ನಾನು ಇದನ್ನು ಓದಲು ಕಾರಣವನ್ನು ವಿವರಿಸಲು ಅಸಾಧ್ಯ. ನಾನು ಸಮಯವನ್ನು ಹೊಂದಿದ್ದೇನೆ ಮತ್ತು ಮಾರುಕಟ್ಟೆ ಹೇಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ ಎಂಬುದರ ಬಗ್ಗೆ ಆಸಕ್ತಿ ಹೊಂದಿದ್ದೆ. ಮತ್ತು ಇದು ಈಗಾಗಲೇ 2018 ರಿಂದ ಗಾರ್ಟ್ನರ್ ಪ್ರಕಾರ ಪೂರ್ಣ ಪ್ರಮಾಣದ ಮಾರುಕಟ್ಟೆಯಾಗಿದೆ. 2014-2016 ರಿಂದ ಇದನ್ನು ಸುಧಾರಿತ ವಿಶ್ಲೇಷಣೆ ಎಂದು ಕರೆಯಲಾಯಿತು (ಬಿಐನಲ್ಲಿ ಬೇರುಗಳು), 2017 ರಲ್ಲಿ - ಡೇಟಾ ಸೈನ್ಸ್ (ಇದನ್ನು ರಷ್ಯನ್ ಭಾಷೆಗೆ ಹೇಗೆ ಅನುವಾದಿಸುವುದು ಎಂದು ನನಗೆ ತಿಳಿದಿಲ್ಲ). ಚೌಕದ ಸುತ್ತಲೂ ಮಾರಾಟಗಾರರ ಚಲನೆಗಳಲ್ಲಿ ಆಸಕ್ತಿ ಹೊಂದಿರುವವರಿಗೆ, ನೀವು ಮಾಡಬಹುದು ನೋಡು. ಮತ್ತು ನಾನು 2020 ರ ಚೌಕದ ಬಗ್ಗೆ ಮಾತನಾಡುತ್ತೇನೆ, ವಿಶೇಷವಾಗಿ 2019 ರಿಂದ ಅಲ್ಲಿ ಬದಲಾವಣೆಗಳು ಕಡಿಮೆಯಾಗಿರುವುದರಿಂದ: SAP ಅನ್ನು ಸ್ಥಳಾಂತರಿಸಲಾಯಿತು ಮತ್ತು ಆಲ್ಟೇರ್ ಡೇಟಾವಾಚ್ ಅನ್ನು ಖರೀದಿಸಿತು.
ಇದು ವ್ಯವಸ್ಥಿತ ವಿಶ್ಲೇಷಣೆ ಅಥವಾ ಟೇಬಲ್ ಅಲ್ಲ. ವೈಯಕ್ತಿಕ ದೃಷ್ಟಿಕೋನ, ಭೂ ಭೌತಶಾಸ್ತ್ರಜ್ಞನ ದೃಷ್ಟಿಕೋನದಿಂದ ಕೂಡ. ಆದರೆ ಗಾರ್ಟ್ನರ್ MQ ಅನ್ನು ಓದಲು ನಾನು ಯಾವಾಗಲೂ ಕುತೂಹಲದಿಂದಿದ್ದೇನೆ, ಅವರು ಕೆಲವು ಅಂಶಗಳನ್ನು ಸಂಪೂರ್ಣವಾಗಿ ರೂಪಿಸುತ್ತಾರೆ. ಹಾಗಾಗಿ ತಾಂತ್ರಿಕವಾಗಿ, ಮಾರುಕಟ್ಟೆಯ ದೃಷ್ಟಿಯಿಂದ ಮತ್ತು ತಾತ್ವಿಕವಾಗಿ ನಾನು ಗಮನ ಹರಿಸಿದ ವಿಷಯಗಳು ಇಲ್ಲಿವೆ.
ಇದು ML ವಿಷಯದ ಬಗ್ಗೆ ಆಳವಾಗಿರುವ ಜನರಿಗೆ ಅಲ್ಲ, ಆದರೆ ಮಾರುಕಟ್ಟೆಯಲ್ಲಿ ಸಾಮಾನ್ಯವಾಗಿ ಏನು ನಡೆಯುತ್ತಿದೆ ಎಂಬುದರ ಬಗ್ಗೆ ಆಸಕ್ತಿ ಹೊಂದಿರುವ ಜನರಿಗೆ.
DSML ಮಾರುಕಟ್ಟೆಯು ತಾರ್ಕಿಕವಾಗಿ BI ಮತ್ತು ಕ್ಲೌಡ್ AI ಡೆವಲಪರ್ ಸೇವೆಗಳ ನಡುವೆ ಗೂಡುಕಟ್ಟುತ್ತದೆ.
ಮೆಚ್ಚಿನ ಉಲ್ಲೇಖಗಳು ಮತ್ತು ನಿಯಮಗಳು ಮೊದಲು:
- "ನಾಯಕನು ಅತ್ಯುತ್ತಮ ಆಯ್ಕೆಯಾಗದಿರಬಹುದು" - ಮಾರುಕಟ್ಟೆಯ ನಾಯಕ ನಿಮಗೆ ಬೇಕಾಗಿರುವುದು ಅನಿವಾರ್ಯವಲ್ಲ. ಬಹಳ ತುರ್ತು! ಕ್ರಿಯಾತ್ಮಕ ಗ್ರಾಹಕರ ಕೊರತೆಯ ಪರಿಣಾಮವಾಗಿ, ಅವರು ಯಾವಾಗಲೂ "ಸೂಕ್ತ" ಪರಿಹಾರಕ್ಕಿಂತ "ಉತ್ತಮ" ಪರಿಹಾರವನ್ನು ಹುಡುಕುತ್ತಿದ್ದಾರೆ.
- "ಮಾದರಿ ಕಾರ್ಯಾಚರಣೆ" - MOP ಗಳು ಎಂದು ಸಂಕ್ಷಿಪ್ತಗೊಳಿಸಲಾಗಿದೆ. ಮತ್ತು ಪ್ರತಿಯೊಬ್ಬರೂ ಪಗ್‌ಗಳೊಂದಿಗೆ ಕಠಿಣ ಸಮಯವನ್ನು ಹೊಂದಿದ್ದಾರೆ! - (ತಂಪಾದ ಪಗ್ ಥೀಮ್ ಮಾದರಿ ಕೆಲಸ ಮಾಡುತ್ತದೆ).
- "ನೋಟ್‌ಬುಕ್ ಪರಿಸರ" ಕೋಡ್, ಕಾಮೆಂಟ್‌ಗಳು, ಡೇಟಾ ಮತ್ತು ಫಲಿತಾಂಶಗಳು ಒಟ್ಟಿಗೆ ಬರುವ ಪ್ರಮುಖ ಪರಿಕಲ್ಪನೆಯಾಗಿದೆ. ಇದು ತುಂಬಾ ಸ್ಪಷ್ಟವಾಗಿದೆ, ಭರವಸೆ ನೀಡುತ್ತದೆ ಮತ್ತು UI ಕೋಡ್ ಪ್ರಮಾಣವನ್ನು ಗಣನೀಯವಾಗಿ ಕಡಿಮೆ ಮಾಡಬಹುದು.
