Gépi tanulás egyszerűen

A Forrester Research szerint "a vállalatok 98%-ának kihívást jelent, hogy betekintést nyerjenek az általuk gyűjtött adatokból; ez elsősorban a belső szakértelem hiánya miatt van így. "¹ Bár az Ön szervezete ma még képes lehet megőrizni versenyelőnyét ezen betekintések nélkül is, a digitális átalakulás irányába mutató változások üteme hamarosan hatással lehet az Ön vállalkozására.

Ezért a szervezetek mindenhol az adatok felhasználására - és a mesterséges intelligencia (AI) és a gépi tanulás (ML) beépítésére - összpontosítanak, hogy javítsák üzleti tevékenységüket. Az ML segítségével javíthatja és automatizálhatja az üzleti műveleteket, megjósolhatja az eseményeket és viselkedéseket, és proaktívan végrehajthatja az ezeken az előrejelzéseken alapuló preskriptív programozási műveleteket.

Például az ML és a prediktív analitika segítségével a szervezet azonosíthatja és megcélozhatja az új vásárlókat, vagy a fogyasztói viselkedés és preferenciák jobb megértése révén meghatározhatja az értékesítés legjobb időpontjait. Ha Ön egészségügyi szolgáltató, szervezete elemezheti a kódolt diagnózisokat, valamint a beteg felvételi, átszállítási és elbocsátási adatait, hogy csökkentse az újbóli felvételek arányát. Egyszerűen fogalmazva, az ML időt és erőforrásokat takaríthat meg, javíthatja az előrejelzést, és lehetővé teszi, hogy jobb döntéseket hozzon és jobb eredményeket érjen el.Ez remekül hangzik, de van egy hátránya: az ML-modellek fejlesztése nehéz, és ritka - és drága - szakértelmet igényel.Szerencsére az iparági szakértők új eszközök, köztük az AutoML és az IntegratedML® kifejlesztésével igyekeznek megkönnyíteni az ML használatát.

Ha elolvassa ezt a technológiai összefoglalót, megtudhatja:

• Miért kritikus az ML az Ön vállalkozásának sikere szempontjából
• Hogyan teszi a tehetséghiány kihívássá a szervezetek számára az ML kihasználását?
• Mi az AutoML, és hogyan segít megnyerni az AI tehetségek háborúját?
• Mi az InterSystems IntegratedML® és hogyan tervezték:
  
  • Adjon lehetőséget meglévő szoftverfejlesztőinek ML-modellek és ML-alapú alkalmazások fejlesztésére.
  • Növelje a képzett adattudósok termelékenységét.
  • A működési és elemzési folyamatok racionalizálása az ügyfélélmény, a működési hatékonyság és a termelékenység javítása érdekében.
  • Javítsa az előrejelzések pontosságát, hozzon létre jobb üzleti eredményeket, és tegye lehetővé, hogy megkülönböztesse magát versenytársaitól.

Ez a technológiai összefoglaló megfelelő olvasmány az üzletági vezetők, menedzserek és informatikai szakemberek számára, akár az ML-csapat termelékenységét szeretné növelni, akár csak most kezdi el használni az ML-t anélkül, hogy ML-szakértőket kellene felvennie.

A technológiai összefoglaló letöltése

A mesterséges intelligencia egyik alkalmazásaként az ML arra képez ki egy gépet, hogy tapasztalatból és következtetésekből tanuljon az adatokról. Folyamatosan javítja az eredményeket anélkül, hogy kifejezetten erre programoznák.

