গার্টনার এমকিউ 2020 পর্যালোচনা: মেশিন লার্নিং এবং কৃত্রিম বুদ্ধিমত্তা প্ল্যাটফর্ম

এটা কেন পড়লাম তার কারণ ব্যাখ্যা করা অসম্ভব। আমি শুধু সময় পেয়েছি এবং বাজার কিভাবে কাজ করে তা নিয়ে আগ্রহী ছিলাম। এবং 2018 সাল থেকে গার্টনারের মতে এটি ইতিমধ্যেই একটি পূর্ণাঙ্গ বাজার। 2014-2016 থেকে এটিকে উন্নত বিশ্লেষণ (BI তে শিকড়) বলা হয়েছিল, 2017 সালে - ডেটা সায়েন্স (আমি জানি না কীভাবে এটি রাশিয়ান ভাষায় অনুবাদ করতে হয়)। স্কোয়ারের চারপাশে বিক্রেতাদের চলাচলে আগ্রহীদের জন্য, আপনি করতে পারেন এখানে তাকান এবং আমি 2020 স্কোয়ার সম্পর্কে কথা বলব, বিশেষ করে যেহেতু 2019 সাল থেকে সেখানে পরিবর্তনগুলি ন্যূনতম: SAP সরানো হয়েছে এবং Altair Datawatch কিনেছে।

এটি একটি পদ্ধতিগত বিশ্লেষণ বা একটি টেবিল নয়. একটি পৃথক দৃষ্টিভঙ্গি, এছাড়াও একজন ভূ-পদার্থবিজ্ঞানীর দৃষ্টিকোণ থেকে। কিন্তু আমি সবসময় গার্টনার এমকিউ পড়তে আগ্রহী, তারা কিছু পয়েন্ট নিখুঁতভাবে তৈরি করে। তাই এখানে আমি যে বিষয়গুলোকে প্রযুক্তিগত, বাজার-ভিত্তিক এবং দার্শনিকভাবে মনোযোগ দিয়েছি।

এটি এমন লোকেদের জন্য নয় যারা ML-এর বিষয়ের গভীরে রয়েছে, কিন্তু যারা সাধারণত বাজারে কী ঘটছে তাতে আগ্রহী তাদের জন্য।

DSML বাজার নিজেই যুক্তিযুক্তভাবে BI এবং Cloud AI বিকাশকারী পরিষেবাগুলির মধ্যে বাসা বাঁধে৷

প্রিয় উদ্ধৃতি এবং পদ প্রথমে:

• "একজন নেতা সেরা পছন্দ হতে পারে না" - একজন বাজার নেতা আপনার যা প্রয়োজন তা নয়। খুব জরুরী! একটি কার্যকরী গ্রাহকের অভাবের ফলস্বরূপ, তারা সর্বদা "উপযুক্ত একটি" এর পরিবর্তে "সর্বোত্তম" সমাধানের সন্ধান করে।
• "মডেল অপারেশনালাইজেশন" - MOPs হিসাবে সংক্ষেপে। এবং সবাই pugs সঙ্গে একটি কঠিন সময় আছে! - (কুল পগ থিম মডেল কাজ করে তোলে).
• "নোটবুকের পরিবেশ" একটি গুরুত্বপূর্ণ ধারণা যেখানে কোড, মন্তব্য, ডেটা এবং ফলাফল একত্রিত হয়। এটি খুবই স্পষ্ট, প্রতিশ্রুতিশীল এবং উল্লেখযোগ্যভাবে UI কোডের পরিমাণ কমাতে পারে।
• "ওপেনসোর্সে রুট করা হয়েছে" - ভাল বলেছেন - ওপেন সোর্সে রুট নেয়।
• "নাগরিক তথ্য বিজ্ঞানী" - এই ধরনের সহজ বন্ধুরা, এই ধরনের ল্যামার, বিশেষজ্ঞ নয়, যাদের একটি ভিজ্যুয়াল পরিবেশ এবং সব ধরণের সহায়ক জিনিস প্রয়োজন। তারা কোড করবে না।
• "গণতন্ত্র" - প্রায়শই বোঝায় "বিস্তৃত পরিসরের লোকেদের কাছে উপলব্ধ করা।" আমরা যে বিপজ্জনক "ডেটা মুক্ত" ব্যবহার করতাম তার পরিবর্তে "ডেটা গণতন্ত্রীকরণ" বলতে পারি। "গণতন্ত্রীকরণ" সর্বদা একটি দীর্ঘ লেজ এবং সমস্ত বিক্রেতারা এটির পিছনে দৌড়ায়। জ্ঞানের তীব্রতা হারা - সহজলভ্যতা লাভ!
• "অন্বেষণমূলক ডেটা বিশ্লেষণ - EDA" — এই উপলব্ধ উপায় বিবেচনা. কিছু পরিসংখ্যান। একটু ভিজ্যুয়ালাইজেশন। এমন কিছু যা প্রত্যেকে এক ডিগ্রি বা অন্যভাবে করে। জানতাম না এর একটা নাম আছে
• "প্রজননযোগ্যতা" — সমস্ত পরিবেশগত পরামিতি, ইনপুট এবং আউটপুটগুলির সর্বাধিক সংরক্ষণ যাতে পরীক্ষাটি একবার সম্পন্ন হওয়ার পরে পুনরাবৃত্তি করা যায়। একটি পরীক্ষামূলক পরীক্ষার পরিবেশের জন্য সবচেয়ে গুরুত্বপূর্ণ শব্দ!

তাই:

Alteryx

শান্ত ইন্টারফেস, ঠিক একটি খেলনা মত. পরিমাপযোগ্যতা, অবশ্যই, একটু কঠিন। তদনুসারে, নাগরিক সমাজের প্রকৌশলীদের আশেপাশে একই সঙ্গে ছটফটে খেলা। বিশ্লেষণ এক বোতলে সব আপনার. বর্ণালী-সম্বন্ধীয় ডেটা বিশ্লেষণের জটিলতার কথা মনে করিয়ে দিল কসকাড, যা 90 এর দশকে প্রোগ্রাম করা হয়েছিল।

বড় অজগর সাপ

পাইথন এবং আর বিশেষজ্ঞদের আশেপাশে সম্প্রদায়। ওপেন সোর্স সেই অনুযায়ী বড়। দেখা গেল যে আমার সহকর্মীরা এটি সর্বদা ব্যবহার করে। কিন্তু আমি জানতাম না।

ডেটাব্রিক্স

এটি তিনটি ওপেনসোর্স প্রকল্প নিয়ে গঠিত - স্পার্ক ডেভেলপাররা 2013 সাল থেকে প্রচুর অর্থ সংগ্রহ করেছে৷ আমাকে সত্যিই উইকিটি উদ্ধৃত করতে হবে:

“সেপ্টেম্বর 2013 সালে, Databricks ঘোষণা করেছে যে এটি Andreessen Horowitz থেকে $13.9 মিলিয়ন সংগ্রহ করেছে। কোম্পানি 33 সালে অতিরিক্ত $2014 মিলিয়ন, 60 সালে $2016 মিলিয়ন, 140 সালে $2017 মিলিয়ন, 250 (ফেব্রুয়ারি) $2019 মিলিয়ন এবং 400 (অক্টোবর) এ $2019 মিলিয়ন সংগ্রহ করেছে"!!!

কিছু মহান মানুষ স্পার্ক কাটা. আমি জানি না, দুঃখিত!