- "ಓಪನ್‌ಸೋರ್ಸ್‌ನಲ್ಲಿ ಬೇರೂರಿದೆ" - ಚೆನ್ನಾಗಿ ಹೇಳಿದರು - ತೆರೆದ ಮೂಲದಲ್ಲಿ ಬೇರು ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ.
- "ನಾಗರಿಕ ಡೇಟಾ ವಿಜ್ಞಾನಿಗಳು" - ಅಂತಹ ಸುಲಭ ಡ್ಯೂಡ್‌ಗಳು, ಅಂತಹ ಲೇಮರ್‌ಗಳು, ತಜ್ಞರಲ್ಲ, ಅವರಿಗೆ ದೃಶ್ಯ ಪರಿಸರ ಮತ್ತು ಎಲ್ಲಾ ರೀತಿಯ ಸಹಾಯಕ ವಸ್ತುಗಳು ಬೇಕಾಗುತ್ತವೆ. ಅವರು ಕೋಡ್ ಮಾಡುವುದಿಲ್ಲ.
- "ಪ್ರಜಾಪ್ರಭುತ್ವ" - ಸಾಮಾನ್ಯವಾಗಿ "ವಿಶಾಲ ಶ್ರೇಣಿಯ ಜನರಿಗೆ ಲಭ್ಯವಾಗುವಂತೆ" ಅರ್ಥೈಸಲು ಬಳಸಲಾಗುತ್ತದೆ. ನಾವು ಬಳಸುತ್ತಿದ್ದ ಅಪಾಯಕಾರಿ "ಡೇಟಾವನ್ನು ಮುಕ್ತಗೊಳಿಸಿ" ಬದಲಿಗೆ "ಡೇಟಾವನ್ನು ಪ್ರಜಾಪ್ರಭುತ್ವಗೊಳಿಸಿ" ಎಂದು ಹೇಳಬಹುದು. "ಡೆಮಾಕ್ರಟೈಸ್" ಯಾವಾಗಲೂ ಉದ್ದನೆಯ ಬಾಲವಾಗಿದೆ ಮತ್ತು ಎಲ್ಲಾ ಮಾರಾಟಗಾರರು ಅದರ ಹಿಂದೆ ಓಡುತ್ತಾರೆ. ಜ್ಞಾನದ ತೀವ್ರತೆಯಲ್ಲಿ ನಷ್ಟ - ಪ್ರವೇಶದಲ್ಲಿ ಲಾಭ!
- "ಪರಿಶೋಧಕ ಡೇಟಾ ವಿಶ್ಲೇಷಣೆ - EDA" - ಲಭ್ಯವಿರುವ ಈ ವಿಧಾನಗಳ ಪರಿಗಣನೆ. ಕೆಲವು ಅಂಕಿಅಂಶಗಳು. ಸ್ವಲ್ಪ ದೃಶ್ಯೀಕರಣ. ಪ್ರತಿಯೊಬ್ಬರೂ ಒಂದಲ್ಲ ಒಂದು ಹಂತಕ್ಕೆ ಮಾಡುವ ಕೆಲಸ. ಇದಕ್ಕೊಂದು ಹೆಸರಿದೆ ಅಂತ ಗೊತ್ತಿರಲಿಲ್ಲ
- "ಪುನರುತ್ಪಾದನೆ" - ಎಲ್ಲಾ ಪರಿಸರದ ನಿಯತಾಂಕಗಳು, ಒಳಹರಿವು ಮತ್ತು ಔಟ್‌ಪುಟ್‌ಗಳ ಗರಿಷ್ಠ ಸಂರಕ್ಷಣೆ ಇದರಿಂದ ಪ್ರಯೋಗವನ್ನು ಒಮ್ಮೆ ನಡೆಸಿದ ನಂತರ ಪುನರಾವರ್ತಿಸಬಹುದು. ಪ್ರಾಯೋಗಿಕ ಪರೀಕ್ಷಾ ಪರಿಸರಕ್ಕೆ ಪ್ರಮುಖ ಪದ!
ಆದ್ದರಿಂದ:
ಆಲ್ಟೆರಿಕ್ಸ್
ಕೂಲ್ ಇಂಟರ್ಫೇಸ್, ಕೇವಲ ಆಟಿಕೆ ಹಾಗೆ. ಸ್ಕೇಲೆಬಿಲಿಟಿ, ಸಹಜವಾಗಿ, ಸ್ವಲ್ಪ ಕಷ್ಟ. ಅದರಂತೆ, ಇಂಜಿನಿಯರ್‌ಗಳ ನಾಗರಿಕ ಸಮುದಾಯವು ಅದೇ ಸುತ್ತಲು tchotchkes ಆಡಲು. Analytics ಒಂದೇ ಬಾಟಲಿಯಲ್ಲಿ ನಿಮ್ಮದಾಗಿದೆ. ಸ್ಪೆಕ್ಟ್ರಲ್-ಸಂಪರ್ಕ ಡೇಟಾ ವಿಶ್ಲೇಷಣೆಯ ಸಂಕೀರ್ಣವನ್ನು ನನಗೆ ನೆನಪಿಸಿದೆ , ಇದನ್ನು 90 ರ ದಶಕದಲ್ಲಿ ಪ್ರೋಗ್ರಾಮ್ ಮಾಡಲಾಗಿದೆ.
ಅನಕೊಂಡ
ಪೈಥಾನ್ ಮತ್ತು R ಪರಿಣತರ ಸುತ್ತಲಿನ ಸಮುದಾಯ. ತೆರೆದ ಮೂಲವು ಅದಕ್ಕೆ ಅನುಗುಣವಾಗಿ ದೊಡ್ಡದಾಗಿದೆ. ನನ್ನ ಸಹೋದ್ಯೋಗಿಗಳು ಇದನ್ನು ಸಾರ್ವಕಾಲಿಕ ಬಳಸುತ್ತಾರೆ ಎಂದು ಅದು ಬದಲಾಯಿತು. ಆದರೆ ನನಗೆ ಗೊತ್ತಿರಲಿಲ್ಲ.