Az ML az adatok széles körét képes elemezni és modelleket létrehozni, amelyeket az elemzési és működési követelmények széles skálájának kielégítésére használnak. Offline, az ML modellek segíthetnek az üzleti felhasználóknak megérteni az ügyfelek viselkedését vagy a folyamatok hatékonyságával kapcsolatos problémákat, hogy csak néhány alkalmazást említsünk. Az ML online vagy az üzlet működési folyamatában történő alkalmazásakor az ML láthatóan jobb eredményeket hozhat - legyen szó akár arról, hogy böngészés közben ajánlja az ügyfélnek az általa preferált terméket vagy szolgáltatást, akár arról, hogy az értékesítés előtt proaktívan figyelmezteti Önt, ha nagy a kockázata annak, hogy a szállító nem tud teljesíteni, vagy hogy a jóváhagyás előtt meghatározza, hogy egy tranzakció csalárd lehet-e vagy sem. A szervezet minden részlegének műveletei profitálhatnak az ML előnyeiből, beleértve az értékesítést és a marketinget, a kutatást és fejlesztést, a jogi, humán erőforrás, ügyfélszolgálat, termékfejlesztés, sőt még a pénzügyeket is. Tény, hogy az ML szinte minden iparágban értéket képvisel, és azt ígéri, hogy mindenütt jelen lesz, ahogy egyre több szervezet alkalmazza.

Az ML-t már most is tapasztalhatjuk a mindennapi életünkben: a virtuális személyi asszisztensektől, mint az Amazon Alexa és az Apple Siri, a spamszűrőkön és a rosszindulatú programok felderítésén át a Facebook új barátokat és új csoportokat ajánló módszeréig, az online ügyfélszolgálatot biztosító chatbotokig és az önmagukat vezető intelligens autókig.

A gépi tanulás számos előnnyel jár, de felmerül a kérdés: miért nem használja több vállalat? Az egyik fő ok: az ML nehezen használható, és magas szintű szakértelmet igényel.

Az ML olyan szakértőket igényel, akik értik az elméletet, a technológiát, a módszereket és az eszközöket. Manapság ezek a szakemberek kevesen vannak, és nagy a kereslet irántuk. Az Egyesült Államok Munkaügyi Statisztikai Hivatalának legfrissebb adatai szerint az Egyesült Államokban összesen kevesebb mint 32 000 adattudós dolgozik.² Az AI-szakértők és adattudósok hiányát súlyosbítja, hogy a rendelkezésre álló tehetségek nagy részét olyan digitális óriások veszik fel, mint az Amazon, a Facebook, a Google és a Microsoft, akik szédítően magas fizetéseket fizetnek. Ez megnehezíti a szervezetek számára, hogy versenyezzenek ezekért az amúgy is szűkös erőforrásokért.

Az automatizált gépi tanulás (AutoML) egy új technológia, amely a jelenlegi ML-tehetségük hatókörét bővíteni kívánó szervezetek számára, illetve azok számára, akik még csak most kezdik az ML-utat.

Az AutoML egy viszonylag új megközelítés az adattudományban - automatizálja és egyszerűsíti az ML modellek létrehozását. A funkciótervezést végzi, automatizálva a nyers adatoknak az ML-modellek számára megfelelő formátumokba történő átalakítását. Automatizálja a modell kiválasztását, a képzést és az eredmények elemzését - és különböző ML-algoritmusokat tesztel különböző paraméterekkel, hogy a legpontosabb modellt hozza létre az adott problémára. Az adattudósokból álló csapattal rendelkező szervezetek számára ez automatizálja az ML-modellek létrehozásához használt kézi és próba-hiba folyamatok nagy részét, és jelentősen javítja az adattudósok termelékenységét, időt és erőfeszítést takarít meg.

Ha még nincsenek ML-szakértők a személyzetben, a feature engineering elvégzése, valamint a modellek létrehozása és képzése kihívást jelenthet. De most, az AutoML segítségével a szervezetnek nem feltétlenül van szüksége adattudósokra ahhoz, hogy hasznos ML-modelleket hozzon létre. Ehelyett egyszerű használati esetekkel és AutoML-lel kezdhet, miközben egyidejűleg képezheti a fejlesztőit, hogy többet vállaljanak az elemzési és ML-fejlesztési folyamatból.

Sok AutoML-eszköz azonban manapság korlátozott. Bár képesek ML modelleket létrehozni, nem nyújtanak semmilyen funkciót a modellek valós idejű üzleti folyamatokon belüli futtatására. Ez az egyik fontos szempont, amiben az InterSystems IntegratedML különbözik.

