فِنِل به دیتابریکس پیوست تا دسترسی به یادگیری ماشین را دموکراتیزه کند

• فِنِل یک موتور محاسباتی افزایشی مدرن برای ساخت خطوط لوله مهندسی ویژگی بر روی داده‌های دسته‌ای، جریانی و بلادرنگ است.
• ادغام قابلیت‌های مهندسی ویژگی فِنِل در پلتفرم هوش داده دیتابریکس به مشتریان کمک می‌کند تا به سرعت ویژگی‌ها را تکرار کنند، مدل‌ها را با داده‌های قابل اعتماد و بلادرنگ مستقر کرده و دقت مدل را بهبود بخشند.
• فِنِل پیچیدگی و زمان مورد نیاز برای توسعه و استقرار مدل‌های یادگیری ماشین را کاهش می‌دهد: از پردازش دسته‌ای یکپارچه و جریان داده بلادرنگ پشتیبانی می‌کند، تجربه کاربری بومی پایتون آن آسان است و موتور محاسباتی افزایشی آن هزینه‌ها را پایین نگه می‌دارد.

امروز، ما هیجان‌زده هستیم که به تیم فِنِل در دیتابریکس خوشامد بگوییم. فِنِل با محاسبه مجدد داده‌هایی که تغییر کرده‌اند، کارایی و تازگی داده‌های خطوط لوله مهندسی ویژگی را برای داده‌های دسته‌ای، جریانی و بلادرنگ بهبود می‌بخشد. ادغام قابلیت‌های فِنِل در

به مشتریان کمک می‌کند تا به سرعت ویژگی‌ها را تکرار کنند، عملکرد مدل را با سیگنال‌های قابل اعتماد بهبود بخشند و مدل‌های GenAI را با زمینه شخصی‌سازی شده و بلادرنگ ارائه دهند - همه اینها بدون سربار و هزینه مدیریت زیرساخت‌های پیچیده.

مهندسی ویژگی در عصر هوش مصنوعی
مدل‌های یادگیری ماشین فقط به اندازه داده‌هایی که از آنها یاد می‌گیرند خوب هستند. به همین دلیل است که مهندسی ویژگی بسیار مهم است: ویژگی‌ها الگوهای خاص دامنه و رفتاری زیربنایی را در قالبی که مدل‌ها به راحتی می‌توانند تفسیر کنند، ثبت می‌کنند. حتی در عصر هوش مصنوعی مولد، جایی که مدل‌های زبان بزرگ قادر به کار بر روی داده‌های بدون ساختار هستند، مهندسی ویژگی برای ارائه زمینه شخصی‌سازی شده، جمع‌آوری شده و بلادرنگ به عنوان بخشی از اعلان‌ها ضروری است. با وجود اهمیت آن، مهندسی ویژگی از نظر تاریخی دشوار و پرهزینه بوده است، زیرا نیاز به حفظ خطوط لوله ETL پیچیده برای محاسبه ویژگی‌های تازه و به درستی تبدیل شده است. بسیاری از سازمان‌ها برای مدیریت منابع داده دسته‌ای و بلادرنگ و اطمینان از سازگاری بین محیط‌های آموزشی و خدماتی تلاش می‌کنند - ناگفته نماند که این کار را در حالی انجام می‌دهند که کیفیت را بالا و هزینه‌ها را پایین نگه می‌دارند.

فِنِل + دیتابریکس
فِنِل این چالش‌ها را برطرف می‌کند و مهندسی ویژگی را با ارائه یک پلتفرم کاملاً مدیریت شده برای ایجاد و مدیریت کارآمد ویژگی‌ها و خطوط لوله ویژگی ساده می‌کند. از پردازش داده دسته‌ای و بلادرنگ یکپارچه پشتیبانی می‌کند و از تازگی ویژگی اطمینان حاصل می‌کند و انحراف آموزش-خدمات را از بین می‌برد. با تجربه کاربری بومی پایتون، نوشتن ویژگی‌های پیچیده برای دانشمندان داده‌ای که نیازی به یادگیری زبان‌های جدید یا تکیه بر تیم‌های مهندسی داده برای ساخت خطوط لوله داده پیچیده ندارند، سریع، آسان و در دسترس است. موتور محاسبات افزایشی آن با اجتناب از کار اضافی، هزینه‌ها را بهینه می‌کند و بهترین ابزارهای حاکمیت داده در کلاس به حفظ کیفیت داده کمک می‌کنند. فِنِل با رسیدگی به تمام جنبه‌های مدیریت خط لوله ویژگی، به کاهش پیچیدگی و زمان مورد نیاز برای توسعه و استقرار مدل‌های یادگیری ماشین کمک می‌کند و به دانشمندان داده کمک می‌کند تا به جای مدیریت زیرساخت و ابزارهای پیچیده، بر ایجاد ویژگی‌های بهتر برای بهبود عملکرد مدل تمرکز کنند.

تیم ورودی فِنِل تجربه فراوانی در مهندسی ویژگی مدرن برای برنامه‌های یادگیری ماشین دارد و تیم بنیانگذار تلاش‌های زیرساخت هوش مصنوعی را در متا و گوگل برین رهبری کرده‌اند. فِنِل از زمان تأسیس خود در سال 2022، در اجرای دیدگاه خود برای آسان کردن مهار یادگیری ماشین بلادرنگ برای شرکت‌ها و تیم‌های در هر اندازه برای ساخت محصولات لذت‌بخش موفق بوده است. مشتریانی مانند Upwork، Cricut و دیگران برای ساخت ویژگی‌های یادگیری ماشین برای انواع موارد استفاده از جمله تصمیم‌گیری در مورد ریسک اعتباری، تشخیص تقلب، اعتماد و ایمنی، رتبه‌بندی شخصی‌سازی شده و توصیه‌های بازار به فِنِل تکیه می‌کنند.

تیم فِنِل به سازمان مهندسی دیتابریکس می‌پیوندد تا اطمینان حاصل کند که همه مشتریان می‌توانند به مزایای مهندسی ویژگی بلادرنگ در پلتفرم هوش داده دیتابریکس دسترسی داشته باشند. برای اطلاعات بیشتر در مورد ادغام با ما همراه باشید و فِنِل را در عمل در اجلاس داده + هوش مصنوعی 9 تا 12 ژوئن در سانفرانسیسکو ببینید!