এবং প্রকল্পগুলি হল:

• ডেল্টা লেক - স্পার্কের এসিআইডি সম্প্রতি প্রকাশিত হয়েছে (এলাস্টিকসার্চের সাথে আমরা যা স্বপ্ন দেখেছিলাম) - এটিকে একটি ডাটাবেসে পরিণত করে: কঠোর স্কিমা, এসিআইডি, অডিটিং, সংস্করণ...
• এমএল প্রবাহ - ট্র্যাকিং, প্যাকেজিং, ম্যানেজমেন্ট এবং মডেলের স্টোরেজ।
• কোয়ালাস - স্পার্ক-এ পান্ডাস ডেটাফ্রেম API - পান্ডাস - সাধারণভাবে টেবিল এবং ডেটা নিয়ে কাজ করার জন্য পাইথন API।

যারা জানেন না বা ভুলে গেছেন তাদের জন্য আপনি স্পার্ক দেখতে পারেন: লিংক. আমি সামান্য বিরক্তিকর কিন্তু বিশদ পরামর্শমূলক কাঠঠোকরার উদাহরণ সহ ভিডিও দেখেছি: ডেটা বিজ্ঞানের জন্য ডেটাব্রিক্স (লিংক) এবং ডেটা ইঞ্জিনিয়ারিংয়ের জন্য (লিংক).

সংক্ষেপে, ডেটাব্রিক্স স্পার্ক বের করে। যে কেউ ক্লাউডে সাধারণত স্পার্ক ব্যবহার করতে চায় সে বিনা দ্বিধায় DataBricks নেয়, যেমন উদ্দেশ্য 🙂 স্পার্ক এখানে প্রধান পার্থক্যকারী।
আমি শিখেছি যে স্পার্ক স্ট্রিমিং আসল নকল রিয়েলটাইম বা মাইক্রোব্যাচিং নয়। এবং যদি আপনার সত্যিকারের রিয়েল টাইমের প্রয়োজন হয়, তবে এটি Apache STORM-এ রয়েছে। সবাই বলে এবং লেখে যে স্পার্ক MapReduce এর চেয়ে ভাল। এই স্লোগান।

দাতাইকু

কুল এন্ড টু এন্ড জিনিস। অনেক বিজ্ঞাপন আছে। আমি বুঝতে পারছি না কিভাবে এটি Alteryx থেকে আলাদা?

ডাটারোবট

ডেটা প্রস্তুতির জন্য Paxata হল একটি পৃথক কোম্পানি যা 2019 সালের ডিসেম্বরে ডেটা রোবট দ্বারা কেনা হয়েছিল। আমরা 20 MUSD সংগ্রহ করেছি এবং বিক্রি করেছি। সব 7 বছরে।

প্যাক্সাতে ডেটা প্রস্তুতি, এক্সেল নয় - এখানে দেখুন: লিংক.
দুটি ডেটাসেটের মধ্যে যোগদানের জন্য স্বয়ংক্রিয় অনুসন্ধান এবং প্রস্তাব রয়েছে। একটি দুর্দান্ত জিনিস - ডেটা বোঝার জন্য, পাঠ্য তথ্যের উপর আরও বেশি জোর দেওয়া হবে (লিংক).
ডেটা ক্যাটালগ অকেজো "লাইভ" ডেটাসেটের একটি চমৎকার ক্যাটালগ।
এটিও আকর্ষণীয় যে কীভাবে প্যাক্সটাতে ডিরেক্টরি তৈরি হয় (লিংক).

“বিশ্লেষক সংস্থার মতে ডিম্বাশয়, সফ্টওয়্যার অগ্রগতির মাধ্যমে সম্ভব হয়েছে আনুমানিক বিশ্লেষণ, মেশিন লার্নিং এবং NoSQL ডেটা ক্যাশিং পদ্ধতি।[15] সফটওয়্যার ব্যবহার করে শব্দার্থিক একটি ডেটা টেবিলের কলামের অর্থ বোঝার জন্য অ্যালগরিদম এবং একটি ডেটা-সেটে সম্ভাব্য ডুপ্লিকেট খুঁজে পেতে প্যাটার্ন স্বীকৃতি অ্যালগরিদম।[15][7] এটি ইন্ডেক্সিং, টেক্সট প্যাটার্ন রিকগনিশন এবং অন্যান্য প্রযুক্তি ব্যবহার করে যা ঐতিহ্যগতভাবে সোশ্যাল মিডিয়া এবং সার্চ সফ্টওয়্যারে পাওয়া যায়।"

