Gartner MQ 2020 ਸਮੀਖਿਆ: ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਅਤੇ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਪਲੇਟਫਾਰਮ

ਮੈਂ ਇਸਨੂੰ ਕਿਉਂ ਪੜ੍ਹਿਆ ਇਸ ਦਾ ਕਾਰਨ ਸਮਝਾਉਣਾ ਅਸੰਭਵ ਹੈ। ਮੇਰੇ ਕੋਲ ਸਮਾਂ ਸੀ ਅਤੇ ਮੈਂ ਇਸ ਗੱਲ ਵਿੱਚ ਦਿਲਚਸਪੀ ਰੱਖਦਾ ਸੀ ਕਿ ਮਾਰਕੀਟ ਕਿਵੇਂ ਕੰਮ ਕਰਦੀ ਹੈ। ਅਤੇ ਇਹ 2018 ਤੋਂ ਗਾਰਟਨਰ ਦੇ ਅਨੁਸਾਰ ਪਹਿਲਾਂ ਤੋਂ ਹੀ ਇੱਕ ਪੂਰਾ ਬਾਜ਼ਾਰ ਹੈ। 2014-2016 ਤੋਂ ਇਸਨੂੰ ਉੱਨਤ ਵਿਸ਼ਲੇਸ਼ਣ (BI ਵਿੱਚ ਜੜ੍ਹਾਂ), 2017 ਵਿੱਚ - ਡੇਟਾ ਸਾਇੰਸ (ਮੈਨੂੰ ਨਹੀਂ ਪਤਾ ਕਿ ਇਸਦਾ ਰੂਸੀ ਵਿੱਚ ਅਨੁਵਾਦ ਕਿਵੇਂ ਕਰਨਾ ਹੈ) ਕਿਹਾ ਗਿਆ ਸੀ। ਵਰਗ ਦੇ ਆਲੇ-ਦੁਆਲੇ ਵਿਕਰੇਤਾ ਦੇ ਅੰਦੋਲਨ ਵਿੱਚ ਦਿਲਚਸਪੀ ਰੱਖਣ ਵਾਲਿਆਂ ਲਈ, ਤੁਸੀਂ ਕਰ ਸਕਦੇ ਹੋ ਇੱਥੇ ਦੇਖੋ ਅਤੇ ਮੈਂ 2020 ਵਰਗ ਬਾਰੇ ਗੱਲ ਕਰਾਂਗਾ, ਖ਼ਾਸਕਰ ਕਿਉਂਕਿ 2019 ਤੋਂ ਬਾਅਦ ਵਿੱਚ ਤਬਦੀਲੀਆਂ ਬਹੁਤ ਘੱਟ ਹਨ: SAP ਬਾਹਰ ਚਲੀ ਗਈ ਅਤੇ ਅਲਟੇਅਰ ਨੇ ਡਾਟਾਵਾਚ ਖਰੀਦੀ।

ਇਹ ਇੱਕ ਯੋਜਨਾਬੱਧ ਵਿਸ਼ਲੇਸ਼ਣ ਜਾਂ ਇੱਕ ਸਾਰਣੀ ਨਹੀਂ ਹੈ. ਇੱਕ ਵਿਅਕਤੀਗਤ ਦ੍ਰਿਸ਼ਟੀਕੋਣ, ਇੱਕ ਭੂ-ਭੌਤਿਕ ਵਿਗਿਆਨੀ ਦੇ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਤੋਂ ਵੀ। ਪਰ ਮੈਂ ਗਾਰਟਨਰ MQ ਨੂੰ ਪੜ੍ਹਨ ਲਈ ਹਮੇਸ਼ਾਂ ਉਤਸੁਕ ਰਹਿੰਦਾ ਹਾਂ, ਉਹ ਕੁਝ ਨੁਕਤੇ ਪੂਰੀ ਤਰ੍ਹਾਂ ਤਿਆਰ ਕਰਦੇ ਹਨ। ਇਸ ਲਈ ਇੱਥੇ ਉਹ ਚੀਜ਼ਾਂ ਹਨ ਜਿਨ੍ਹਾਂ ਵੱਲ ਮੈਂ ਤਕਨੀਕੀ ਤੌਰ 'ਤੇ, ਮਾਰਕੀਟ-ਵਾਰ ਅਤੇ ਦਾਰਸ਼ਨਿਕ ਤੌਰ 'ਤੇ ਧਿਆਨ ਦਿੱਤਾ ਹੈ।

