Компании любого размера и из всех отраслей разрабатывают способы использовать возможности больших данных для более эффективного принятия решений. Чтобы предоставить ценную информацию и оправдать ожидания, группы по анализу данных уже давно обратились к прогнозной аналитике - или использованию исторических данных для моделирования проблемы и выявления ключевых факторов, которые привели к конкретным результатам в прошлом, чтобы делать прогнозы на будущее. Прогнозная аналитика существует уже много лет; однако до машинного обучения эту технологию было нелегко внедрить или масштабировать в режиме реального времени.
Машинное обучение модернизирует предиктивную аналитику, предоставляя специалистам по обработке данных возможность дополнить свои усилия более подробной информацией в реальном времени. А благодаря возможностям гибридной облачной инфраструктуры теперь можно быстро и эффективно встраивать и масштабировать прогнозную аналитику практически в любое бизнес-приложение.
Возможность обрабатывать большие объемы данных в режиме реального времени приводит к более точным прогнозам и, следовательно, к лучшим бизнес-решениям. Однако модернизация прогнозной аналитики сопряжена с проблемами. Вот несколько способов, которыми компании могут модернизировать развертывание своих устаревших моделей прогнозирования, а также плюсы и минусы этих популярных подходов.
Перестраивать модели на новом фреймворке
Организации могут реализовать современные модели прогнозирования, взяв существующие наборы данных для обучения и проверки и перестроив их в рамках новейших технологий. Например, компании могут перестроить свои прогнозные модели, используя аналогичный алгоритм (например, используя H2O.ai или scikit-learn), и сравнить его с результатами унаследованной модели.
- Плюсы
Основные преимущества простого восстановления прогнозных моделей в новой структуре заключаются в том, что организации могут повторно использовать существующие наборы данных, код и ранее успешные алгоритмы. Перестроение модели в новой структуре - относительно простой процесс, который позволяет компаниям понять полный жизненный цикл моделирования в том виде, в каком он реализован, без особых дополнительных усилий.
- Минусы
Одним из недостатков перестройки моделей прогнозной аналитики в новой структуре является то, что трудно сразу узнать, превзойдет ли новая модель унаследованную модель после запуска в производство. Модернизация прогнозно-аналитических моделей с помощью новой структуры - хорошая возможность использовать больше данных для управления моделями. Однако, если компании просто повторно используют одни и те же наборы данных для обучения и проверки, они могут упустить возможность обновить свои наборы данных новыми источниками данных, функциями, алгоритмами, среди прочего.
Восстановление моделей прогнозной аналитики на новой платформе - это также лишь первый шаг. Следующим шагом является перенос моделей в производственную среду и их развертывание, что может оказаться трудоемким и сложным процессом в зависимости от используемой структуры и производственной платформы. В целом рентабельность инвестиций при развертывании старой модели на новой платформе может быть низкой.
Развертывать модели в облачной среде
Собственная частная среда необходима, когда есть части данных и инфраструктуры организации, которые должны оставаться за корпоративным брандмауэром из-за правил конфиденциальности данных, отраслевых стандартов и т. Д. Однако многие предприятия переходят на облачную среду или гибридная облачная среда для развертывания прогнозных моделей. У этого подхода есть свои плюсы и минусы.
- Плюсы
Индустрия больших данных объединяется вокруг трех поставщиков общедоступных облаков - Google Cloud Platform, Microsoft Azure и Amazon Web Services. В результате предприятия переходят на эти службы для большей гибкости при выборе и настройке своих сред и более быстром развертывании прогнозных моделей и приложений. Перенос существующих моделей в облачную среду имеет множество преимуществ, в том числе возможность ускорить тестирование на установленной платформе и более полные инструменты администрирования.
- Минусы
Одна из проблем перехода к облачной среде заключается в том, что многие устаревшие поставщики прогнозной аналитики еще не воспользовались преимуществами облачной среды, что затрудняет внедрение новых алгоритмов, фреймворков и приложений в эту новую среду для групп специалистов по анализу данных. Компаниям также необходимо будет решить вопросы о том, где будут размещаться данные и кто будет отслеживать модели и приложения, когда все будет перенесено в стороннюю облачную среду.
Публичные облачные среды становятся предпочтительной аналитической платформой в самых разных отраслях; однако важно учитывать рентабельность инвестиций и реальные бизнес-задачи и преимущества развертывания существующих моделей в другой среде, прежде чем вносить какие-либо изменения.
Развертывание моделей с помощью Quickpath
Внедрение прогнозных моделей в производственную среду является ключевой задачей для многих компаний. Модели необходимо внедрять в существующие системы и выполнять эффективно и с минимальными затратами, не прерывая бизнес-деятельность. бесшовно работает с существующими инфраструктурами аналитики данных, поэтому компании могут максимально использовать свои данные и аналитические инструменты по своему выбору независимо от того, где они живут.
Модернизация прогнозной аналитики обычно включает в себя миграцию локальных систем на облачные платформы, объединение исторически разрозненных источников данных, переход от пакетного к поступлению данных в режиме реального времени или потоковой передачи данных, а также настройку уровня виртуализации данных для единого источника достоверной информации для отчетности и моделирования. в целях развития.
С Quickpath группы специалистов по обработке и анализу данных могут перейти от устаревших систем аналитики к развертыванию на современной, эффективной и масштабируемой платформе. Унаследованные модели можно экспортировать на платформу Quickpath без необходимости их перестраивания. Их можно запускать в новой инфраструктуре и даже параллельно с современными моделями машинного обучения для тестирования чемпионов и претендентов, ансамблевых моделей или принятия любых решений на основе искусственного интеллекта. По сути, компании получают лучшее из двух предыдущих подходов к модернизации, поскольку им не нужно перестраивать устаревшие модели или перемещать все операционные данные в новую среду. Quickpath объединяет эти среды, предоставляя эти возможности и используя новейшие решения для обработки данных в современной науке о данных. Компании могут провести модернизацию в установленные сроки и сосредоточиться на усилиях, обеспечивающих максимальную рентабельность инвестиций.
Платформа Quickpath обладает четырьмя ключевыми возможностями, необходимыми для внедрения ИИ и прогнозных моделей в производство, в том числе:
Универсальное управление моделями - центральное хранилище всех моделей и решений. Компании могут отслеживать каждую модель, результат и данные, используемые для принятия решения, а также получать доступ к отчетам и аналитике, а также к упреждающему обнаружению отклонений и аномалий.
Решения в режиме реального времени. Развертывайте модели, данные и правила в режиме реального времени, чтобы давать рекомендации, которые приносят наибольшую пользу для бизнеса.
Возможности интеграции - интеграция людей, процессов и технологий, поддерживающих прогнозную аналитику, а также открытая архитектура для подключения и интеграции с соответствующими системами.
Эластичная среда выполнения - настраивайте и масштабируйте эластичные среды выполнения для работы в любом месте.
Рынок аналитики больших данных кардинально меняется. Фактически, ожидается, что рынок будет расти со среднегодовым темпом роста (CAGR) 29,7% и достигнет 40,6 млрд долларов США к 2023 году. Модернизация прогнозной аналитики означает, что организации, наконец, выходят из стадии экспериментов, и не только принимать более быстрые и разумные решения, но при этом получать реальную выгоду для бизнеса от их развертываний.
Первоначально опубликовано на https://www.quickpath.com 5 июня 2019 г.