ಡೇಟಾಬ್ರಿಕ್ಸ್
ಮೂರು ಓಪನ್‌ಸೋರ್ಸ್ ಪ್ರಾಜೆಕ್ಟ್‌ಗಳನ್ನು ಒಳಗೊಂಡಿದೆ - ಸ್ಪಾರ್ಕ್ ಡೆವಲಪರ್‌ಗಳು 2013 ರಿಂದ ಸಾಕಷ್ಟು ಹಣವನ್ನು ಸಂಗ್ರಹಿಸಿದ್ದಾರೆ. ನಾನು ನಿಜವಾಗಿಯೂ ವಿಕಿಯನ್ನು ಉಲ್ಲೇಖಿಸಬೇಕಾಗಿದೆ:
"ಸೆಪ್ಟೆಂಬರ್ 2013 ರಲ್ಲಿ, ಡಾಟಾಬ್ರಿಕ್ಸ್ ಆಂಡ್ರೆಸೆನ್ ಹೊರೊವಿಟ್ಜ್ನಿಂದ $13.9 ಮಿಲಿಯನ್ ಸಂಗ್ರಹಿಸಿದೆ ಎಂದು ಘೋಷಿಸಿತು. ಕಂಪನಿಯು 33 ರಲ್ಲಿ ಹೆಚ್ಚುವರಿ $2014 ಮಿಲಿಯನ್, 60 ರಲ್ಲಿ $2016 ಮಿಲಿಯನ್, 140 ರಲ್ಲಿ $2017 ಮಿಲಿಯನ್, 250 (ಫೆಬ್ರವರಿ) ನಲ್ಲಿ $2019 ಮಿಲಿಯನ್ ಮತ್ತು 400 (ಅಕ್ಟೋಬರ್) ನಲ್ಲಿ $2019 ಮಿಲಿಯನ್"!!!
ಕೆಲವು ಮಹಾನ್ ವ್ಯಕ್ತಿಗಳು ಸ್ಪಾರ್ಕ್ ಅನ್ನು ಕತ್ತರಿಸುತ್ತಾರೆ. ನನಗೆ ಗೊತ್ತಿಲ್ಲ, ಕ್ಷಮಿಸಿ!
ಮತ್ತು ಯೋಜನೆಗಳು:
- ಡೆಲ್ಟಾ ಸರೋವರ - ಸ್ಪಾರ್ಕ್‌ನಲ್ಲಿನ ACID ಅನ್ನು ಇತ್ತೀಚೆಗೆ ಬಿಡುಗಡೆ ಮಾಡಲಾಗಿದೆ (ನಾವು ಸ್ಥಿತಿಸ್ಥಾಪಕ ಹುಡುಕಾಟದೊಂದಿಗೆ ಏನು ಕನಸು ಕಂಡಿದ್ದೇವೆ) - ಅದನ್ನು ಡೇಟಾಬೇಸ್ ಆಗಿ ಪರಿವರ್ತಿಸುತ್ತದೆ: ರಿಜಿಡ್ ಸ್ಕೀಮಾ, ACID, ಆಡಿಟಿಂಗ್, ಆವೃತ್ತಿಗಳು...
- ML ಹರಿವು - ಮಾದರಿಗಳ ಟ್ರ್ಯಾಕಿಂಗ್, ಪ್ಯಾಕೇಜಿಂಗ್, ನಿರ್ವಹಣೆ ಮತ್ತು ಸಂಗ್ರಹಣೆ.
- ಕೋಲಾಸ್ - ಸ್ಪಾರ್ಕ್‌ನಲ್ಲಿ ಪಾಂಡಾಸ್ ಡೇಟಾಫ್ರೇಮ್ API - ಪಾಂಡಾಸ್ - ಸಾಮಾನ್ಯವಾಗಿ ಕೋಷ್ಟಕಗಳು ಮತ್ತು ಡೇಟಾದೊಂದಿಗೆ ಕೆಲಸ ಮಾಡಲು ಪೈಥಾನ್ API.
ತಿಳಿದಿಲ್ಲದ ಅಥವಾ ಮರೆತುಹೋದವರಿಗೆ ನೀವು ಸ್ಪಾರ್ಕ್ ಅನ್ನು ನೋಡಬಹುದು: . ನಾನು ಸ್ವಲ್ಪ ನೀರಸ ಆದರೆ ವಿವರವಾದ ಸಲಹಾ ಮರಕುಟಿಗಗಳಿಂದ ಉದಾಹರಣೆಗಳೊಂದಿಗೆ ವೀಡಿಯೊಗಳನ್ನು ವೀಕ್ಷಿಸಿದ್ದೇನೆ: ಡೇಟಾ ಸೈನ್ಸ್‌ಗಾಗಿ ಡೇಟಾಬ್ರಿಕ್ಸ್ () ಮತ್ತು ಡೇಟಾ ಇಂಜಿನಿಯರಿಂಗ್ ().
ಸಂಕ್ಷಿಪ್ತವಾಗಿ, ಡೇಟಾಬ್ರಿಕ್ಸ್ ಸ್ಪಾರ್ಕ್ ಅನ್ನು ಹೊರಹಾಕುತ್ತದೆ. ಮೋಡದಲ್ಲಿ ಸಾಮಾನ್ಯವಾಗಿ ಸ್ಪಾರ್ಕ್ ಅನ್ನು ಬಳಸಲು ಬಯಸುವ ಯಾರಾದರೂ ಹಿಂಜರಿಕೆಯಿಲ್ಲದೆ ಡೇಟಾಬ್ರಿಕ್ಸ್ ಅನ್ನು ತೆಗೆದುಕೊಳ್ಳುತ್ತಾರೆ, ಉದ್ದೇಶಿಸಿದಂತೆ ಸ್ಪಾರ್ಕ್ ಇಲ್ಲಿ ಮುಖ್ಯ ವ್ಯತ್ಯಾಸವಾಗಿದೆ.
ಸ್ಪಾರ್ಕ್ ಸ್ಟ್ರೀಮಿಂಗ್ ನಿಜವಾದ ನಕಲಿ ನೈಜ ಸಮಯ ಅಥವಾ ಮೈಕ್ರೋಬ್ಯಾಚಿಂಗ್ ಅಲ್ಲ ಎಂದು ನಾನು ಕಲಿತಿದ್ದೇನೆ. ಮತ್ತು ನಿಮಗೆ ನೈಜ ನೈಜ ಸಮಯ ಬೇಕಾದರೆ, ಅದು Apache STORM ನಲ್ಲಿದೆ. MapReduce ಗಿಂತ ಸ್ಪಾರ್ಕ್ ಉತ್ತಮವಾಗಿದೆ ಎಂದು ಎಲ್ಲರೂ ಹೇಳುತ್ತಾರೆ ಮತ್ತು ಬರೆಯುತ್ತಾರೆ. ಇದು ಘೋಷವಾಕ್ಯ.
ಡಾಟೈಕು
ಕೂಲ್ ಎಂಡ್ ಟು ಎಂಡ್ ವಿಷಯ. ಸಾಕಷ್ಟು ಜಾಹೀರಾತುಗಳಿವೆ. ಇದು ಆಲ್ಟೆರಿಕ್ಸ್‌ನಿಂದ ಹೇಗೆ ಭಿನ್ನವಾಗಿದೆ ಎಂದು ನನಗೆ ಅರ್ಥವಾಗುತ್ತಿಲ್ಲ?
ಡಾಟಾ ರೋಬೋಟ್
ಡೇಟಾ ತಯಾರಿಗಾಗಿ Paxata ಡಿಸೆಂಬರ್ 2019 ರಲ್ಲಿ ಡೇಟಾ ರೋಬೋಟ್‌ಗಳು ಖರೀದಿಸಿದ ಪ್ರತ್ಯೇಕ ಕಂಪನಿಯಾಗಿದೆ. ನಾವು 20 MUSD ಸಂಗ್ರಹಿಸಿ ಮಾರಾಟ ಮಾಡಿದ್ದೇವೆ. ಎಲ್ಲಾ 7 ವರ್ಷಗಳಲ್ಲಿ.