ਇਹ ਉਹਨਾਂ ਲੋਕਾਂ ਲਈ ਨਹੀਂ ਹੈ ਜੋ ਐਮਐਲ ਦੇ ਵਿਸ਼ੇ ਵਿੱਚ ਡੂੰਘੇ ਹਨ, ਪਰ ਉਹਨਾਂ ਲੋਕਾਂ ਲਈ ਜੋ ਆਮ ਤੌਰ 'ਤੇ ਮਾਰਕੀਟ ਵਿੱਚ ਕੀ ਹੋ ਰਿਹਾ ਹੈ ਵਿੱਚ ਦਿਲਚਸਪੀ ਰੱਖਦੇ ਹਨ.

DSML ਮਾਰਕੀਟ ਖੁਦ BI ਅਤੇ Cloud AI ਡਿਵੈਲਪਰ ਸੇਵਾਵਾਂ ਦੇ ਵਿਚਕਾਰ ਤਰਕ ਨਾਲ ਆਲ੍ਹਣਾ ਬਣਾਉਂਦਾ ਹੈ।

ਮਨਪਸੰਦ ਹਵਾਲੇ ਅਤੇ ਸ਼ਬਦ ਪਹਿਲਾਂ:

• "ਇੱਕ ਨੇਤਾ ਸਭ ਤੋਂ ਵਧੀਆ ਵਿਕਲਪ ਨਹੀਂ ਹੋ ਸਕਦਾ" - ਇੱਕ ਮਾਰਕੀਟ ਲੀਡਰ ਜ਼ਰੂਰੀ ਨਹੀਂ ਹੈ ਕਿ ਤੁਹਾਨੂੰ ਕੀ ਚਾਹੀਦਾ ਹੈ. ਬਹੁਤ ਹੀ ਜ਼ਰੂਰੀ! ਇੱਕ ਕਾਰਜਸ਼ੀਲ ਗਾਹਕ ਦੀ ਘਾਟ ਦੇ ਨਤੀਜੇ ਵਜੋਂ, ਉਹ ਹਮੇਸ਼ਾ "ਉਚਿਤ" ਦੀ ਬਜਾਏ "ਸਭ ਤੋਂ ਵਧੀਆ" ਹੱਲ ਲੱਭ ਰਹੇ ਹਨ।
• "ਮਾਡਲ ਸੰਚਾਲਨ" - MOPs ਦੇ ਰੂਪ ਵਿੱਚ ਸੰਖੇਪ। ਅਤੇ ਹਰ ਕਿਸੇ ਨੂੰ pugs ਨਾਲ ਮੁਸ਼ਕਲ ਸਮਾਂ ਹੁੰਦਾ ਹੈ! - (ਕੂਲ ਪਗ ਥੀਮ ਮਾਡਲ ਨੂੰ ਕੰਮ ਕਰਦਾ ਹੈ)।
• "ਨੋਟਬੁੱਕ ਵਾਤਾਵਰਣ" ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਸੰਕਲਪ ਹੈ ਜਿੱਥੇ ਕੋਡ, ਟਿੱਪਣੀਆਂ, ਡੇਟਾ ਅਤੇ ਨਤੀਜੇ ਇਕੱਠੇ ਆਉਂਦੇ ਹਨ। ਇਹ ਬਹੁਤ ਸਪੱਸ਼ਟ, ਵਾਅਦਾ ਕਰਨ ਵਾਲਾ ਹੈ ਅਤੇ UI ਕੋਡ ਦੀ ਮਾਤਰਾ ਨੂੰ ਕਾਫ਼ੀ ਘਟਾ ਸਕਦਾ ਹੈ।
• "ਓਪਨ ਸੋਰਸ ਵਿੱਚ ਰੂਟਡ" - ਚੰਗੀ ਤਰ੍ਹਾਂ ਕਿਹਾ - ਓਪਨ ਸੋਰਸ ਵਿੱਚ ਰੂਟ ਲੈਂਦਾ ਹੈ।
