Nul
Der er mange meninger om, hvad der betyder mest i machine learning. Nogle vil sige, at det er de data, nogle ville sige, at det er de algoritmer og ligninger, der skal anvendes til at træne computere på disse data. Stadig, andre vil sige, at det er formuleringen af spørgsmålet i sig selv, der er mest vigtigt i machine learning.
Det sidste synspunkt er repræsentant for en start kaldet Nyansa, der består af netværk veteraner og big data specialister, der mener, at de har en bedre tilgang til netværksstyring end, at sige, Cisco Systems eller Hewlett-Packard Virksomheden.
Grunden til, ifølge chief technologist og medstifter Anand Srinivas, er fordi Nyansa tal ud af alle de forskellige dele af et system-ikke kun for den switche og trådløse access points, men de applikationer, der kan påvirke, hvad en slutbruger oplevelser.
“Vores innovation er ikke at opfinde nye machine learning algoritmer, er det i form af at bringe machine-learning algoritmer til en use case som netværk,” Srinivas sagde i et interview med ZDNet på mandag. Srinivas har en Ph.d. i trådløse netværk og algoritmer fra MIT, og har afholdt en række af branchens holdninger, især for software-defined networking, på virksomheder, som Overture Netværk, Plexxi, og Airvana.
Også: Netværk teknologier er ved at ændre sig hurtigere end vi kan håndtere dem
Med base i Palo Alto, fire-en-halv-årig Nyansa sælger værktøjer til at overvåge sundheden i de netværk, forklare forringelser i ydeevnen, når de sker, og derefter foreslå løsninger. Dens redskaber køre på Amazons AWS, selv om de også kan være installeret on-premise, med kroge tilbage til den offentlige sky. Virksomheden har over 100 kunder, svarende til over 10 millioner enheder “under observation,” det siger, at over 200.000 og access points fra forskellige leverandører, på hundredvis af produktionen netværk. Kunder omfatter Uber, Tesla, og Lululemon. Det har været finansieret af chip-giganten Intel ‘ s investering arm, og Formation8, til tonerne af $27 million.
Dens machine learning-værktøj er meget enkel, langt mindre sofistikerede eller adventuresome end i dag dybt læring neurale netværk tilgange. De omfatter ting som logistisk regressionsanalyse, tilfældige skov søgninger, nærmeste-nabo-søgninger, og “klynge” – analyse. “En masse af dette, er off-the-shelf ting,” indrømmer Srinivas.
“Det er mere ligetil end dyb læring, dyb læring er ikke den rigtige fremgangsmåde for os, ikke endnu, ikke før vi fat i alle de lavt-hængende frugter, som de enklere former for machine learning algoritmer, der kan give os.”
Nyansa samler petabytes af data fra de millioner af kundens udstyr og tusindvis af adgangspunkter, og først fastlægges en baseline. Hvor godt er det netværk, udføre, i form af ting som hvor stor en procentdel af brugerne har en trådløs forbindelse spørgsmålet, på gennemsnit, eller hvad andel har en Citrix application tilslutning spørgsmål? Nogle af disse enheder er ingen brugere, de er Internet-of-Things gadgets, såsom General Electric trådløse patienten overvåge, eller skruenøgler, der anvendes af Tesla på gulvet i sin Fremont facilitet. Telemetri data, der skal indsamles fra disse enheder som en baseline for performance.
Nyansa, overvågning af netværk start konkurrerer med Cisco og Hewlett-Packard Virksomheden, mener, at det vinder dag for kunder som Uber ikke af kompleksiteten af sin kunstige intelligens værktøjer, som er ren rutine, men ved sin forståelse af problemet af netværkets ydeevne. (Billede: Nyansa)
“På en måde, du kan tænke på os som en vertikalt integreret Splunk,” siger Srinivas, at henvise til de Store Data overvågningssystem, der indtager og miner kunde data. “Vi kan tage enhver type af data, og binde det ind i vores system, men vi går et skridt videre til at løse kundens use cases.”
Også: Cisco lancerer UCS systemet for AI, machine learning, dyb læring
Ved at have data fra flere kunder i skyen, siger Srinivas, et udgangspunkt, der kan indstilles ikke bare for en given kunde, men på tværs af en branche. “Hvad er god performance,” spørger han retorisk. For en given industri, “hvis baseline er en 30 procent netværkets ydeevne connection failure, så 5 procent for en given kunde kan være fint for dem.”