ಪಾಕ್ಸಾಟಾದಲ್ಲಿ ಡೇಟಾ ತಯಾರಿಕೆ, ಎಕ್ಸೆಲ್ ಅಲ್ಲ - ಇಲ್ಲಿ ನೋಡಿ: .
ಎರಡು ಡೇಟಾಸೆಟ್‌ಗಳ ನಡುವೆ ಸೇರಲು ಸ್ವಯಂಚಾಲಿತ ಲುಕಪ್‌ಗಳು ಮತ್ತು ಪ್ರಸ್ತಾಪಗಳಿವೆ. ಒಂದು ದೊಡ್ಡ ವಿಷಯ - ಡೇಟಾವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು, ಪಠ್ಯ ಮಾಹಿತಿಗೆ ಇನ್ನೂ ಹೆಚ್ಚಿನ ಒತ್ತು ನೀಡಲಾಗುವುದು ().
ಡೇಟಾ ಕ್ಯಾಟಲಾಗ್ ಅನುಪಯುಕ್ತ "ಲೈವ್" ಡೇಟಾಸೆಟ್‌ಗಳ ಅತ್ಯುತ್ತಮ ಕ್ಯಾಟಲಾಗ್ ಆಗಿದೆ.
ಪಾಕ್ಸಾಟಾದಲ್ಲಿ ಡೈರೆಕ್ಟರಿಗಳು ಹೇಗೆ ರೂಪುಗೊಳ್ಳುತ್ತವೆ ಎಂಬುದು ಸಹ ಆಸಕ್ತಿದಾಯಕವಾಗಿದೆ ().
"ವಿಶ್ಲೇಷಕ ಸಂಸ್ಥೆಯ ಪ್ರಕಾರ , ಸಾಫ್ಟ್ವೇರ್ ಪ್ರಗತಿಗಳ ಮೂಲಕ ಸಾಧ್ಯವಾಗಿದೆ , ಮತ್ತೆ ಡೇಟಾ ಕ್ಯಾಶಿಂಗ್ ವಿಧಾನ. ಸಾಫ್ಟ್ವೇರ್ ಬಳಸುತ್ತದೆ ಡೇಟಾ ಟೇಬಲ್‌ನ ಕಾಲಮ್‌ಗಳ ಅರ್ಥವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಅಲ್ಗಾರಿದಮ್‌ಗಳು ಮತ್ತು ಡೇಟಾ ಸೆಟ್‌ನಲ್ಲಿ ಸಂಭಾವ್ಯ ನಕಲುಗಳನ್ನು ಕಂಡುಹಿಡಿಯಲು ಪ್ಯಾಟರ್ನ್ ರೆಕಗ್ನಿಷನ್ ಅಲ್ಗಾರಿದಮ್‌ಗಳು. ಇದು ಸಾಮಾಜಿಕ ಮಾಧ್ಯಮ ಮತ್ತು ಹುಡುಕಾಟ ಸಾಫ್ಟ್‌ವೇರ್‌ನಲ್ಲಿ ಸಾಂಪ್ರದಾಯಿಕವಾಗಿ ಕಂಡುಬರುವ ಸೂಚ್ಯಂಕ, ಪಠ್ಯ ಮಾದರಿ ಗುರುತಿಸುವಿಕೆ ಮತ್ತು ಇತರ ತಂತ್ರಜ್ಞಾನಗಳನ್ನು ಸಹ ಬಳಸುತ್ತದೆ.
ಡೇಟಾ ರೋಬೋಟ್‌ನ ಮುಖ್ಯ ಉತ್ಪನ್ನ . ಅವರ ಘೋಷವಾಕ್ಯವು ಮಾಡೆಲ್‌ನಿಂದ ಎಂಟರ್‌ಪ್ರೈಸ್ ಅಪ್ಲಿಕೇಶನ್‌ಗೆ! ಬಿಕ್ಕಟ್ಟಿಗೆ ಸಂಬಂಧಿಸಿದಂತೆ ತೈಲ ಉದ್ಯಮಕ್ಕೆ ಸಲಹೆ ನೀಡುವುದನ್ನು ನಾನು ಕಂಡುಕೊಂಡಿದ್ದೇನೆ, ಆದರೆ ಇದು ತುಂಬಾ ನೀರಸ ಮತ್ತು ಆಸಕ್ತಿರಹಿತವಾಗಿತ್ತು: . ನಾನು ಅವರ ವೀಡಿಯೊಗಳನ್ನು Mops ಅಥವಾ MLop ಗಳಲ್ಲಿ ವೀಕ್ಷಿಸಿದ್ದೇನೆ () ಇದು ಫ್ರಾಂಕೆನ್‌ಸ್ಟೈನ್ ವಿವಿಧ ಉತ್ಪನ್ನಗಳ 6-7 ಸ್ವಾಧೀನಗಳಿಂದ ಜೋಡಿಸಲ್ಪಟ್ಟಿದೆ.
ಸಹಜವಾಗಿ, ಡೇಟಾ ವಿಜ್ಞಾನಿಗಳ ದೊಡ್ಡ ತಂಡವು ಮಾದರಿಗಳೊಂದಿಗೆ ಕೆಲಸ ಮಾಡಲು ಅಂತಹ ವಾತಾವರಣವನ್ನು ಹೊಂದಿರಬೇಕು ಎಂಬುದು ಸ್ಪಷ್ಟವಾಗುತ್ತದೆ, ಇಲ್ಲದಿದ್ದರೆ ಅವರು ಅವುಗಳಲ್ಲಿ ಬಹಳಷ್ಟು ಉತ್ಪಾದಿಸುತ್ತಾರೆ ಮತ್ತು ಯಾವುದನ್ನೂ ನಿಯೋಜಿಸುವುದಿಲ್ಲ. ಮತ್ತು ನಮ್ಮ ತೈಲ ಮತ್ತು ಅನಿಲ ಅಪ್‌ಸ್ಟ್ರೀಮ್ ವಾಸ್ತವದಲ್ಲಿ, ನಾವು ಒಂದು ಯಶಸ್ವಿ ಮಾದರಿಯನ್ನು ಮಾತ್ರ ರಚಿಸಬಹುದಾದರೆ, ಅದು ಉತ್ತಮ ಪ್ರಗತಿಯಾಗಿದೆ!