ডেটা রোবটের প্রধান পণ্য এখানে. তাদের স্লোগান মডেল থেকে এন্টারপ্রাইজ অ্যাপ্লিকেশন! আমি সঙ্কটের সাথে তেল শিল্পের জন্য পরামর্শ পেয়েছি, কিন্তু এটি খুবই সাধারণ এবং অরুচিকর ছিল: লিংক. আমি Mops বা MLops এ তাদের ভিডিও দেখেছি (লিংক) এটি এমন একটি ফ্রাঙ্কেনস্টাইন যা বিভিন্ন পণ্যের 6-7 অধিগ্রহণ থেকে একত্রিত হয়েছিল।

অবশ্যই, এটি স্পষ্ট হয়ে যায় যে ডেটা বিজ্ঞানীদের একটি বড় দল অবশ্যই মডেলগুলির সাথে কাজ করার জন্য এমন একটি পরিবেশ থাকতে হবে, অন্যথায় তারা তাদের অনেকগুলি তৈরি করবে এবং কখনও কিছু স্থাপন করবে না। এবং আমাদের তেল এবং গ্যাস আপস্ট্রিম বাস্তবতায়, আমরা যদি শুধুমাত্র একটি সফল মডেল তৈরি করতে পারি, তাহলে সেটা হবে বিরাট অগ্রগতি!

প্রক্রিয়াটি নিজেই ভূতত্ত্ব-জিওফিজিক্সে ডিজাইন সিস্টেমের সাথে কাজের খুব স্মরণ করিয়ে দেয়, উদাহরণস্বরূপ Petrel. যারা খুব অলস নয় তারা মডেল তৈরি করে এবং সংশোধন করে। মডেলে তথ্য সংগ্রহ করুন। তারপর তারা একটি রেফারেন্স মডেল তৈরি করে প্রযোজনায় পাঠায়! বলুন, একটি ভূতাত্ত্বিক মডেল এবং একটি ML মডেলের মধ্যে, আপনি অনেক মিল খুঁজে পেতে পারেন৷

পৌর ক্রীড়াবিশেষ

উন্মুক্ত প্ল্যাটফর্ম এবং সহযোগিতার উপর জোর দেওয়া। ব্যবসা ব্যবহারকারীদের বিনামূল্যে ভর্তি করা হয়. তাদের ডেটা ল্যাব অনেকটা শেয়ারপয়েন্টের মতো। (এবং নামটি দৃঢ়ভাবে IBM-এর স্ম্যাক করে)। সমস্ত পরীক্ষা মূল ডেটাসেটের সাথে লিঙ্ক করে। এটি কতটা পরিচিত :) আমাদের অনুশীলনের মতো - কিছু ডেটা মডেলটিতে টেনে আনা হয়েছিল, তারপরে এটি পরিষ্কার করা হয়েছিল এবং মডেলটিতে ক্রমানুসারে রাখা হয়েছিল এবং এই সমস্ত কিছুই ইতিমধ্যে মডেলটিতে রয়েছে এবং উত্স ডেটাতে শেষ পাওয়া যাবে না .

Domino এর চমৎকার পরিকাঠামো ভার্চুয়ালাইজেশন আছে। আমি এক সেকেন্ডে যতগুলি কোর দরকার মেশিনটিকে একত্রিত করেছি এবং গণনা করতে গিয়েছিলাম। কীভাবে এটি করা হয়েছিল তা অবিলম্বে স্পষ্ট নয়। ডকার সর্বত্র আছে। অনেক স্বাধীনতা! সর্বশেষ সংস্করণের যে কোনো কর্মক্ষেত্র সংযুক্ত করা যেতে পারে. পরীক্ষা-নিরীক্ষার সমান্তরাল প্রবর্তন। ট্র্যাকিং এবং সফল বেশী নির্বাচন.