Az InterSystems IntegratedML az InterSystems IRIS® adatplatform, egy teljes adatkezelési szoftverkörnyezet beágyazott funkciója. Az IntegratedML a hagyományos AutoML összes funkcióját és előnyét biztosítja. Mivel azonban az InterSystems IRIS-be van beágyazva, olyan kifinomult alkalmazásokat fejleszthet és telepíthet, amelyek ezeket a modelleket zökkenőmentesen, dinamikusan futtatják a valós idejű eseményekre és tranzakciókra reagálva, anélkül, hogy bármilyen modellt vagy adatot kivonnának vagy mozgatnának.

Vegyünk például egy hitelkártyákat kibocsátó bankot, amelynek minden egyes tranzakció jóváhagyása előtt azonosítania kell a csalás kockázatát. Az InterSystems IRIS segítségével kifejlesztett, valós idejű, nagy teljesítményű hitelkártya-alkalmazást hajt végre, amely az összes ügyfél és hitelkártya-tranzakció összes demográfiai és pénzügyi adatát tárolja. Ez az alkalmazás több száz adatelemet tartalmazhat minden egyes hitelkártya-tranzakcióra vonatkozóan - beleértve azt is, hogy az egyes tranzakciók csalárdak vagy érvényesek voltak-e.

Az IntegratedML használatával a bank meglévő alkalmazásfejlesztői automatikusan létrehozhatnak egy ML-modellt a nagy kockázatú tranzakciók azonosítására a múltbeli tranzakciók alapján, egyszerűen kiválasztva a kívánt mezőt (pl. "is_fraudulent"), és hagyva, hogy az IntegratedML létrehozza a legmegfelelőbb modellt és paramétereket.

A hagyományos AutoML-től eltérően azonban az InterSystems IntegratedML-alapú modellje zökkenőmentesen beépíthető a hitelkártya-alkalmazásba, hogy valós időben fusson le minden beérkező tranzakcióval, és az alkalmazás meg tudja tenni a megfelelő programozási műveleteket, ha a modell úgy dönt
, hogy nagy a csalás kockázata, például megakadályozza a tranzakciót és felhívja és SMS-ben értesíti a kártya tulajdonosát.

Az IntegratedML megkönnyíti a modellek naprakészen tartását is, mivel az alkalmazások a termelésben futnak és új adatok keletkeznek. A hitelkártyacsalások esetében, mivel az alkalmazás felismeri és megakadályozza a csalás egyik módját, a bűnözők minden bizonnyal új technikákat fognak alkalmazni. Mivel az összes adat, beleértve a legfrissebb adatokat is, az adatplatformon belül tárolódik, nincs szükség kézi kivonatok létrehozására és az adatok különböző környezetekbe történő áthelyezésére. Ehelyett a bank a legfrissebb adatok felhasználásával folyamatosan finomíthatja a modelleket, hogy késedelem nélkül felismerje és megelőzze az új támadási mintákat.

Az InterSystems IRIS és az IntegratedML segítségével olyan alkalmazásokat fejleszthet, amelyek valós idejű eseményekre reagálva intelligens, preskriptív programozási műveleteket hajtanak végre, és kritikus versenyelőnyökre és üzleti előnyökre tehetnek szert. Segíthet abban, hogy elsőként jelenjen meg egy új termékkel vagy szolgáltatással a piacon, elsőként lépjen fel egy új kezdeményezéssel, és elsőként reagáljon az ügyfelek viselkedésében bekövetkezett változásra.

Az IntegratedML segítségével egy fejlesztő - kevés vagy semmilyen ML-ismerettel - SQL segítségével kifinomult ML-modelleket fejleszthet.

Ez nem azt jelenti, hogy soha ne alkalmazzon adattudósokat. Ha az Ön szervezete egy nagyvállalat egy adattudósokból álló csapattal, az IntegratedML jelentős időt takaríthat meg az adatmérnököknek és az adattudósoknak. A Kaggle ML and Data Science3 által végzett 2018-as felmérés3 például megá^llapította, hogy az adattudósok idejük közel 40%-át az adatok gyűjtésével és tisztításával töltik4 ⁽lásd az alábbi 1. ábrát). Az IntegratedML használatával az adatelőkészítés és a funkciótervezés felszabadíthatja az adattudósokat, hogy fontosabb, nagyobb értékű feladatokra, például a modellek optimalizálására összpontosíthassanak.