ಈ ಪ್ರಕ್ರಿಯೆಯು ಭೂವಿಜ್ಞಾನ-ಭೂಭೌತಶಾಸ್ತ್ರದಲ್ಲಿ ವಿನ್ಯಾಸ ವ್ಯವಸ್ಥೆಗಳೊಂದಿಗಿನ ಕೆಲಸವನ್ನು ಬಹಳ ನೆನಪಿಸುತ್ತದೆ, ಉದಾಹರಣೆಗೆ . ತುಂಬಾ ಸೋಮಾರಿಯಾಗದ ಪ್ರತಿಯೊಬ್ಬರೂ ಮಾದರಿಗಳನ್ನು ತಯಾರಿಸುತ್ತಾರೆ ಮತ್ತು ಮಾರ್ಪಡಿಸುತ್ತಾರೆ. ಮಾದರಿಯಲ್ಲಿ ಡೇಟಾವನ್ನು ಸಂಗ್ರಹಿಸಿ. ನಂತರ ಅವರು ಉಲ್ಲೇಖ ಮಾದರಿಯನ್ನು ತಯಾರಿಸಿದರು ಮತ್ತು ಅದನ್ನು ಉತ್ಪಾದನೆಗೆ ಕಳುಹಿಸಿದರು! ಭೌಗೋಳಿಕ ಮಾದರಿ ಮತ್ತು ಎಂಎಲ್ ಮಾದರಿಯ ನಡುವೆ, ನೀವು ಸಾಮಾನ್ಯವಾಗಿ ಬಹಳಷ್ಟು ಕಾಣಬಹುದು.
ಡೊಮಿನೊ
ಮುಕ್ತ ವೇದಿಕೆ ಮತ್ತು ಸಹಯೋಗಕ್ಕೆ ಒತ್ತು. ವ್ಯಾಪಾರ ಬಳಕೆದಾರರಿಗೆ ಉಚಿತವಾಗಿ ಪ್ರವೇಶ ನೀಡಲಾಗುತ್ತದೆ. ಅವರ ಡೇಟಾ ಲ್ಯಾಬ್ ಶೇರ್‌ಪಾಯಿಂಟ್‌ಗೆ ಹೋಲುತ್ತದೆ. (ಮತ್ತು ಹೆಸರು IBM ಅನ್ನು ಬಲವಾಗಿ ಸ್ಮ್ಯಾಕ್ ಮಾಡುತ್ತದೆ). ಎಲ್ಲಾ ಪ್ರಯೋಗಗಳು ಮೂಲ ಡೇಟಾಸೆಟ್‌ಗೆ ಲಿಂಕ್ ಮಾಡುತ್ತವೆ. ಇದು ಎಷ್ಟು ಪರಿಚಿತವಾಗಿದೆ :) ನಮ್ಮ ಅಭ್ಯಾಸದಂತೆ - ಕೆಲವು ಡೇಟಾವನ್ನು ಮಾದರಿಗೆ ಎಳೆಯಲಾಯಿತು, ನಂತರ ಅದನ್ನು ಸ್ವಚ್ಛಗೊಳಿಸಿ ಮತ್ತು ಮಾದರಿಯಲ್ಲಿ ಕ್ರಮವಾಗಿ ಇರಿಸಲಾಯಿತು, ಮತ್ತು ಇದೆಲ್ಲವೂ ಈಗಾಗಲೇ ಮಾದರಿಯಲ್ಲಿ ವಾಸಿಸುತ್ತಿದೆ ಮತ್ತು ಮೂಲ ಡೇಟಾದಲ್ಲಿ ತುದಿಗಳನ್ನು ಕಂಡುಹಿಡಿಯಲಾಗುವುದಿಲ್ಲ .
ಡೊಮಿನೊ ತಂಪಾದ ಮೂಲಸೌಕರ್ಯ ವರ್ಚುವಲೈಸೇಶನ್ ಹೊಂದಿದೆ. ನಾನು ಒಂದು ಸೆಕೆಂಡಿನಲ್ಲಿ ಅಗತ್ಯವಿರುವಷ್ಟು ಕೋರ್ಗಳನ್ನು ಯಂತ್ರವನ್ನು ಜೋಡಿಸಿ ಎಣಿಸಲು ಹೋದೆ. ಇದನ್ನು ಹೇಗೆ ಮಾಡಲಾಯಿತು ಎಂಬುದು ತಕ್ಷಣವೇ ಸ್ಪಷ್ಟವಾಗಿಲ್ಲ. ಡಾಕರ್ ಎಲ್ಲೆಡೆ ಇದೆ. ಸಾಕಷ್ಟು ಸ್ವಾತಂತ್ರ್ಯ! ಇತ್ತೀಚಿನ ಆವೃತ್ತಿಗಳ ಯಾವುದೇ ಕಾರ್ಯಸ್ಥಳಗಳನ್ನು ಸಂಪರ್ಕಿಸಬಹುದು. ಪ್ರಯೋಗಗಳ ಸಮಾನಾಂತರ ಉಡಾವಣೆ. ಟ್ರ್ಯಾಕಿಂಗ್ ಮತ್ತು ಯಶಸ್ವಿ ಆಯ್ಕೆ.
DataRobot ನಂತೆಯೇ - ವ್ಯಾಪಾರ ಬಳಕೆದಾರರಿಗೆ ಅಪ್ಲಿಕೇಶನ್‌ಗಳ ರೂಪದಲ್ಲಿ ಫಲಿತಾಂಶಗಳನ್ನು ಪ್ರಕಟಿಸಲಾಗುತ್ತದೆ. ವಿಶೇಷವಾಗಿ ಪ್ರತಿಭಾನ್ವಿತ "ಪಾಲುದಾರರಿಗೆ". ಮತ್ತು ಮಾದರಿಗಳ ನಿಜವಾದ ಬಳಕೆಯನ್ನು ಸಹ ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡಲಾಗುತ್ತದೆ. ಪಗ್‌ಗಳಿಗಾಗಿ ಎಲ್ಲವೂ!
ಸಂಕೀರ್ಣ ಮಾದರಿಗಳು ಉತ್ಪಾದನೆಯಲ್ಲಿ ಹೇಗೆ ಕೊನೆಗೊಳ್ಳುತ್ತವೆ ಎಂದು ನನಗೆ ಸಂಪೂರ್ಣವಾಗಿ ಅರ್ಥವಾಗುತ್ತಿಲ್ಲ. ಅವರಿಗೆ ಡೇಟಾವನ್ನು ನೀಡಲು ಮತ್ತು ಫಲಿತಾಂಶಗಳನ್ನು ಪಡೆಯಲು ಕೆಲವು ರೀತಿಯ API ಅನ್ನು ಒದಗಿಸಲಾಗಿದೆ.
H2O
ಡ್ರೈವ್‌ಲೆಸ್ AI ಎನ್ನುವುದು ಮೇಲ್ವಿಚಾರಣೆಯ ML ಗಾಗಿ ಬಹಳ ಸಾಂದ್ರವಾದ ಮತ್ತು ಅರ್ಥಗರ್ಭಿತ ವ್ಯವಸ್ಥೆಯಾಗಿದೆ. ಎಲ್ಲವೂ ಒಂದೇ ಪೆಟ್ಟಿಗೆಯಲ್ಲಿ. ಬ್ಯಾಕೆಂಡ್ ಬಗ್ಗೆ ಈಗಿನಿಂದಲೇ ಸಂಪೂರ್ಣವಾಗಿ ಸ್ಪಷ್ಟವಾಗಿಲ್ಲ.