Når en baseline er etableret, afvigelser kan blive opdaget for at afgøre, om et problem er, sige, et netværk problem i sig selv, eller rettere en ansøgning problem. Og når afvigelser fra baseline er etableret, forudsigelser kan gøres. “Baseret på, hvad andre kunder har gjort, hvad der er vores forudsigelse for handlinger, der er mest fordelagtige,” er, hvordan han beskriver det. Ved derefter at observere, hvordan anbefalingerne er gennemført, og de effekter, kan systemet bevæge sig ud over simpel sammenhæng, der er fokus for en masse af machine learning, til en følelse af at der er en årsagssammenhæng.
“Ved automatisk at lære en baseline, og at lære det overalt, og gør det på nøjagtig samme måde, kan vi give dig en anbefaling, og det vil have en effekt.”
“I første omgang, måske det er 80 procent sammenhæng. Men når en kunde finder, at en handling, der baseline vil fortælle dig sandheden om, hvorvidt den indsats har gjort en forskel, og hvis det [performance] bliver bedre, anbefaling af definition er korrekt. At feedback loop får du tilbage til årsagssammenhæng.”
Også: Hvorfor har du brug for at lære om programmets ydeevne overvågning TechRepublic
Med hensyn til, hvordan de adskiller sig fra Cisco eller Hewlett, Srinivas ser Nyansa system som mere omfattende i, hvad det ser ud til end den ene. “Vi er ligeglade med, hvem sælgeren er for trådløse [access point] eller RADIUS-eller DNS-eller DHCP, vi vil tage, hvad data, uanset fra hvilken kilde, der er en grundlæggende forskel.”
“Deres data kilder er begrænset til deres egne ting.”
Srinivas tilbyder eksempel på GE sengen trådløse patienten skærme i et hospital drevet af klient Mission Sundhed, et sundhedssystem, der serverer North Carolina. Det er ikke nok at sige, at et netværk er, eller ikke klarer sig ved baseline. “Den sidste ting, der betyder noget, er dem, bølgeformer [patient data fra overvåger] for at komme tilbage til sygeplejersken, og at sygeplejersken i stand til at se ilt niveau på skærmen. Det betyder ikke noget, hvis det trådløse signal er godt, kan du ikke bare baseline trådløse, fordi den datakilde, du holder af, skærmen, har intet at gøre med skifter.”
Også: Facebook er ved hjælp af AI at dæmme op for udnyttende og nøgen billeder af børn CNET
Svaret altså, at machine learning, i sin enklere form, og måske endda mere komplekse inkarnationer, er, hvor spændende med de komplekse situationer, der bygger på forståelsen. “Selv med dyb læring, magien er i tuning dyb læring, netværk, vide, hvordan man kan vende knopper,” bemærker Srinivas. “Kernen i det er en erfaring, over tid, at vide præcis hvordan til at tune ting.”
Tidligere og relaterede dækning:
Hvad er AI? Alt, hvad du behøver at vide
En executive guide til kunstig intelligens, fra machine learning og generelt AI til neurale netværk.
Hvad er dyb læring? Alt, hvad du behøver at vide
Den lowdown på en dyb læring: fra hvordan det relaterer til det bredere felt af machine learning igennem til, hvordan du kommer i gang med det.
Hvad er machine learning? Alt, hvad du behøver at vide
Denne vejledning forklarer, hvad machine learning er, hvordan det er relateret til kunstig intelligens, hvordan det fungerer, og hvorfor det er vigtigt.
Hvad er cloud computing? Alt, hvad du behøver at vide om
En introduktion til cloud computing-lige fra det grundlæggende op til IaaS og PaaS, hybrid, offentlige og private cloud.
Relaterede historier:
Der er ingen rolle for AI eller data videnskab: dette er en holdindsats Start Slægt bringer splint af håb for AI i robotteknologi AI: udsigt fra Chief Data Videnskab Kontor Salesforce-introer Einstein Stemme, en AI stemme assistent for virksomheder er det ikke Det job AI er ødelæggende for at genere mig, det er dem, der er voksende, Hvordan Facebook skalaer AIWhy AI og machine learning kører data søer til data hubsNvidia, Scripps Research partner til at fremme AI for sygdom predictionThis er, hvad AI ligner (som skitseret ved AI) AI levere afkast til virksomhedens tidlige adoptersGoogle funderer den mangler af machine learning
Relaterede Emner:
Netværk
Digital Transformation
CXO
Tingenes Internet
Innovation
Virksomhedens Software
0