DataRobot এর মতোই - ফলাফলগুলি অ্যাপ্লিকেশন আকারে ব্যবসায়িক ব্যবহারকারীদের জন্য প্রকাশিত হয়। বিশেষ করে প্রতিভাধর "স্টেকহোল্ডারদের" জন্য। এবং মডেলগুলির প্রকৃত ব্যবহারও পর্যবেক্ষণ করা হয়। Pugs জন্য সবকিছু!

আমি সম্পূর্ণরূপে বুঝতে পারি না কিভাবে জটিল মডেলগুলি উত্পাদনে শেষ হয়। তাদের ডেটা খাওয়ানো এবং ফলাফল পেতে কিছু ধরণের API প্রদান করা হয়।

H2O

ড্রাইভলেস এআই সুপারভাইজড এমএল-এর জন্য একটি খুব কমপ্যাক্ট এবং স্বজ্ঞাত সিস্টেম। এক বাক্সে সবকিছু। ব্যাকএন্ড সম্পর্কে এখনই এটি সম্পূর্ণ পরিষ্কার নয়।

মডেলটি স্বয়ংক্রিয়ভাবে একটি REST সার্ভার বা জাভা অ্যাপে প্যাকেজ করা হয়। এটি একটি মহান ধারণা। ব্যাখ্যাযোগ্যতা এবং ব্যাখ্যাযোগ্যতার জন্য অনেক কিছু করা হয়েছে। মডেলের ফলাফলের ব্যাখ্যা এবং ব্যাখ্যা (কী সহজাতভাবে ব্যাখ্যাযোগ্য হওয়া উচিত নয়, অন্যথায় একজন ব্যক্তি একই গণনা করতে পারে?)।
প্রথমবারের মতো, অসংগঠিত ডেটা সম্পর্কে একটি কেস স্টাডি এবং NLP. উচ্চ মানের স্থাপত্য ছবি। এবং সাধারণভাবে আমি ছবি পছন্দ.

একটি বড় ওপেন সোর্স H2O ফ্রেমওয়ার্ক রয়েছে যা সম্পূর্ণরূপে পরিষ্কার নয় (অ্যালগরিদম/লাইব্রেরির একটি সেট?)। বৃহস্পতির মতো প্রোগ্রামিং ছাড়াই আপনার নিজস্ব ভিজ্যুয়াল ল্যাপটপ (লিংক) আমি জাভাতে মোড়ানো পোজো এবং মোজো - H2O মডেলগুলি সম্পর্কেও পড়েছি। প্রথমটি সহজবোধ্য, দ্বিতীয়টি অপ্টিমাইজেশান সহ। H20ই একমাত্র (!) যাদের কাছে গার্টনার টেক্সট অ্যানালিটিক্স এবং এনএলপিকে তাদের শক্তি হিসেবে তালিকাভুক্ত করেছেন, সেইসাথে ব্যাখ্যাযোগ্যতার বিষয়ে তাদের প্রচেষ্টা। এটা খুবই গুরুত্বপূর্ণ!

একই জায়গায়: হার্ডওয়্যার এবং ক্লাউডের সাথে একীকরণের ক্ষেত্রে উচ্চ কর্মক্ষমতা, অপ্টিমাইজেশান এবং শিল্পের মান।

এবং দুর্বলতা যৌক্তিক - Driverles AI তাদের ওপেন সোর্সের তুলনায় দুর্বল এবং সংকীর্ণ। পক্সাটার তুলনায় ডাটা প্রিপারেশন খোঁড়া! এবং তারা শিল্প তথ্য উপেক্ষা করে - স্ট্রিম, গ্রাফ, জিও। ঠিক আছে, সবকিছু ভাল হতে পারে না।