ಮಾದರಿಯನ್ನು ಸ್ವಯಂಚಾಲಿತವಾಗಿ REST ಸರ್ವರ್ ಅಥವಾ ಜಾವಾ ಅಪ್ಲಿಕೇಶನ್‌ಗೆ ಪ್ಯಾಕ್ ಮಾಡಲಾಗುತ್ತದೆ. ಇದೊಂದು ಉತ್ತಮ ಉಪಾಯ. ವ್ಯಾಖ್ಯಾನ ಮತ್ತು ವಿವರಣೆಗಾಗಿ ಬಹಳಷ್ಟು ಮಾಡಲಾಗಿದೆ. ಮಾದರಿಯ ಫಲಿತಾಂಶಗಳ ವ್ಯಾಖ್ಯಾನ ಮತ್ತು ವಿವರಣೆ (ಅಂತರ್ಗತವಾಗಿ ಏನು ವಿವರಿಸಬಾರದು, ಇಲ್ಲದಿದ್ದರೆ ಒಬ್ಬ ವ್ಯಕ್ತಿಯು ಅದೇ ಲೆಕ್ಕಾಚಾರ ಮಾಡಬಹುದು?).
ಮೊದಲ ಬಾರಿಗೆ, ರಚನೆಯಿಲ್ಲದ ಡೇಟಾದ ಬಗ್ಗೆ ಕೇಸ್ ಸ್ಟಡಿ ಮತ್ತು . ಉತ್ತಮ ಗುಣಮಟ್ಟದ ವಾಸ್ತುಶಿಲ್ಪದ ಚಿತ್ರ. ಮತ್ತು ಸಾಮಾನ್ಯವಾಗಿ ನಾನು ಚಿತ್ರಗಳನ್ನು ಇಷ್ಟಪಟ್ಟೆ.
ದೊಡ್ಡ ತೆರೆದ ಮೂಲ H2O ಫ್ರೇಮ್‌ವರ್ಕ್ ಇದೆ, ಅದು ಸಂಪೂರ್ಣವಾಗಿ ಸ್ಪಷ್ಟವಾಗಿಲ್ಲ (ಅಲ್ಗಾರಿದಮ್‌ಗಳು/ಲೈಬ್ರರಿಗಳ ಒಂದು ಸೆಟ್?). ಗುರುಗ್ರಹದಂತೆ ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಮಾಡದೆಯೇ ನಿಮ್ಮ ಸ್ವಂತ ದೃಶ್ಯ ಲ್ಯಾಪ್‌ಟಾಪ್ () ಜಾವಾದಲ್ಲಿ ಸುತ್ತಿದ Pojo ಮತ್ತು Mojo - H2O ಮಾದರಿಗಳ ಬಗ್ಗೆಯೂ ನಾನು ಓದಿದ್ದೇನೆ. ಮೊದಲನೆಯದು ಸರಳವಾಗಿದೆ, ಎರಡನೆಯದು ಆಪ್ಟಿಮೈಸೇಶನ್‌ನೊಂದಿಗೆ. H20 ಮಾತ್ರ(!) ಗಾರ್ಟ್ನರ್ ಪಠ್ಯ ವಿಶ್ಲೇಷಣೆ ಮತ್ತು NLP ಅನ್ನು ತಮ್ಮ ಸಾಮರ್ಥ್ಯ ಎಂದು ಪಟ್ಟಿಮಾಡಿದ್ದಾರೆ, ಜೊತೆಗೆ ಅವರ ವಿವರಣೆಗೆ ಸಂಬಂಧಿಸಿದಂತೆ ಅವರ ಪ್ರಯತ್ನಗಳು. ಇದು ಅತೀ ಮುಖ್ಯವಾದುದು!
ಅದೇ ಸ್ಥಳದಲ್ಲಿ: ಹಾರ್ಡ್‌ವೇರ್ ಮತ್ತು ಮೋಡಗಳೊಂದಿಗೆ ಏಕೀಕರಣದ ಕ್ಷೇತ್ರದಲ್ಲಿ ಹೆಚ್ಚಿನ ಕಾರ್ಯಕ್ಷಮತೆ, ಆಪ್ಟಿಮೈಸೇಶನ್ ಮತ್ತು ಉದ್ಯಮದ ಗುಣಮಟ್ಟ.
ಮತ್ತು ದೌರ್ಬಲ್ಯವು ತಾರ್ಕಿಕವಾಗಿದೆ - ಡ್ರೈವರ್ಲೆಸ್ AI ಅವರ ತೆರೆದ ಮೂಲಕ್ಕೆ ಹೋಲಿಸಿದರೆ ದುರ್ಬಲ ಮತ್ತು ಕಿರಿದಾಗಿದೆ. Paxata ಗೆ ಹೋಲಿಸಿದರೆ ಡೇಟಾ ತಯಾರಿ ಕುಂಟಾಗಿದೆ! ಮತ್ತು ಅವರು ಕೈಗಾರಿಕಾ ಡೇಟಾವನ್ನು ನಿರ್ಲಕ್ಷಿಸುತ್ತಾರೆ - ಸ್ಟ್ರೀಮ್, ಗ್ರಾಫ್, ಜಿಯೋ. ಒಳ್ಳೆಯದು, ಎಲ್ಲವೂ ಚೆನ್ನಾಗಿರಲು ಸಾಧ್ಯವಿಲ್ಲ.
KNIME
ನಾನು ಮುಖ್ಯ ಪುಟದಲ್ಲಿ 6 ನಿರ್ದಿಷ್ಟವಾದ, ಕುತೂಹಲಕಾರಿ ವ್ಯಾಪಾರ ಪ್ರಕರಣಗಳನ್ನು ಇಷ್ಟಪಟ್ಟಿದ್ದೇನೆ. ಬಲವಾದ ಓಪನ್ ಸೋರ್ಸ್.
ಗಾರ್ಟ್ನರ್ ಅವರನ್ನು ನಾಯಕರಿಂದ ದೂರದೃಷ್ಟಿಯಿಂದ ಕೆಳಗಿಳಿಸಿದರು. ಕಳಪೆ ಹಣವನ್ನು ಗಳಿಸುವುದು ಬಳಕೆದಾರರಿಗೆ ಉತ್ತಮ ಸಂಕೇತವಾಗಿದೆ, ನಾಯಕ ಯಾವಾಗಲೂ ಅತ್ಯುತ್ತಮ ಆಯ್ಕೆಯಾಗಿಲ್ಲ.
H2O ನಲ್ಲಿರುವಂತೆ ಪ್ರಮುಖ ಪದವು ವರ್ಧಿತವಾಗಿದೆ, ಅಂದರೆ ಬಡ ನಾಗರಿಕ ಡೇಟಾ ವಿಜ್ಞಾನಿಗಳಿಗೆ ಸಹಾಯ ಮಾಡುವುದು. ವಿಮರ್ಶೆಯಲ್ಲಿನ ಕಾರ್ಯಕ್ಷಮತೆಗಾಗಿ ಯಾರಾದರೂ ಟೀಕಿಸಿರುವುದು ಇದೇ ಮೊದಲು! ಆಸಕ್ತಿದಾಯಕ? ಅಂದರೆ, ಕಂಪ್ಯೂಟಿಂಗ್ ಶಕ್ತಿಯು ತುಂಬಾ ಇದೆ, ಕಾರ್ಯಕ್ಷಮತೆಯು ವ್ಯವಸ್ಥಿತ ಸಮಸ್ಯೆಯಾಗಿರಬಹುದೇ? ಗಾರ್ಟ್ನರ್ ಈ ಪದದ ಬಗ್ಗೆ "ಆಗ್ಮೆಂಟೆಡ್" , ತಲುಪಲಾಗಲಿಲ್ಲ.