• "ਨਾਗਰਿਕ ਡੇਟਾ ਵਿਗਿਆਨੀ" - ਅਜਿਹੇ ਆਸਾਨ ਦੋਸਤ, ਅਜਿਹੇ ਲੇਮਰ, ਮਾਹਰ ਨਹੀਂ, ਜਿਨ੍ਹਾਂ ਨੂੰ ਇੱਕ ਦ੍ਰਿਸ਼ਟੀਗਤ ਵਾਤਾਵਰਣ ਅਤੇ ਹਰ ਤਰ੍ਹਾਂ ਦੀਆਂ ਸਹਾਇਕ ਚੀਜ਼ਾਂ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਉਹ ਕੋਡ ਨਹੀਂ ਕਰਨਗੇ।
• "ਲੋਕਤੰਤਰ" - ਅਕਸਰ ਇਸਦਾ ਮਤਲਬ "ਲੋਕਾਂ ਦੀ ਇੱਕ ਵਿਸ਼ਾਲ ਸ਼੍ਰੇਣੀ ਲਈ ਉਪਲਬਧ ਕਰਾਉਣਾ" ਲਈ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ। ਅਸੀਂ ਉਸ ਖਤਰਨਾਕ "ਡੇਟਾ ਨੂੰ ਮੁਕਤ ਕਰੋ" ਦੀ ਬਜਾਏ "ਡੇਟਾ ਦਾ ਲੋਕਤੰਤਰੀਕਰਨ" ਕਹਿ ਸਕਦੇ ਹਾਂ ਜਿਸਦੀ ਅਸੀਂ ਵਰਤੋਂ ਕੀਤੀ ਸੀ। "ਜਮਹੂਰੀਅਤ" ਹਮੇਸ਼ਾ ਇੱਕ ਲੰਬੀ ਪੂਛ ਹੁੰਦੀ ਹੈ ਅਤੇ ਸਾਰੇ ਵਿਕਰੇਤਾ ਇਸਦੇ ਪਿੱਛੇ ਭੱਜਦੇ ਹਨ। ਗਿਆਨ ਦੀ ਤੀਬਰਤਾ ਵਿੱਚ ਗੁਆਉ - ਪਹੁੰਚ ਵਿੱਚ ਪ੍ਰਾਪਤ ਕਰੋ!
• "ਖੋਜ ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਣ - EDA" - ਇਹਨਾਂ ਉਪਲਬਧ ਸਾਧਨਾਂ 'ਤੇ ਵਿਚਾਰ। ਕੁਝ ਅੰਕੜੇ। ਇੱਕ ਛੋਟਾ ਜਿਹਾ ਦ੍ਰਿਸ਼ਟੀਕੋਣ. ਕੁਝ ਅਜਿਹਾ ਜੋ ਹਰ ਕੋਈ ਕਿਸੇ ਨਾ ਕਿਸੇ ਹੱਦ ਤੱਕ ਕਰਦਾ ਹੈ। ਪਤਾ ਨਹੀਂ ਇਸ ਦਾ ਕੋਈ ਨਾਂ ਸੀ
• "ਪ੍ਰਜਨਨਯੋਗਤਾ" - ਸਾਰੇ ਵਾਤਾਵਰਣਕ ਮਾਪਦੰਡਾਂ, ਇਨਪੁਟਸ ਅਤੇ ਆਉਟਪੁੱਟ ਦੀ ਵੱਧ ਤੋਂ ਵੱਧ ਸੰਭਾਲ ਤਾਂ ਜੋ ਪ੍ਰਯੋਗ ਨੂੰ ਇੱਕ ਵਾਰ ਪੂਰਾ ਕਰਨ ਤੋਂ ਬਾਅਦ ਦੁਹਰਾਇਆ ਜਾ ਸਕੇ। ਇੱਕ ਪ੍ਰਯੋਗਾਤਮਕ ਟੈਸਟ ਵਾਤਾਵਰਨ ਲਈ ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਸ਼ਬਦ!

ਇਸ ਤਰ੍ਹਾਂ:

ਅਲਟਰੈਕਸ

ਠੰਡਾ ਇੰਟਰਫੇਸ, ਬਿਲਕੁਲ ਇੱਕ ਖਿਡੌਣੇ ਵਾਂਗ। ਸਕੇਲੇਬਿਲਟੀ, ਬੇਸ਼ਕ, ਥੋੜਾ ਮੁਸ਼ਕਲ ਹੈ. ਇਸ ਅਨੁਸਾਰ, ਇੰਜੀਨੀਅਰਾਂ ਦੇ ਨਾਗਰਿਕ ਸਮਾਜ ਦੇ ਆਲੇ ਦੁਆਲੇ ਵੀ ਟੋਚੋਚੱਕ ਖੇਡਣ ਲਈ. ਵਿਸ਼ਲੇਸ਼ਣ ਸਭ ਕੁਝ ਇੱਕ ਬੋਤਲ ਵਿੱਚ ਹੈ। ਮੈਨੂੰ ਸਪੈਕਟ੍ਰਲ-ਸਬੰਧਿਤ ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਦੇ ਇੱਕ ਕੰਪਲੈਕਸ ਦੀ ਯਾਦ ਦਿਵਾਇਆ ਕੋਸਕੈਡ, ਜੋ ਕਿ 90 ਦੇ ਦਹਾਕੇ ਵਿੱਚ ਪ੍ਰੋਗਰਾਮ ਕੀਤਾ ਗਿਆ ਸੀ।

ਐਨਾਕਾਂਡਾ

ਪਾਈਥਨ ਅਤੇ ਆਰ ਮਾਹਰਾਂ ਦੇ ਆਲੇ ਦੁਆਲੇ ਭਾਈਚਾਰਾ। ਓਪਨ ਸੋਰਸ ਇਸ ਅਨੁਸਾਰ ਵੱਡਾ ਹੈ। ਇਹ ਪਤਾ ਚਲਿਆ ਕਿ ਮੇਰੇ ਸਾਥੀ ਹਰ ਸਮੇਂ ਇਸਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ. ਪਰ ਮੈਨੂੰ ਪਤਾ ਨਹੀਂ ਸੀ।

ਡਾਟਾਬ੍ਰਿਕਸ

ਤਿੰਨ ਓਪਨਸੋਰਸ ਪ੍ਰੋਜੈਕਟਾਂ ਦੇ ਸ਼ਾਮਲ ਹਨ - ਸਪਾਰਕ ਡਿਵੈਲਪਰਾਂ ਨੇ 2013 ਤੋਂ ਬਹੁਤ ਸਾਰਾ ਪੈਸਾ ਇਕੱਠਾ ਕੀਤਾ ਹੈ। ਮੈਨੂੰ ਅਸਲ ਵਿੱਚ ਵਿਕੀ ਦਾ ਹਵਾਲਾ ਦੇਣਾ ਪਵੇਗਾ:

“ਸਤੰਬਰ 2013 ਵਿੱਚ, ਡੇਟਾਬ੍ਰਿਕਸ ਨੇ ਘੋਸ਼ਣਾ ਕੀਤੀ ਕਿ ਉਸਨੇ ਐਂਡਰੀਸਨ ਹੋਰੋਵਿਟਜ਼ ਤੋਂ $13.9 ਮਿਲੀਅਨ ਇਕੱਠੇ ਕੀਤੇ ਹਨ। ਕੰਪਨੀ ਨੇ 33 ਵਿੱਚ $2014 ਮਿਲੀਅਨ, 60 ਵਿੱਚ $2016 ਮਿਲੀਅਨ, 140 ਵਿੱਚ $2017 ਮਿਲੀਅਨ, 250 (ਫਰਵਰੀ) ਵਿੱਚ $2019 ਮਿਲੀਅਨ ਅਤੇ 400 (ਅਕਤੂਬਰ) ਵਿੱਚ $2019 ਮਿਲੀਅਨ ਵਾਧੂ ਇਕੱਠੇ ਕੀਤੇ"!!!

ਕੁਝ ਮਹਾਨ ਲੋਕ ਸਪਾਰਕ ਨੂੰ ਕੱਟਦੇ ਹਨ. ਮੈਨੂੰ ਨਹੀਂ ਪਤਾ, ਮਾਫ਼ ਕਰਨਾ!

ਅਤੇ ਪ੍ਰੋਜੈਕਟ ਹਨ:

• ਡੈਲਟਾ ਝੀਲ - ਸਪਾਰਕ ਉੱਤੇ ACID ਹਾਲ ਹੀ ਵਿੱਚ ਜਾਰੀ ਕੀਤਾ ਗਿਆ ਸੀ (ਜਿਸ ਬਾਰੇ ਅਸੀਂ Elasticsearch ਨਾਲ ਸੁਪਨਾ ਦੇਖਿਆ ਸੀ) - ਇਸਨੂੰ ਇੱਕ ਡੇਟਾਬੇਸ ਵਿੱਚ ਬਦਲਦਾ ਹੈ: ਸਖ਼ਤ ਸਕੀਮਾ, ACID, ਆਡਿਟਿੰਗ, ਸੰਸਕਰਣ...
• ML ਫਲੋ - ਟਰੈਕਿੰਗ, ਪੈਕੇਜਿੰਗ, ਪ੍ਰਬੰਧਨ ਅਤੇ ਮਾਡਲਾਂ ਦੀ ਸਟੋਰੇਜ।
• ਕੋਆਲਾ - ਸਪਾਰਕ 'ਤੇ Pandas DataFrame API - Pandas - ਆਮ ਤੌਰ 'ਤੇ ਟੇਬਲ ਅਤੇ ਡੇਟਾ ਨਾਲ ਕੰਮ ਕਰਨ ਲਈ Python API।

ਤੁਸੀਂ ਉਨ੍ਹਾਂ ਲਈ ਸਪਾਰਕ ਦੇਖ ਸਕਦੇ ਹੋ ਜੋ ਨਹੀਂ ਜਾਣਦੇ ਜਾਂ ਭੁੱਲ ਗਏ ਹਨ: ਲਿੰਕ. ਮੈਂ ਥੋੜ੍ਹਾ ਬੋਰਿੰਗ ਪਰ ਵਿਸਤ੍ਰਿਤ ਸਲਾਹ ਮਸ਼ਵਰਾ ਕਰਨ ਵਾਲੇ ਵੁੱਡਪੇਕਰਜ਼ ਦੀਆਂ ਉਦਾਹਰਣਾਂ ਵਾਲੇ ਵੀਡੀਓ ਦੇਖੇ: ਡੇਟਾ ਸਾਇੰਸ ਲਈ ਡੇਟਾਬ੍ਰਿਕਸ (ਲਿੰਕ) ਅਤੇ ਡੇਟਾ ਇੰਜੀਨੀਅਰਿੰਗ ਲਈ (ਲਿੰਕ).

ਸੰਖੇਪ ਵਿੱਚ, ਡੇਟਾਬ੍ਰਿਕਸ ਸਪਾਰਕ ਨੂੰ ਬਾਹਰ ਕੱਢਦਾ ਹੈ. ਕੋਈ ਵੀ ਜੋ ਸਪਾਰਕ ਨੂੰ ਕਲਾਉਡ ਵਿੱਚ ਆਮ ਤੌਰ 'ਤੇ ਵਰਤਣਾ ਚਾਹੁੰਦਾ ਹੈ, ਬਿਨਾਂ ਕਿਸੇ ਝਿਜਕ ਦੇ ਡੇਟਾਬ੍ਰਿਕਸ ਲੈਂਦਾ ਹੈ, ਜਿਵੇਂ ਕਿ ਇਰਾਦਾ ਹੈ 🙂 ਸਪਾਰਕ ਇੱਥੇ ਮੁੱਖ ਅੰਤਰ ਹੈ।
ਮੈਂ ਸਿੱਖਿਆ ਹੈ ਕਿ ਸਪਾਰਕ ਸਟ੍ਰੀਮਿੰਗ ਅਸਲ ਨਕਲੀ ਰੀਅਲਟਾਈਮ ਜਾਂ ਮਾਈਕ੍ਰੋਬੈਚਿੰਗ ਨਹੀਂ ਹੈ। ਅਤੇ ਜੇਕਰ ਤੁਹਾਨੂੰ ਅਸਲ ਰੀਅਲ ਟਾਈਮ ਦੀ ਲੋੜ ਹੈ, ਤਾਂ ਇਹ ਅਪਾਚੇ ਸਟੌਰਮ ਵਿੱਚ ਹੈ। ਹਰ ਕੋਈ ਇਹ ਵੀ ਕਹਿੰਦਾ ਅਤੇ ਲਿਖਦਾ ਹੈ ਕਿ ਸਪਾਰਕ MapReduce ਨਾਲੋਂ ਬਿਹਤਰ ਹੈ। ਇਹ ਨਾਅਰਾ ਹੈ।

ਡਾਟੈਕੂ

ਠੰਡਾ ਅੰਤ-ਤੋਂ-ਅੰਤ ਚੀਜ਼. ਬਹੁਤ ਸਾਰੇ ਇਸ਼ਤਿਹਾਰ ਹਨ. ਮੈਨੂੰ ਸਮਝ ਨਹੀਂ ਆਉਂਦੀ ਕਿ ਇਹ ਅਲਟਰੈਕਸ ਤੋਂ ਕਿਵੇਂ ਵੱਖਰਾ ਹੈ?