কেএনটাইম

আমি মূল পৃষ্ঠায় 6টি খুব নির্দিষ্ট, খুব আকর্ষণীয় ব্যবসায়িক ক্ষেত্রে পছন্দ করেছি। শক্তিশালী ওপেনসোর্স।

গার্টনার তাদের নেতা থেকে স্বপ্নদর্শীতে নামিয়ে দিয়েছেন। খারাপভাবে অর্থ উপার্জন করা ব্যবহারকারীদের জন্য একটি ভাল লক্ষণ, কারণ লিডার সর্বদা সেরা পছন্দ নয়।

H2O-এর মতো মূল শব্দটি অগমেন্টেড, যার অর্থ দরিদ্র নাগরিক ডেটা বিজ্ঞানীদের সাহায্য করা। রিভিউতে পারফরম্যান্সের জন্য এই প্রথম কেউ সমালোচিত হলেন! মজাদার? অর্থাৎ এত কম্পিউটিং পাওয়ার আছে যে পারফরম্যান্স কি আদৌ সিস্টেমিক সমস্যা হতে পারে না? গার্টনার এই "অগমেন্টেড" শব্দটি সম্পর্কে বলেছেন পৃথক নিবন্ধ, যা পৌঁছানো যায়নি।
আর KNIME কে রিভিউতে প্রথম নন-আমেরিকান বলে মনে হয়! (এবং আমাদের ডিজাইনাররা সত্যিই তাদের ল্যান্ডিং পৃষ্ঠা পছন্দ করেছে। অদ্ভুত মানুষ।

ম্যাথ ওয়ার্কস

ম্যাটল্যাবের একজন পুরানো অনারারি কমরেড সবার কাছে পরিচিত! জীবন এবং পরিস্থিতির সমস্ত ক্ষেত্রের জন্য টুলবক্স। খুব আলাদা কিছু। আসলে, জীবনের সবকিছুর জন্য প্রচুর এবং প্রচুর এবং প্রচুর গণিত!

সিস্টেম ডিজাইনের জন্য একটি সিমুলিঙ্ক অ্যাড-অন পণ্য। আমি ডিজিটাল টুইনদের জন্য টুলবক্সে খনন করেছি - আমি এটি সম্পর্কে কিছুই বুঝতে পারছি না, কিন্তু এখানে অনেক কিছু লেখা হয়েছে। জন্য তেল কারখানা. সাধারণভাবে, এটি গণিত এবং প্রকৌশলের গভীরতা থেকে একটি মৌলিকভাবে ভিন্ন পণ্য। নির্দিষ্ট গণিত টুলকিট নির্বাচন করতে. গার্টনারের মতে, তাদের সমস্যাগুলি স্মার্ট ইঞ্জিনিয়ারদের মতোই - কোনও সহযোগিতা নেই - প্রত্যেকে তাদের নিজস্ব মডেলে ঘুরে বেড়ায়, কোনও গণতন্ত্র নেই, কোনও ব্যাখ্যাযোগ্যতা নেই।

র‌্যাপিডমিনার

আমি ভাল ওপেন সোর্সের প্রসঙ্গে (ম্যাটল্যাব সহ) আগে অনেক কিছু শুনেছি এবং শুনেছি। আমি যথারীতি TurboPrep এ একটু খনন করেছি। আমি কিভাবে নোংরা ডেটা থেকে পরিষ্কার ডেটা পেতে আগ্রহী।

আবার আপনি দেখতে পাচ্ছেন যে 2018 সালের বিপণন সামগ্রীর উপর ভিত্তি করে এবং বৈশিষ্ট্যের ডেমোতে ভয়ানক ইংরেজি ভাষাভাষী মানুষদের উপর ভিত্তি করে লোকেরা ভাল।

এবং শক্তিশালী জার্মান পটভূমি সহ 2001 সাল থেকে ডর্টমুন্ডের লোকেরা)