ಮತ್ತು KNIME ವಿಮರ್ಶೆಯಲ್ಲಿ ಮೊದಲ ಅಮೇರಿಕನ್ ಅಲ್ಲದವರಂತೆ ತೋರುತ್ತಿದೆ! (ಮತ್ತು ನಮ್ಮ ವಿನ್ಯಾಸಕರು ತಮ್ಮ ಲ್ಯಾಂಡಿಂಗ್ ಪುಟವನ್ನು ನಿಜವಾಗಿಯೂ ಇಷ್ಟಪಟ್ಟಿದ್ದಾರೆ. ವಿಚಿತ್ರ ಜನರು.
ಗಣಿತ ಕಾರ್ಯಗಳು
MatLab ಎಲ್ಲರಿಗೂ ತಿಳಿದಿರುವ ಹಳೆಯ ಗೌರವಾನ್ವಿತ ಒಡನಾಡಿ! ಜೀವನ ಮತ್ತು ಸನ್ನಿವೇಶಗಳ ಎಲ್ಲಾ ಕ್ಷೇತ್ರಗಳಿಗೆ ಟೂಲ್‌ಬಾಕ್ಸ್‌ಗಳು. ತುಂಬಾ ವಿಭಿನ್ನವಾದದ್ದು. ವಾಸ್ತವವಾಗಿ, ಜೀವನದಲ್ಲಿ ಪ್ರತಿಯೊಂದಕ್ಕೂ ಸಾಕಷ್ಟು ಮತ್ತು ಬಹಳಷ್ಟು ಮತ್ತು ಬಹಳಷ್ಟು ಗಣಿತ!
ಸಿಸ್ಟಮ್ ವಿನ್ಯಾಸಕ್ಕಾಗಿ ಸಿಮುಲಿಂಕ್ ಆಡ್-ಆನ್ ಉತ್ಪನ್ನ. ನಾನು ಡಿಜಿಟಲ್ ಅವಳಿಗಳಿಗಾಗಿ ಟೂಲ್‌ಬಾಕ್ಸ್‌ಗಳನ್ನು ಅಗೆದಿದ್ದೇನೆ - ಅದರ ಬಗ್ಗೆ ನನಗೆ ಏನೂ ಅರ್ಥವಾಗುತ್ತಿಲ್ಲ, ಆದರೆ ಬಹಳಷ್ಟು ಬರೆಯಲಾಗಿದೆ. ಫಾರ್ . ಸಾಮಾನ್ಯವಾಗಿ, ಇದು ಗಣಿತ ಮತ್ತು ಎಂಜಿನಿಯರಿಂಗ್‌ನ ಆಳದಿಂದ ಮೂಲಭೂತವಾಗಿ ವಿಭಿನ್ನ ಉತ್ಪನ್ನವಾಗಿದೆ. ನಿರ್ದಿಷ್ಟ ಗಣಿತ ಪರಿಕರಗಳನ್ನು ಆಯ್ಕೆ ಮಾಡಲು. ಗಾರ್ಟ್ನರ್ ಪ್ರಕಾರ, ಅವರ ಸಮಸ್ಯೆಗಳು ಸ್ಮಾರ್ಟ್ ಎಂಜಿನಿಯರ್‌ಗಳಂತೆಯೇ ಇರುತ್ತವೆ - ಯಾವುದೇ ಸಹಯೋಗವಿಲ್ಲ - ಪ್ರತಿಯೊಬ್ಬರೂ ತಮ್ಮದೇ ಆದ ಮಾದರಿಯಲ್ಲಿ ಸುತ್ತಾಡುತ್ತಾರೆ, ಪ್ರಜಾಪ್ರಭುತ್ವವಿಲ್ಲ, ಯಾವುದೇ ಸ್ಪಷ್ಟತೆ ಇಲ್ಲ.
ರಾಪಿಡ್ ಮೈನರ್
ನಾನು ಉತ್ತಮ ತೆರೆದ ಮೂಲದ ಸಂದರ್ಭದಲ್ಲಿ (ಮತ್ಲಾಬ್ ಜೊತೆಗೆ) ಹಿಂದೆ ಬಂದು ಬಹಳಷ್ಟು ಕೇಳಿದ್ದೇನೆ. ನಾನು ಎಂದಿನಂತೆ TurboPrep ಗೆ ಸ್ವಲ್ಪ ಅಗೆದಿದ್ದೇನೆ. ಕೊಳಕು ಡೇಟಾದಿಂದ ಕ್ಲೀನ್ ಡೇಟಾವನ್ನು ಹೇಗೆ ಪಡೆಯುವುದು ಎಂಬುದರ ಕುರಿತು ನನಗೆ ಆಸಕ್ತಿ ಇದೆ.
ಫೀಚರ್ ಡೆಮೊದಲ್ಲಿ 2018 ರ ಮಾರ್ಕೆಟಿಂಗ್ ಸಾಮಗ್ರಿಗಳು ಮತ್ತು ಭಯಾನಕ ಇಂಗ್ಲಿಷ್ ಮಾತನಾಡುವ ಜನರ ಆಧಾರದ ಮೇಲೆ ಜನರು ಒಳ್ಳೆಯವರಾಗಿದ್ದಾರೆ ಎಂಬುದನ್ನು ನೀವು ಮತ್ತೊಮ್ಮೆ ನೋಡಬಹುದು.
ಮತ್ತು ಬಲವಾದ ಜರ್ಮನ್ ಹಿನ್ನೆಲೆಯೊಂದಿಗೆ 2001 ರಿಂದ ಡಾರ್ಟ್ಮಂಡ್‌ನ ಜನರು)
ತೆರೆದ ಮೂಲದಲ್ಲಿ ನಿಖರವಾಗಿ ಏನು ಲಭ್ಯವಿದೆ ಎಂದು ಸೈಟ್‌ನಿಂದ ನನಗೆ ಇನ್ನೂ ಅರ್ಥವಾಗುತ್ತಿಲ್ಲ - ನೀವು ಆಳವಾಗಿ ಅಗೆಯಬೇಕು. ನಿಯೋಜನೆ ಮತ್ತು ಆಟೋಎಂಎಲ್ ಪರಿಕಲ್ಪನೆಗಳ ಕುರಿತು ಉತ್ತಮ ವೀಡಿಯೊಗಳು.
