Wir freuen uns, die Rework 2022 am 19. Juli und virtuell vom 20. bis 28. Juli wieder persönlich zu präsentieren. Nehmen Sie an aufschlussreichen Gesprächen und spannenden Networking-Möglichkeiten teil. Registrieren Sie sich heute!
In New York ansässig Dateniku, das eine zentralisierte Lösung für das Design, die Bereitstellung und das Administration von Unternehmensanwendungen für künstliche Intelligenz (KI) bietet, hat Model 11 seiner einheitlichen Daten- und KI-Plattform veröffentlicht. Das Replace, das im Juli allgemein verfügbar sein soll, konzentriert sich darauf, das Versprechen der „alltäglichen KI“ einzulösen, und bietet neue Funktionen, die nicht nur Datenexperten bei der Abwicklung umfangreicherer KI-Projekte helfen, sondern es auch technisch nicht versierten Geschäftsanwendern ermöglichen, sich einfach mit KI zu beschäftigen verbesserte Arbeitsabläufe, neben anderen Vorteilen.
„Experten für Knowledge Scientists, Knowledge Engineers und ML [machine learning] Ingenieure gehören heute zu den wertvollsten und begehrtesten Jobs. Doch allzu oft verbringen talentierte Knowledge Scientists die meiste Zeit mit geringwertiger Logistik wie dem Einrichten und Warten von Umgebungen, dem Vorbereiten von Daten und dem Überführen von Projekten in die Produktion. Mit umfassender Automatisierung, die in Dataiku 11 integriert ist, helfen wir Unternehmen, die frustrierende Hektik zu beseitigen, damit Unternehmen schnell mehr aus ihren KI-Investitionen machen und letztendlich eine KI-Kultur schaffen können, um Branchen zu verändern“, sagte Clément Stenac, CTO und Mitbegründer von Dataiku.
Nachfolgend finden Sie eine Übersicht über die wichtigsten Funktionen.
Code Studios mit Experiment-Monitoring
Code Studios in Dataiku 11 bietet KI-Entwicklern eine vollständig verwaltete, isolierte Programmierumgebung in ihrem Dataiku-Projekt, in der sie mit ihrer eigenen bevorzugten IDE oder ihrem eigenen Net-App-Stack arbeiten können. Die Lösung gibt KI-Entwicklern die Möglichkeit, zu codieren, wie sie sich wohl fühlen, während sie die Richtlinien ihres Unternehmens für die Zentralisierung von Analysen und Governance (falls vorhanden) einhalten. Früher hätte so etwas bedeutet, sich für ein benutzerdefiniertes Setup zu entscheiden, mit erhöhten Kosten und Komplexität.
Die Lösung verfügt außerdem über eine Experiment-Monitoring-Funktion, die Entwicklern eine zentrale Schnittstelle zum Speichern und Vergleichen aller maßgeschneiderten Modellläufe bietet, die programmgesteuert mit dem MLFlow-Framework erstellt wurden.
Nahtlose Laptop-Imaginative and prescient-Entwicklung
Um die ressourcenintensive Entwicklungsaufgabe zu vereinfachen Laptop Imaginative and prescient Modelle bietet Dataiku 11 ein integriertes Datenkennzeichnungs-Framework und eine visuelle ML-Schnittstelle.
Ersteres kommentiert, wie das Unternehmen erklärt, automatisch Daten in großen Mengen – eine Aufgabe, die häufig über Plattformen von Drittanbietern wie z Tasq.ai. Letzteres bietet einen durchgängigen, visuellen Pfad für gängige Laptop-Imaginative and prescient-Aufgaben, der es sowohl fortgeschrittenen als auch unerfahrenen Datenwissenschaftlern ermöglicht, komplexe Anwendungsfälle zur Objekterkennung und Bildklassifizierung zu bewältigen, von der Datenvorbereitung bis zur Entwicklung und Bereitstellung der Modelle.
Zeitreihenvorhersage
Geschäftsanwender, insbesondere diejenigen mit begrenztem technischen Fachwissen, finden es oft schwierig, historische Daten zu analysieren und robuste Geschäftsprognosemodelle für die Entscheidungsfindung zu erstellen. Um dies zu beheben, bietet Dataiku 11 integrierte Instruments, die visuelle No-Code-Schnittstellen bereitstellen und Groups dabei unterstützen, zeitliche Daten zu analysieren und zu entwickeln, auszuwerten und bereitzustellen Zeitreihenvorhersage Modelle.
Characteristic-Retailer
Die neueste Model bringt auch einen Characteristic Retailer mit neuen Abläufen für die gemeinsame Nutzung von Objekten, um die unternehmensweite Zusammenarbeit zu verbessern und den gesamten Prozess der Modellentwicklung zu beschleunigen. Nach Angaben des Unternehmens wird die Funktion Datenteams eine dedizierte Zone für den Zugriff auf oder die gemeinsame Nutzung von Referenzdatensätzen mit kuratierten KI-Funktionen geben. Dies hält Entwickler davon ab, dieselben Funktionen neu zu entwickeln oder redundante Datenbestände für ML-Projekte zu verwenden, und verhindert Ineffizienzen und Inkonsistenzen.
Ergebnisoptimierung
Groups verwenden häufig eine manuelle Trial-and-Error-Methode (was wäre wenn), um den Interessengruppen umsetzbare Erkenntnisse zu liefern, die ihnen helfen könnten, die bestmöglichen Ergebnisse zu erzielen.
Mit der Ergebnisoptimierung, die Teil von Dataiku 11 ist, wird der gesamte Prozess automatisiert. Im Wesentlichen berücksichtigt es automatisch benutzerdefinierte Einschränkungen und findet den optimalen Satz von Eingabewerten, der die gewünschten Ergebnisse liefert. Beispielsweise könnte es vorschreiben, welche Änderungen ein Hersteller an den Fabrikbedingungen vornehmen könnte, um die maximale Produktionsausbeute zu erzielen, oder welche Anpassungen des Finanzprofils eines Bankkunden zu der geringsten Wahrscheinlichkeit von Kreditausfällen führen würden.
Andere Fähigkeiten
Unter anderem hat das Unternehmen Instruments eingeführt, um die Übersicht und Kontrolle über die Modellentwicklung und -bereitstellung zu verbessern. Dazu gehören ein automatisiertes Software zum Generieren von Move-Dokumenten und ein zentrales Register, das Snapshots aller Datenpipelines und Projektartefakte erfasst – zur Überprüfung und Freigabe vor der Produktion. Das Unternehmen wird auch Stresstests für Modelle bereitstellen, die das Verhalten des Modells in realen Einsatzsituationen vor dem eigentlichen Einsatz untersuchen.