|
机器学习工具有助于企业了解客户行为趋势和企业运营模式，并支持新产品的开发。机器学习（ML）是一种人工智能（AI），它允许软件应用程序在预测结果时变得更加精确，而无需显式编程。机器学习算法使用历史数据作为输入来预测新的输出值。
Big Squid Kraken Big Squid的Kraken AutoML是一个自动机器学习平台，用于构建和部署用于业务分析的机器学习模型（包括在现有分析堆栈中），而无需编写代码。Kraken的无代码功能简化了机器学习和人工智能的采用，帮助数据分析师、数据科学家、数据工程师和商业用户在机器学习和预测分析项目上进行协作。 Spell DLOps Spell.ML为深度学习操作（DLOps）开发了一个机器学习平台，该公司表示，它超越了传统的机器学习，具有准备、培训、部署和管理机器学习和深度学习模型的整个生命周期的能力。Spell.ML表示，它的云不可知平台可以帮助降低深度学习模型开发的成本。深度学习是机器学习领域的一部分，它包含了复杂的学习模型，这些模型依赖于基于人工智能的神经网络，通常用于图像识别和自然语言处理等复杂任务。深度学习模型是计算密集型的，通常需要运行在gpu和下一代AI处理器上的高性能系统。 Iterative.ai DVC Studio 在6月份机器学习操作（MLOps）启动时，Iterative.ai推出了dvcstudio，这是一个基于数据版本控制（DVC）和连续机器学习（CML）开源项目的可视化用户界面。ai是开发这些项目的公司，DVC Studio是它的第一个商业产品。dvcstudio通过扩展Git和CI/CD（持续集成和持续交付）等传统软件工具来满足ML研究人员、ML工程师和数据科学家的需求，从而简化了ML模型开发并增强了协作。 Arrikto Enterprise Kubeflow Arrikto表示，其技术的目标是应用用于软件开发和部署的DevOps原则来管理整个机器学习生命周期中的数据，该公司称之为“将数据视为代码”。Enterprise Kubeflow是Arrikto的机器学习操作平台，该公司称之为“简化，加速并确保“通过生产的整个机器学习模型开发生命周期，使MLOps团队能够加速将机器学习模型推向市场，比传统的ML平台快30倍。EnterpriseKubeflow提供了自动化的工作流、可复制的管道、对数据的安全访问，以及从桌面到云的一致部署。 Tecton Startup-Tecton以其面向机器学习的企业特征存储技术而备受关注。该公司于2020年4月退出隐身，由创建Uber米开朗基罗机器学习平台的开发者创建。特征库是机器学习栈的一个重要组成部分。它们被用来构建并为生产机器学习系统提供数据——该公司称，这是实现机器学习最困难的部分。作为一个完全托管的云服务交付，Tecton功能商店管理机器学习功能的完整生命周期，允许ML团队构建结合批处理、流式处理和实时数据的功能。泰克顿说，它的系统协调功能转换，不断地将新数据转换成新的功能值。功能可以即时用于训练和在线推理，并监控操作指标。ML团队可以使用Tecton来搜索和发现现有的特性，从而最大限度地跨模型重用。 DotData Py Lite DotData是人工智能自动化和操作化工具的开发人员，它提供DotData Py-Lite，这是一个集装箱化人工智能自动化系统，使数据科学家能够在台式计算机上快速部署DotData系统，并执行机器学习概念验证。Py-Lite于5月份发布，是为Python数据科学家设计的，它在一个可移植的环境中提供了自动化的特性工程和自动化的机器学习。 OctoML Octomizer OctoML Octomizer加速平台被工程团队用来在任何硬件系统、云平台或边缘设备上部署机器学习模型和算法。Octomizer公司称，它可以自动优化和测试机器学习模型的性能，有助于缩小构建ML模型和将其投入生产之间的差距。Octomizer是ApacheTVM的商业版本，它是由OctoML的创始人开发的自动深度学习模型优化和编译堆栈。自2020年12月起，Octomizer就可以使用早期接入模式。 Explorium External Data Platform Explorium的外部数据平台会自动发现数千个相关的数据信号，并使用它们来提高机器学习模型的性能和它们驱动的预测分析。该平台的核心是AutoML引擎，它支持系统的自动数据发现、自动特征生成和选择以及模型构建和部署功能。 Neurothink 今年5月刚刚从隐身中脱颖而出的Neurothink提供了Neurothink机器学习平台，作为在公共云服务平台上构建模型的替代方案。该公司表示，其目标是以较低的复杂性将ML功能带给更广泛的受众，并大大提高机器学习工作流中API的安全性。基于高性能GPU和CPU服务器的Neurothink系统为构建、训练和部署机器学习模型提供了端到端的环境和工具。 Qeexo AutoML Qeexo AutoML平台专注于为边缘计算设备自动化端到端机器学习，自动构建公司所称的“tinyML”机器学习模型。Qeexo特别针对物联网和工业物联网应用，为用于异常检测、预测性维护和其他任务的嵌入式传感器开发ML模型。 |
|
|