ਡਾਟਾਰੋਬੋਟ

ਡੇਟਾ ਤਿਆਰ ਕਰਨ ਲਈ ਪੈਕਸਾਟਾ ਇੱਕ ਵੱਖਰੀ ਕੰਪਨੀ ਹੈ ਜਿਸ ਨੂੰ ਦਸੰਬਰ 2019 ਵਿੱਚ ਡੇਟਾ ਰੋਬੋਟਸ ਦੁਆਰਾ ਖਰੀਦਿਆ ਗਿਆ ਸੀ। ਅਸੀਂ 20 MUSD ਇਕੱਠੇ ਕੀਤੇ ਅਤੇ ਵੇਚੇ। ਸਾਰੇ 7 ਸਾਲਾਂ ਵਿੱਚ.

ਪੈਕਸਾਟਾ ਵਿੱਚ ਡੇਟਾ ਦੀ ਤਿਆਰੀ, ਐਕਸਲ ਨਹੀਂ - ਇੱਥੇ ਦੇਖੋ: ਲਿੰਕ.
ਆਟੋਮੈਟਿਕ ਲੁੱਕਅਪ ਅਤੇ ਦੋ ਡਾਟਾਸੈਟਾਂ ਵਿਚਕਾਰ ਜੋੜਨ ਲਈ ਪ੍ਰਸਤਾਵ ਹਨ। ਇੱਕ ਵਧੀਆ ਗੱਲ - ਡੇਟਾ ਨੂੰ ਸਮਝਣ ਲਈ, ਪਾਠ ਸੰਬੰਧੀ ਜਾਣਕਾਰੀ 'ਤੇ ਹੋਰ ਵੀ ਜ਼ੋਰ ਦਿੱਤਾ ਜਾਵੇਗਾ (ਲਿੰਕ).
ਡੇਟਾ ਕੈਟਾਲਾਗ ਬੇਕਾਰ "ਲਾਈਵ" ਡੇਟਾਸੈਟਾਂ ਦਾ ਇੱਕ ਸ਼ਾਨਦਾਰ ਕੈਟਾਲਾਗ ਹੈ।
ਇਹ ਵੀ ਦਿਲਚਸਪ ਹੈ ਕਿ Paxata ਵਿੱਚ ਡਾਇਰੈਕਟਰੀਆਂ ਕਿਵੇਂ ਬਣੀਆਂ ਹਨ (ਲਿੰਕ).

"ਵਿਸ਼ਲੇਸ਼ਕ ਫਰਮ ਦੇ ਅਨੁਸਾਰ ਓਵਮ, ਸੌਫਟਵੇਅਰ ਵਿੱਚ ਤਰੱਕੀ ਦੁਆਰਾ ਸੰਭਵ ਬਣਾਇਆ ਗਿਆ ਹੈ ਭਵਿੱਖਬਾਣੀ ਵਿਸ਼ਲੇਸ਼ਣ, ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਅਤੇ NoSQL ਡਾਟਾ ਕੈਸ਼ਿੰਗ ਵਿਧੀ.[15] ਸਾਫਟਵੇਅਰ ਵਰਤਦਾ ਹੈ ਸਿਮਰਤੀ ਇੱਕ ਡੇਟਾ-ਸੈੱਟ ਵਿੱਚ ਸੰਭਾਵੀ ਡੁਪਲੀਕੇਟ ਲੱਭਣ ਲਈ ਇੱਕ ਡੇਟਾ ਸਾਰਣੀ ਦੇ ਕਾਲਮਾਂ ਅਤੇ ਪੈਟਰਨ ਮਾਨਤਾ ਐਲਗੋਰਿਦਮ ਦੇ ਅਰਥ ਨੂੰ ਸਮਝਣ ਲਈ ਐਲਗੋਰਿਦਮ।[15][7] ਇਹ ਇੰਡੈਕਸਿੰਗ, ਟੈਕਸਟ ਪੈਟਰਨ ਪਛਾਣ ਅਤੇ ਹੋਰ ਤਕਨੀਕਾਂ ਦੀ ਵੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ ਜੋ ਰਵਾਇਤੀ ਤੌਰ 'ਤੇ ਸੋਸ਼ਲ ਮੀਡੀਆ ਅਤੇ ਖੋਜ ਸੌਫਟਵੇਅਰ ਵਿੱਚ ਮਿਲਦੀਆਂ ਹਨ।