Az ML-rel most kezdődő szervezetek számára az InterSystems IntegratedML lehetővé teszi, hogy az üzleti alkalmazásokat fejlesztő és az adatokat ismerő szoftverfejlesztők és elemzők önállóan fedezzék fel az ML-t. Az IntegratedML automatizálja az alapvető munkát, például a legmegfelelőbb modellek azonosítását, a paraméterek beállítását, valamint a modellek felépítését és betanítását. Emellett felgyorsítja az ML-modellek termelési alkalmazásokba történő integrálásának folyamatát. Ahogy a fejlesztők egyre kifinomultabbá válnak, és kezdik megérteni a folyamatot és az eredményeket, elkezdhetik módosítani az opcionális paramétereket, és maguk állíthatják be az értékeket. Az adattudósok is produktívabbak lehetnek az IntegratedML segítségével, mivel az adatok és a funkciók tervezése és kiválasztása helyett a tényleges modelloptimalizálásra fordíthatják idejüket.

Az IntegratedML segítségével a modellképzés, beleértve a megfelelő bemeneti jellemzők azonosítását a forrásadatokból, a modell paramétereinek beállítását és a végrehajtást, mindössze néhány SQL-parancs segítségével valósul meg.

CREATE MODEL WillSurvive PREDICTING (Survived) FROM TitanicA CRE

ATE MODEL parancs beállítja a gépi tanulás modell metaadatait. A fejlesztők megadják a modell nevét (WillSurvive), a megjósolandó célmezőt (Survived), valamint egy adathalmazt, amelyből a célmezőt és a modell összes bemeneti mezőjét (Titanic) kell kinyerni. A FROM szintaxis teljesen általános, és bármilyen alkérdéskifejezést megadhat. Az ehhez az adathalmazhoz kapcsolódó metaadatokból következtetni lehet a cél- és bemeneti mezők adattípusaira is, így teljes mértékben meghatározva a modell által megoldandó problémát.

TRAIN MODEL WillSurvive FROM TitanicA

TRAIN MODEL parancs megadja a képzéshez használandó adatokat, és végrehajtja az AutoML motort, amely bemenetként egy relációs adathalmazt vesz fel. Mivel a FROM szintaxis általános, ugyanaz a modell többször is betanítható különböző adathalmazokkal. Például egy marketingkampány-modellt különböző ügyfélszegmenseken szeretne betanítani, vagy rendszeresen újra betanítani a modellt, amint új képzési adatok állnak rendelkezésre.

Az AutoML motor automatikusan elvégzi az összes szükséges gépi tanulási feladatot. A kiválasztott adatokból azonosítja a releváns jelölt jellemzőket, az adatok és a probléma meghatározása alapján figyelembe veszi az alkalmazható modelltípusokat, és a hiperparamétereket úgy hangolja, hogy egy vagy több futtatható modellt kapjon.

A fejlesztők különböző AutoML motorok közül választhatnak, beleértve az InterSystems AutoML, a H2O és a DataRobot Enterprise AI Platformot. Az AutoML motor minden opciója zökkenőmentesen integrálódik az InterSystems IRIS-be, és a fejlesztők számára átlátható.

SELECT PREDICT(WillSurvive) As Predicted FROM Titanic
SELECT PROBABILITY(WillSurvive FOR 1) FROM TitanicAmikor

a modell betanult, az eredményeket két skalárfüggvény, a PREDICT() és a PROBABILITY() egyikével adja meg. A PREDICT() a megadott oszlopnak a betanított modell által meghatározott legvalószínűbb vagy becsült értékét adja vissza. Kategorizálási problémák esetén a PROBABILITY() a betanított modell kiszámított valószínűségét adja vissza arra vonatkozóan, hogy a modell célmezője megegyezik a felhasználó által meghatározott értékkel. Ezek az egyszerű skalárfüggvények a lekérdezésben bárhol és más mezőkkel és függvényekkel bármilyen kombinációban használhatók. Az IntegratedML egyik legfontosabb újítása, hogy átláthatóan gondoskodik az adott lekérdezési kontextusban rendelkezésre álló mezők leképezéséről a modell végrehajtásához szükséges bemeneti mezőkre.

