Kvaliteten af Data: De første km af machine learning
Til at iværksætte en effektiv machine learning initiativ, virksomhederne er nødt til at starte med data af høj kvalitet — og opretholde en stabil strøm af data til at holde modeller, opdateret, forklarer Dale Brown, Leder af Operationer i Figur af Otte.
Machine learning er et stærkt paradigme mange organisationer anvender til at udlede indsigter og tilføje nye funktioner til deres applikationer, men ved at det kræver færdigheder, data, og indsats. Explorium, en start fra Israel, har netop annonceret $19 millioner af midlerne til at sænke den barriere på alle de ovennævnte.
De midler, meddelte i dag, består en frø rundt på $3,6 millioner ledet af Emerge med deltagelse af F2 Kapital og en $15.5 millioner Serie A, ledet af Zeev Ventures med inddragelse af frø investorer. Explorium blev grundlagt af Maor Shlomo, Eller Tamir, og Omer Har, tre Israelske tech-iværksættere, der tidligere har ført til omfattende data mining og optimering platforme for big data-baseret marketing ledere.
“Vi gør for machine learning data, hvad søgemaskiner gjorde for web,” sagde Explorium medstifter og administrerende DIREKTØR Maor Shlomo. “Lige som en søgemaskine gennemsøger nettet og trækker i de mest relevante svar til dit behov, Explorium gennemsøger data-kilder i og uden for din organisation til at generere de funktioner, der drev nøjagtige modeller.”
Explorium ‘ s platform fungerer i tre faser: Data berigelse, funktion, teknik og prædiktiv modellering.
Data berigelse
Den første del af processen går ud på at finde relevante data for opgaven ved hånden. At træne machine learning algoritmer, der er relevante datasæt, der er behov for. Lad os sige, for eksempel, at en organisation er interesseret i at udforme en prædiktiv model for HR, bidrage til at mindske churn ved at generere alarmer og anbefalinger til handling.
At træne denne model, data fra organisationens HR vil have til at blive brugt. Men for de data, til at være nyttige, skal de være af tilstrækkelig kvantitet og kvalitet, hvilket ikke altid er tilfældet. Dette er, hvor Explorium kommer i.
I første omgang, brugere tilslutte et datasæt med et mål kolonne, der angiver, hvad de ønsker at forudsige. Flere interne kilder kan tilsluttes, så længe en af dem indeholder de mål kolonne. Så Explorium opdager betydningen af kolonnerne for hver input datasæt og beriger datasæt med andre datakilder.
For eksempel, hvis maskinen identificerer en placering koordinater i kolonner af kundens data (breddegrad og længdegrad), det vil berige sine data med Geo-Spatial taggings (såsom konkurrenter i området), demografiske kilder, og så videre.
Før det bliver til, hvordan denne identifikation fungerer, det er værd at tænke over, hvor gør, at data kommer fra, og hvordan deres relevans og pålidelighed vurderes. Explorium kilder data fra flere kanaler. Nogle af dem er åbne og offentlige datasæt, men der er mere.
Explorium ‘ s platform virker i en proces i 3 trin: Data berigelse – Funktion, teknik – Prædiktiv modellering. Billede: Explorium
Shlomo sagde Explorium kunder spænder fra Fortune 100 og førende finansielle institutioner, hele vejen ned til hyper-vækst i nystartede virksomheder. Holdet, som i høj grad består af ingeniører og data forskere, vokser hurtigt, med kontorer i Tel Aviv, San Francisco, og Kiev. Explorium er blevet kåret i top 5 hurtigst voksende virksomheder i Tel-Aviv.
Kombinationen af AutoML og data markedsplads, der Explorium tilbyder synes overbevisende. Men er det unikke? Kunne en AutoML (sky) sælger tilføje data markedsplads funktioner, eller en data markedsplads tilføje AutoML, at den samme effekt? Shlomo mener, at de eksisterende værktøjer er ikke bygget til at håndtere en bred vifte af datakilder, og går så langt som til at forudsige lukningen af traditionelle BI-værktøjer:
“At bygge en maskine, learning model, mens automatisk søger efter funktioner på tværs af tusindvis af potentielt relevante datakilder er en ny type af tekniske udfordring, som kræver en særlig løsning. Vi har bygget teknik, data videnskab, juridiske og kommercielle know-how til at hjælpe vores kunder med at finde bedre data baseret på den unikke kombination af vores erfaringer.
Explorium er ikke en kunstig bro mellem data og AI siloer, der kunne være efterlignede gennem en transactive partnerskab. Vi er en data-science-virksomhed, der er i sagens natur fokuseret på data for machine learning. Platformen tilbyder et helt nyt paradigme for at gøre data videnskab på tværs af en bred vifte af hidtil ukendte data kilder.”
Big Data
Nej, dette AI ikke har styr ottende klasse videnskab
Fra lav-kode og cloud, at AI og kryptering: Hvad du gør med data, der skal være om mere end buzzwords
Spørgsmålet om AI for ServiceNow er et spørgsmål om, hvad der virker
Hvordan MIT forsøger at løse AI bias (ZDNet YouTube)
Facebook har en ny fred værktøj til at beskytte dine data (CNET)
5 måder Direktører kan bygge en robust, data-driven organization (TechRepublic)
Relaterede Emner:
Kunstig Intelligens
Digital Transformation
Robotteknologi
Tingenes Internet
Innovation
Virksomhedens Software