ਡਾਟਾ ਰੋਬੋਟ ਦਾ ਮੁੱਖ ਉਤਪਾਦ ਹੈ ਇੱਥੇ. ਉਨ੍ਹਾਂ ਦਾ ਨਾਅਰਾ ਮਾਡਲ ਤੋਂ ਐਂਟਰਪ੍ਰਾਈਜ਼ ਐਪਲੀਕੇਸ਼ਨ ਤੱਕ ਹੈ! ਮੈਨੂੰ ਸੰਕਟ ਦੇ ਸਬੰਧ ਵਿੱਚ ਤੇਲ ਉਦਯੋਗ ਲਈ ਸਲਾਹ-ਮਸ਼ਵਰਾ ਮਿਲਿਆ, ਪਰ ਇਹ ਬਹੁਤ ਮਾਮੂਲੀ ਅਤੇ ਦਿਲਚਸਪ ਸੀ: ਲਿੰਕ. ਮੈਂ ਉਹਨਾਂ ਦੇ ਵੀਡੀਓ ਮੋਪਸ ਜਾਂ MLops 'ਤੇ ਦੇਖੇ (ਲਿੰਕ). ਇਹ ਵੱਖ-ਵੱਖ ਉਤਪਾਦਾਂ ਦੇ 6-7 ਪ੍ਰਾਪਤੀਆਂ ਤੋਂ ਇਕੱਠਾ ਹੋਇਆ ਅਜਿਹਾ ਫ੍ਰੈਂਕਨਸਟਾਈਨ ਹੈ।

ਬੇਸ਼ੱਕ, ਇਹ ਸਪੱਸ਼ਟ ਹੋ ਜਾਂਦਾ ਹੈ ਕਿ ਡੇਟਾ ਸਾਇੰਟਿਸਟਾਂ ਦੀ ਇੱਕ ਵੱਡੀ ਟੀਮ ਨੂੰ ਮਾਡਲਾਂ ਨਾਲ ਕੰਮ ਕਰਨ ਲਈ ਅਜਿਹਾ ਮਾਹੌਲ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ, ਨਹੀਂ ਤਾਂ ਉਹ ਉਹਨਾਂ ਵਿੱਚੋਂ ਬਹੁਤ ਸਾਰਾ ਪੈਦਾ ਕਰਨਗੇ ਅਤੇ ਕਦੇ ਵੀ ਕੁਝ ਵੀ ਤਾਇਨਾਤ ਨਹੀਂ ਕਰਨਗੇ. ਅਤੇ ਸਾਡੀ ਤੇਲ ਅਤੇ ਗੈਸ ਅੱਪਸਟਰੀਮ ਹਕੀਕਤ ਵਿੱਚ, ਜੇਕਰ ਅਸੀਂ ਸਿਰਫ ਇੱਕ ਸਫਲ ਮਾਡਲ ਬਣਾ ਸਕੀਏ, ਤਾਂ ਇਹ ਬਹੁਤ ਵੱਡੀ ਤਰੱਕੀ ਹੋਵੇਗੀ!

ਇਹ ਪ੍ਰਕਿਰਿਆ ਆਪਣੇ ਆਪ ਵਿੱਚ ਭੂ-ਵਿਗਿਆਨ-ਭੂ-ਭੌਤਿਕ ਵਿਗਿਆਨ ਵਿੱਚ ਡਿਜ਼ਾਈਨ ਪ੍ਰਣਾਲੀਆਂ ਦੇ ਨਾਲ ਕੰਮ ਦੀ ਬਹੁਤ ਯਾਦ ਦਿਵਾਉਂਦੀ ਸੀ, ਉਦਾਹਰਣ ਲਈ ਪੈਟਰਲ. ਹਰ ਕੋਈ ਜੋ ਬਹੁਤ ਆਲਸੀ ਨਹੀਂ ਹੈ ਉਹ ਮਾਡਲ ਬਣਾਉਂਦਾ ਅਤੇ ਸੋਧਦਾ ਹੈ. ਮਾਡਲ ਵਿੱਚ ਡਾਟਾ ਇਕੱਠਾ ਕਰੋ. ਫਿਰ ਉਹਨਾਂ ਨੇ ਇੱਕ ਹਵਾਲਾ ਮਾਡਲ ਬਣਾਇਆ ਅਤੇ ਇਸਨੂੰ ਉਤਪਾਦਨ ਲਈ ਭੇਜਿਆ! ਕਹੋ, ਇੱਕ ਭੂ-ਵਿਗਿਆਨਕ ਮਾਡਲ ਅਤੇ ਇੱਕ ML ਮਾਡਲ ਦੇ ਵਿਚਕਾਰ, ਤੁਸੀਂ ਬਹੁਤ ਕੁਝ ਸਾਂਝਾ ਕਰ ਸਕਦੇ ਹੋ।