RapidMiner ಸರ್ವರ್ ಬ್ಯಾಕೆಂಡ್ ಬಗ್ಗೆ ವಿಶೇಷ ಏನೂ ಇಲ್ಲ. ಇದು ಬಹುಶಃ ಕಾಂಪ್ಯಾಕ್ಟ್ ಆಗಿರುತ್ತದೆ ಮತ್ತು ಬಾಕ್ಸ್ ಹೊರಗೆ ಪ್ರೀಮಿಯಂನಲ್ಲಿ ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ. ಇದನ್ನು ಡಾಕರ್‌ನಲ್ಲಿ ಪ್ಯಾಕ್ ಮಾಡಲಾಗಿದೆ. RapidMiner ಸರ್ವರ್‌ನಲ್ಲಿ ಮಾತ್ರ ಹಂಚಿದ ಪರಿಸರ. ತದನಂತರ ರಾಡೂಪ್, ಹಡೂಪ್‌ನಿಂದ ಡೇಟಾ, ಸ್ಟುಡಿಯೋ ವರ್ಕ್‌ಫ್ಲೋನಲ್ಲಿ ಸ್ಪಾರ್ಕ್‌ನಿಂದ ಪ್ರಾಸಗಳನ್ನು ಎಣಿಸುವುದು.
ನಿರೀಕ್ಷೆಯಂತೆ, ಯುವ ಬಿಸಿ ಮಾರಾಟಗಾರರು "ಪಟ್ಟೆಯ ತುಂಡುಗಳ ಮಾರಾಟಗಾರರು" ಅವರನ್ನು ಕೆಳಕ್ಕೆ ಸರಿಸಿದರು. ಗಾರ್ಟ್ನರ್, ಆದಾಗ್ಯೂ, ಎಂಟರ್‌ಪ್ರೈಸ್ ಜಾಗದಲ್ಲಿ ತಮ್ಮ ಭವಿಷ್ಯದ ಯಶಸ್ಸನ್ನು ಊಹಿಸುತ್ತಾರೆ. ಅಲ್ಲಿ ನೀವು ಹಣವನ್ನು ಸಂಗ್ರಹಿಸಬಹುದು. ಜರ್ಮನ್ನರಿಗೆ ಇದನ್ನು ಹೇಗೆ ಮಾಡಬೇಕೆಂದು ತಿಳಿದಿದೆ, ಪವಿತ್ರ-ಪವಿತ್ರ :) SAP ಅನ್ನು ಉಲ್ಲೇಖಿಸಬೇಡಿ!!!
ಅವರು ನಾಗರಿಕರಿಗಾಗಿ ಬಹಳಷ್ಟು ಮಾಡುತ್ತಾರೆ! ಆದರೆ ಪುಟದಿಂದ ನೀವು ಗಾರ್ಟ್ನರ್ ಅವರು ಮಾರಾಟದ ನಾವೀನ್ಯತೆಯೊಂದಿಗೆ ಹೋರಾಡುತ್ತಿದ್ದಾರೆ ಮತ್ತು ವ್ಯಾಪ್ತಿಯ ವಿಸ್ತಾರಕ್ಕಾಗಿ ಹೋರಾಡುತ್ತಿಲ್ಲ, ಆದರೆ ಲಾಭದಾಯಕತೆಗಾಗಿ ಹೇಳುತ್ತಾರೆ ಎಂದು ನೀವು ನೋಡಬಹುದು.
ಉಳಿಯಿತು ಎಸ್ಎಎಸ್ и ಟಿಬ್ಕೊ ನನಗೆ ವಿಶಿಷ್ಟವಾದ ಬಿಐ ಮಾರಾಟಗಾರರು... ಮತ್ತು ಇಬ್ಬರೂ ಅತ್ಯಂತ ಉನ್ನತ ಸ್ಥಾನದಲ್ಲಿದ್ದಾರೆ, ಇದು ಸಾಮಾನ್ಯ ಡೇಟಾ ಸೈನ್ಸ್ ತಾರ್ಕಿಕವಾಗಿ ಬೆಳೆಯುತ್ತಿದೆ ಎಂಬ ನನ್ನ ವಿಶ್ವಾಸವನ್ನು ದೃಢಪಡಿಸುತ್ತದೆ
BI ನಿಂದ, ಮತ್ತು ಮೋಡಗಳು ಮತ್ತು Hadoop ಮೂಲಸೌಕರ್ಯಗಳಿಂದ ಅಲ್ಲ. ವ್ಯಾಪಾರದಿಂದ, ಅಂದರೆ, ಮತ್ತು ಐಟಿಯಿಂದ ಅಲ್ಲ. ಉದಾಹರಣೆಗೆ Gazpromneft ನಲ್ಲಿ ಹಾಗೆ: ,ಪ್ರಬುದ್ಧ DSML ಪರಿಸರವು ಬಲವಾದ BI ಅಭ್ಯಾಸಗಳಿಂದ ಬೆಳೆಯುತ್ತದೆ. ಆದರೆ ಬಹುಶಃ ಇದು MDM ಮತ್ತು ಇತರ ವಿಷಯಗಳ ಕಡೆಗೆ ಸ್ಮ್ಯಾಕಿ ಮತ್ತು ಪಕ್ಷಪಾತವಾಗಿದೆ, ಯಾರಿಗೆ ತಿಳಿದಿದೆ.
ಎಸ್ಎಎಸ್
ಹೇಳಲು ಹೆಚ್ಚೇನೂ ಇಲ್ಲ. ಸ್ಪಷ್ಟ ವಿಷಯಗಳು ಮಾತ್ರ.
TIBCO
ತಂತ್ರವನ್ನು ಪುಟ-ಉದ್ದದ ವಿಕಿ ಪುಟದಲ್ಲಿ ಶಾಪಿಂಗ್ ಪಟ್ಟಿಯಲ್ಲಿ ಓದಲಾಗುತ್ತದೆ. ಹೌದು, ದೀರ್ಘ ಕಥೆ, ಆದರೆ 28!!! ಚಾರ್ಲ್ಸ್. ನಾನು BI Spotfire (2007) ಅನ್ನು ನನ್ನ ಟೆಕ್ನೋ-ಯೌವನದಲ್ಲಿ ಖರೀದಿಸಿದೆ. ಮತ್ತು Jaspersoft (2014) ನಿಂದ ವರದಿ ಮಾಡಲಾಗುತ್ತಿದೆ, ನಂತರ ಮೂರು ಮುನ್ಸೂಚಕ ವಿಶ್ಲೇಷಣಾ ಮಾರಾಟಗಾರರು Insightful (S-plus) (2008), Statistica (2017) ಮತ್ತು Alpine Data (2017), ಈವೆಂಟ್ ಪ್ರಕ್ರಿಯೆ ಮತ್ತು ಸ್ಟ್ರೀಮಿಂಗ್ ಸ್ಟ್ರೀಮಿಂಗ್ ಸಿಸ್ಟಮ್ (2013), MDM ಆರ್ಕೆಸ್ಟ್ರಾ Networks (2018 ) ಮತ್ತು Snappy Data (2019) ಇನ್-ಮೆಮೊರಿ ಪ್ಲಾಟ್‌ಫಾರ್ಮ್.
ಹಲೋ ಫ್ರಾಂಕಿ!
ಮೂಲ: www.habr.com