Новый проект разрабатывает большие данные прогнозирующие решения, которые упрощают процесс создания прогнозирующих моделей для наборов данных.Прогнозирующие инициативы бизнес-аналитики могут быть хитрыми, чтобы установить правильно и получить желаемые результаты, если каждый экземпляр не содержит точный правильный запрос и источники данных.
Это – то, где ученые, работающие с данными могут быть чрезвычайно ценными. Но что, если у Вас нет ученого, работающего с данными в штате?Много раз подобные запросы подходят в варианте использования предприятия. Что, если там своего рода институциональная память должна была получить их всех, так, чтобы на работу аналитики можно было сослаться и не иметь, чтобы быть повторенной, напрасно тратить время, энергия и зарплаты?
Находящийся в Сан-Франциско альпийский Labs Данных является 4year-старым новым проектом, который предоставляет ответы для тех вопросов. Этот вид решения становится особенно ценным, потому что все больше опций аналитики добавляется к потокам операций в IT-системах нового генерала.Альпийский Labs Данных разрабатывает большие данные прогнозирующие решения, которые упрощают процесс создания прогнозирующих моделей для наборов данных.
На этой неделе компания показала общедоступность своей альпийской Платформы Пользовательского оператора. Это – гибкая методология для разработки пользовательских алгоритмов, которые могут быть включены непосредственно в параллельный механизм машинного обучения Алпайна.В результате в корреляции с изделием управления Точек соприкосновения Алпайна, Платформа Пользовательского оператора позволяет науке о данных и командам бизнес-аналитика создать, управлять и распределить часто требуемые аналитические активы бизнес-пользователям непосредственно в их существующие операции и потоки операций.Команды науки о данных получают запросы для выполнения той же функции против различных наборов данных снова и снова.
В то время как эти функции создают значимое различие для бизнес-пользователей, они сложны, и многоаспектные команды, и науки о данных вынуждены иметь дело с ними тактически. То, что часто заканчивается, является большим количеством напрасно потраченного времени для команд науки о данных – и их зарплаты обычно не тривиальны.Вот один пример варианта использования: команда управления клиентами в финансовом учреждении создает кредитные модели и должна заполнить недостающие поля для частных лиц с неполными профилями. Ученый, работающий с данными мог бы приблизиться, эти поля с агрегатами от других частных лиц с большем заполняют профили.
Функция для вычислений этих агрегатов могла бы быть довольно сложной, повторяющейся, и длительной для создания.Во многих случаях команды в различных частях организации воссоздадут ту же функцию много раз, представляя несоответствия и переделают, сказал Директор по продукции Стивен Хиллайон.
Платформа Пользовательского оператора альпийских Данных позволяет ученому, работающему с данными выполнить эту функцию, как только тогда операционализируют тот Пользовательский оператор так, чтобы это могло быть обнаружено и снова использовано другими командами – даже полученный доступ бизнес-пользователями для выполнения будущих исследований самостоятельно. Платформа Пользовательского оператора выполняет ключевую роль, чтобы помочь организациям высвободить ценные ресурсы науки о данных и поместить питание прогнозирующих моделей в руках бизнес-пользователей, сказал Хиллайон.Платформа Пользовательского оператора предоставляет среду визуальной разработки пользователям для простой операционализации собственных методов и алгоритмов с открытым исходным кодом для улучшения общих бизнес-функций.Гибкая природа Платформы Пользовательского оператора означает команды науки о данных, и бизнес-аналитики могут добавить свои собственные и алгоритмы с открытым исходным кодом, модели и код на альпийскую платформу, и сделать их доступными как визуальные элементы в потоках операций аналитики, сказал Хиллайон.
Пойдите сюда для получения дополнительной информации.