Az IntegratedML további rugalmasságot biztosít a fejlesztők számára, például a modell létrehozásához vagy betanításához használt adott táblán vagy lekérdezésen kívüli más adatforrásokra való leképezéshez, ahogyan azt a következő példa szemlélteti.

SELECT Name, PREDICT(WillSurvive WITH Sex = Geschlecht, Age = DATEDIFF(year, NOW(), Geburtsdatum), Fare = TicketPreise, Cabin = Kabine) FROM HindenburgMíg

a legtöbb AutoML megoldás önálló környezetben működik, laza, alacsony átviteli teljesítményű kapcsolódással a külső adatplatformokhoz és alkalmazásokhoz, az IntegratedML más. A rendszer zökkenőmentesen működik az InterSystems IRIS adatplatformon belül, hogy felgyorsítsa és egyszerűsítse az ML modellek képzését és végrehajtását, és lehetővé teszi az ML modellek zökkenőmentes integrálását az InterSystems IRIS alkalmazásokba az adatok vagy modellek mozgatása nélkül. Az ML-modellek operacionalizálása az ML üzleti alkalmazásokban való gyors alkalmazásának egyik legnagyobb akadálya.

Az InterSystems technológiája világszerte 150 000 telepítést támogat a legkülönbözőbb iparágakban. AzInterSystems IRIS Data Platform egy teljes körű adatkezelési szoftverplatform, amely kifejezetten a valós idejű, adatvezérelt alkalmazások fejlesztésének felgyorsítására és egyszerűsítésére készült. Az InterSystems IRIS lehetővé teszi a fejlesztők számára, hogy kifinomult analitikát - beleértve az üzleti intelligenciát, az AI-t, az ML-t, a természetes nyelvi feldolgozást és a prediktív analitikát - építsenek be a valós idejű, kritikus üzleti folyamatokba. A beágyazott, nagy teljesítményű tranzakciós-analitikus adatbázis-motor egyidejűleg támogatja az operatív és analitikus munkaterhelést nagyon nagy méretben.

Az InterSystems IRIS a beágyazott ML fejlesztési és futásidejű képességein túlmenően a következőket is lehetővé teszi:

Adat- és alkalmazásintegráció - Az InterSystems IRIS teljes körű integrációs és interoperabilitási képességeket biztosít az adatok tisztításához, átalakításához és normalizálásához, valamint a kifinomult integrációk támogatásához. A csomagolt alkalmazások, adatbázisok, iparági szabványok, protokollok és technológiák széles skálájához biztosít készleten kívüli csatlakoztathatóságot és adattranszformációkat, hogy megkönnyítse az adatok integrálását és elemzését, valamint a prediktív és leíró modellek létrehozását.

Ezen túlmenően analitikus feldolgozást, például SQL-lekérdezéseket, prediktív elemzést, ML-t és természetes nyelvi feldolgozást (NLP) ágyazhat be olyan összetett üzleti folyamatokba, amelyek összekapcsolják a különböző adatforrásokat és alkalmazásokat. Ezek az összetett folyamatok racionalizálhatják a műveleteket, riasztásokat indíthatnak, és mindezt az alkalmazás teljesítményének befolyásolása nélkül tehetik.

Skálázhatóság - Az InterSystems IRIS vertikálisan és horizontálisan skálázható, és rendkívül erőforrás-hatékony, így ideális olyan alkalmazásokhoz, amelyek nagyon nagy volumenű adatbevitelt, magas szintű analitikai munkaterhelést, sok egyidejű üzleti folyamatot támogatnak, és képesek nagyon nagy adathalmazok költséghatékony feldolgozására, tárolására és elemzésére.

Jelentés és nyomon követhetőség - Minden adat (beleértve a folyamatban lévő adatokat, metaadatokat és a hosszú ideig futó aszinkron tranzakciókhoz kapcsolódó adatokat) automatikusan tárolódik a beépített adatbázisban, és elérhető a valós idejű jelentés és elemzés számára. Az integrációk és folyamatok viselkedésének vizuális nyomonkövetési lehetőségei megkönnyítik az integrációk és folyamatok viselkedésének vizuális megjelenítését és diagnosztizálását.

