Полиматика объявляет о релизе модуля машинного обучения Polymatica ML
Первая версия Polymatica ML, модуля интеллектуального анализа данных, использующего методы машинного обучения, позволяет пройти весь цикл создания и применения моделей: провести предварительный анализ данных для выявления наиболее значимых показателей для построения будущих моделей; построить несколько моделей с помощью простого конструктора, сравнить их качество и определить модель-чемпион. На следующем этапе пользователь выбирает способ применения модели на основном массиве данных – их несколько в зависимости от решаемой задачи. Для эффективной промышленной эксплуатации есть встроенный механизм мониторинга модели, так как со временем её точность снижается и требуется корректировка.
ПЕРЕЧЕНЬ ФУНКЦИЙ POLYMATICA ML 1.0
Исследование данных:
- Формирование и визуализация выборки из реляционных БД.
- Оценка характеристик выборки по основным статистическим критериям.
- Отбор и преобразование признаков.
Построение моделей:
- Создание и настройка моделей машинного обучения в графическом интерфейсе.
- Тестирование и оценка качества моделей.
- Настройка гиперпараметров моделей.
- Интерпретация моделей.
- Подключение библиотек Python с алгоритмами машинного обучения.
Управление моделями:
- Централизованный репозиторий моделей.
- Поддержка жизненного цикла моделей.
- Экспорт / импорт моделей.
- Публикация моделей: реляционные БД, сервис (REST API), Polymatica Analytics.
- Сравнение моделей из репозитория и выбор лучшей модели.
«Приступая к разработке модуля, мы выбрали две цели: демократизация машинного обучения и создание первой в России платформы управления жизненным циклом моделей машинного обучения», – комментирует Константин Малашенко, директор по продукту Polymatica ML компании «Полиматика». – «В сжатые сроки мы смогли собрать первоклассную команду с опытом работы в международных компаниях и создать продукт, представляющий из себя конструктор, позволяющий из готовых компонентов собирать модели машинного обучения, что в разы сокращает время от формулировки гипотезы до ее проверки. При этом мы вышли за рамки только создания моделей, нацеливаясь на нишу ModelOps или управления моделями машинного обучения уровне предприятия. Это позволяет хранить все модели в едином репозитории, системно следить за качеством их работы и переиспользовать существующие алгоритмы в новых моделях. В первой версии данный функционал уже доступен, и мы планируем активно развивать его в ближайшей перспективе».
Практическое внедрение Polymatica ML уже набирает обороты: в настоящий момент модуль задействован в нескольких пилотных проектах в разных отраслях: прогнозирование отклика на рекламные кампании для ритейла, предсказание поломок труб теплоснабжения для энергетики, контроль состояния здоровья на вредных производствах.
