27.10.2023  Экспертиза, Искусственный интеллект

Данные с низкой задержкой полезны для выбора и обновления характеристик и весов модели для получения более точных результатов, рассказал порталу The New Stack Гюль Эге, старший директор SAS по продвинутой аналитике. Некоторые из наиболее сложных методов анализа данных в реальном времени предполагают обучение продвинутых моделей машинного обучения, развернутых в производстве. При таком подходе весовые коэффициенты и характеристики моделей постоянно обновляются с учетом самых последних данных. Соответственно, результаты работы моделей становятся более точными, конкретными и точными для узкоспециализированных сегментов любого конкретного сценария использования. Платформы потоковых данных и движки потоковых данных идеально подходят для такой формы анализа данных в реальном времени, поскольку они предоставляют текущие данные, необходимые для адаптации реакций модели с малой задержкой. Эти данные используются в процессе выбора характеристик, что позволяет моделям адаптироваться к огромному количеству обстоятельств, влияющих на их результаты. По словам Гюля Эге, «очень важно, чтобы данные о продукте и пользователе, их характеристиках и выборе обновлялись, а модель обновлялась по мере их изменения». Поддерживаемые сценарии использования охватывают все сферы — от мониторинга компьютерного зрения до онлайновых рекомендательных систем, страховых технологий, электронной коммерции и т. д. При таком широком разнообразии приложений возможность одновременного обучения и развертывания ... читать далее.