ওপেন সোর্সে ঠিক কী পাওয়া যায় তা আমি এখনও সাইট থেকে বুঝতে পারছি না - আপনাকে আরও গভীরে খনন করতে হবে। স্থাপনা এবং AutoML ধারণা সম্পর্কে ভালো ভিডিও।

RapidMiner সার্ভার ব্যাকএন্ড সম্পর্কে বিশেষ কিছু নেই। এটি সম্ভবত কমপ্যাক্ট হবে এবং বাক্সের বাইরে প্রিমিয়ামে ভাল কাজ করবে। এটি ডকারে প্যাকেজ করা হয়। শুধুমাত্র RapidMiner সার্ভারে শেয়ার করা পরিবেশ। এবং তারপর আছে Radoop, Hadoop থেকে ডেটা, স্পার্ক থেকে স্টুডিও ওয়ার্কফ্লোতে ছড়া গণনা।

প্রত্যাশিত হিসাবে, তরুণ হট বিক্রেতারা "ডোরাকাটা লাঠির বিক্রেতারা" তাদের নিচে নিয়ে গেছে। গার্টনার অবশ্য এন্টারপ্রাইজ স্পেসে তাদের ভবিষ্যৎ সাফল্যের ভবিষ্যদ্বাণী করেছেন। আপনি সেখানে অর্থ সংগ্রহ করতে পারেন। জার্মানরা জানে কিভাবে এটা করতে হয়, পবিত্র-পবিত্র :) SAP উল্লেখ করবেন না!!!

তারা নাগরিকদের জন্য অনেক কিছু করে! কিন্তু পৃষ্ঠা থেকে আপনি দেখতে পাচ্ছেন যে গার্টনার বলেছেন যে তারা বিক্রয় উদ্ভাবনের সাথে লড়াই করছে এবং কভারেজের প্রশস্ততার জন্য লড়াই করছে না, বরং লাভের জন্য।

থাকলেন করা SAS и টিবকো আমার জন্য সাধারণ BI বিক্রেতা... এবং উভয়ই শীর্ষে রয়েছে, যা আমার আত্মবিশ্বাস নিশ্চিত করে যে স্বাভাবিক ডেটাসায়েন্স যৌক্তিকভাবে বাড়ছে
BI থেকে, এবং মেঘ এবং Hadoop অবকাঠামো থেকে নয়। ব্যবসা থেকে, যে, এবং আইটি থেকে না. যেমন Gazpromneft-এ যেমন: লিংক,একটি পরিপক্ক DSML পরিবেশ দৃঢ় BI অনুশীলন থেকে বৃদ্ধি পায়। তবে সম্ভবত এটি এমডিএম এবং অন্যান্য জিনিসের প্রতি চটকদার এবং পক্ষপাতদুষ্ট, কে জানে।

করা SAS

অনেক কিছু বলার নেই। শুধুমাত্র স্পষ্ট জিনিস.

টিআইবিসিও

কৌশলটি একটি পৃষ্ঠা-দীর্ঘ উইকি পৃষ্ঠায় কেনাকাটার তালিকায় পড়া হয়। হ্যাঁ, দীর্ঘ গল্প, কিন্তু 28!!! চার্লস। আমি BI Spotfire (2007) কিনেছিলাম আমার টেকনো-ইউথের সময়ে। এবং Jaspersoft (2014) থেকে রিপোর্টিং, তারপর তিনজন ভবিষ্যদ্বাণীমূলক বিশ্লেষণ বিক্রেতা Insightful (S-plus) (2008), Statistica (2017) এবং Alpine Data (2017), ইভেন্ট প্রসেসিং এবং স্ট্রিমিং স্ট্রিমবেস সিস্টেম (2013), MDM অর্কেস্ট্রা নেটওয়ার্ক (2018) এবং স্ন্যাপি ডেটা (2019) ইন-মেমরি প্ল্যাটফর্ম।

হ্যালো ফ্রাঙ্কি!

উত্স: www.habr.com