Grafikus fejlesztés - A grafikus, alacsony kódú eszközök lehetővé teszik a fejlesztők számára, hogy vizuálisan ábrázolják a folyamatokat, átalakításokat, szabályokat és munkafolyamatokat, így a kódolás helyett a rendszerek közötti logikai kölcsönhatásokra összpontosíthatnak. A grafikus modellek ösztönzik az üzletágak és az IT közötti együttműködést, lehetővé téve a szervezet számára, hogy gyorsabban fejlesszen ki új megoldásokat vagy módosítsa a meglévő alkalmazásokat.

Telepítés - Az InterSystems IRIS a telepítési lehetőségek széles skáláját támogatja, beleértve az összes főbb nyilvános felhőt, magánfelhőt, helybeni és hibrid telepítési lehetőségeket.

Akár valós idejű, személyre szabott élményekkel szeretné elkápráztatni ügyfeleit, akár a betegek klinikai eredményeit szeretné javítani, akár a karbantartási igényeket a hibák előtt proaktívan előre jelezni, vagy a csalásokat valós időben felderíteni és megelőzni, az InterSystems IRIS és az IntegratedML segíthet Önnek elérni ezeket és még többet.

További információ az InterSystems IRIS-ről

A gépi tanulás a jövő hulláma, és minden olyan szervezetnek, amely versenyképes akar lenni, el kell kezdenie használni. Sajnos az adattudósok kevésnek számítanak, és fizetéseik az egekbe szöknek, ami kihívást jelent a nagy szervezetek számára, hogy kiterjesszék ML lábnyomukat és a kis szervezetek számára, hogy elkezdjék az ML-t. Bár az olyan innovációk, mint az AutoML segítenek, az AutoML önmagában nem elegendő.

Az InterSystems IntegratedML kifinomult AutoML képességeket biztosít, amelyeket egy intuitív SQL-felületen keresztül tesznek közzé, és teljes mértékben integrálódnak egy átfogó adatplatformba. Az IntegratedML megkönnyíti az ML-modellek valós idejű, kritikus alkalmazásokban történő telepítését anélkül, hogy az adatokat vagy a modelleket mozgatni kellene, és hogy adattudósokból álló személyzetre lenne szükség. Az InterSystems IRIS és az IntegratedML együttesen lehetővé teszi, hogy a javítás virtuóz ciklusát hozza létre, és a legfrissebb termelési adatokra reagálva késedelem nélkül folyamatosan finomítsa az ML-modelleket.

Ha van egy adattudósokból álló csapata, az IntegratedML javítja csapata termelékenységét.

Ha még csak most kezdi meg a mesterséges intelligencia útját, az IntegratedML segítségével már most elkezdheti az ML-t, anélkül, hogy drága ML-szakértőket kellene felvennie.

Az IntegratedML mindkét esetben segíthet Önnek:

• Az ML modellek létrehozásának felgyorsítása és egyszerűsítése
• Intelligens programozási műveletek végrehajtása valós időben
• A folyamatok racionalizálása az ügyfélélmény, a működési hatékonyság és a termelékenység javítása érdekében
• Javítsa az előrejelzések pontosságát, gyorsítsa fel a jobb üzleti eredményeket, és előzze meg a versenytársakat
• Fejlesszen gyorsabban és egyszerűbben, kevesebb erőforrással okosabb alkalmazásokat
• Nyerje meg az AI tehetségek háborúját

További információk az InterSystems IRIS-ről

---

^{1 - Forrester Opportunity Snapshot. (2019) Az adatok megismerése a differenciált ügyfélélmény kulcsa: az egységes adatelemzési platform lehetővé teszi az időben és kontextusban relevánsCX2-https://www.bls.gov/ooh/computer-and-information-technology/computer-and-information-research-scientists}.htm3 -^{https://www.kaggle.com/headsortails/what-we-do-in-the-kernels-a-kaggle-survey-sto}ry4- https://businessoverbroadway.com/2019/02/19/how-do-data-professionals-spend-their-time-ondata-science-projects/