också: Facebook är med hjälp av AI för att stävja exploaterande och nakna bilder av barn som CNET
Svaret, då, att maskinen lärande i dess enklare form och kanske även dess mer komplexa inkarnationer, är hur intressant med de komplexa situationer som skapar förståelse. “Även med djupt lärande, magin ligger i att trimma den djupt lärande nätverk, att veta hur man vrid stygnbredds-och stygnlängdsknappen, konstaterar Srinivas. “Kruxet är erfarenhet, över tiden veta exakt hur man ska ställa saker och ting.”
Tidigare och relaterade täckning:
Vad är AI? Allt du behöver veta
En verkställande guide till artificiell intelligens, från maskininlärning och allmänna AI att neurala nätverk.
Vad är djupt lärande? Allt du behöver veta
Lowdown på djupt lärande: från hur det förhåller sig till de bredare fält av maskinen lärande genom hur man kommer igång med det.
Vad är lärande? Allt du behöver veta
Denna guide förklarar vad lärande är, hur den är relaterad till artificiell intelligens, hur det fungerar och varför det är viktigt.
Vad är cloud computing? Allt du behöver veta om
En introduktion till cloud computing rätt från grunderna upp till IaaS och PaaS, hybrid, offentliga och privata moln.
Relaterade artiklar:
Det finns ingen roll för AI eller data vetenskap: det här är ett lagarbete Start Släkt ger strimma av hopp för AI i robotik AI: vy från Chief Data Vetenskap Kontor Salesforce intron Einstein Röst, en AI röst assistent för företag att det inte är Det jobb AI är förstört som stör mig, det är de som växer Hur Facebook skalor AIWhy AI och maskininlärning kör data sjöar uppgifter hubsNvidia, Scripps Research partner advance AI för sjukdom predictionThis är vad AI ser ut (som skissat av AI) AI leverera avkastning till företagets tidiga adoptersGoogle funderar brister av maskininlärning
Relaterade Ämnen:
Nätverk
Digital Omvandling
CXO
Sakernas Internet
Innovation
Affärssystem
0