ਡੋਮਿਨੋ

ਖੁੱਲ੍ਹੇ ਪਲੇਟਫਾਰਮ ਅਤੇ ਸਹਿਯੋਗ 'ਤੇ ਜ਼ੋਰ. ਵਪਾਰਕ ਉਪਭੋਗਤਾਵਾਂ ਨੂੰ ਮੁਫਤ ਦਾਖਲ ਕੀਤਾ ਜਾਂਦਾ ਹੈ. ਉਹਨਾਂ ਦੀ ਡਾਟਾ ਲੈਬ ਸ਼ੇਅਰਪੁਆਇੰਟ ਦੇ ਸਮਾਨ ਹੈ. (ਅਤੇ ਨਾਮ IBM ਦੀ ਜ਼ੋਰਦਾਰ ਝਟਕਾ ਦਿੰਦਾ ਹੈ). ਸਾਰੇ ਪ੍ਰਯੋਗ ਮੂਲ ਡੇਟਾਸੇਟ ਨਾਲ ਲਿੰਕ ਹੁੰਦੇ ਹਨ। ਇਹ ਕਿੰਨਾ ਜਾਣੂ ਹੈ :) ਜਿਵੇਂ ਕਿ ਸਾਡੇ ਅਭਿਆਸ ਵਿੱਚ - ਕੁਝ ਡੇਟਾ ਨੂੰ ਮਾਡਲ ਵਿੱਚ ਖਿੱਚਿਆ ਗਿਆ ਸੀ, ਫਿਰ ਇਸਨੂੰ ਸਾਫ਼ ਕਰ ਦਿੱਤਾ ਗਿਆ ਸੀ ਅਤੇ ਮਾਡਲ ਵਿੱਚ ਕ੍ਰਮਬੱਧ ਕੀਤਾ ਗਿਆ ਸੀ, ਅਤੇ ਇਹ ਸਭ ਪਹਿਲਾਂ ਹੀ ਮਾਡਲ ਵਿੱਚ ਮੌਜੂਦ ਹੈ ਅਤੇ ਸਰੋਤ ਡੇਟਾ ਵਿੱਚ ਸਿਰੇ ਨਹੀਂ ਲੱਭੇ ਜਾ ਸਕਦੇ ਹਨ। .

ਡੋਮੀਨੋ ਵਿੱਚ ਸ਼ਾਨਦਾਰ ਬੁਨਿਆਦੀ ਢਾਂਚਾ ਵਰਚੁਅਲਾਈਜੇਸ਼ਨ ਹੈ। ਮੈਂ ਮਸ਼ੀਨ ਨੂੰ ਇੱਕ ਸਕਿੰਟ ਵਿੱਚ ਲੋੜ ਅਨੁਸਾਰ ਬਹੁਤ ਸਾਰੇ ਕੋਰ ਇਕੱਠੇ ਕੀਤੇ ਅਤੇ ਗਿਣਤੀ ਕਰਨ ਲਈ ਗਿਆ। ਇਹ ਕਿਵੇਂ ਕੀਤਾ ਗਿਆ ਸੀ, ਇਹ ਤੁਰੰਤ ਸਪੱਸ਼ਟ ਨਹੀਂ ਹੈ। ਡੌਕਰ ਹਰ ਜਗ੍ਹਾ ਹੈ. ਬਹੁਤ ਸਾਰੀ ਆਜ਼ਾਦੀ! ਨਵੀਨਤਮ ਸੰਸਕਰਣਾਂ ਦੇ ਕਿਸੇ ਵੀ ਵਰਕਸਪੇਸ ਨੂੰ ਕਨੈਕਟ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਪ੍ਰਯੋਗਾਂ ਦਾ ਸਮਾਂਤਰ ਲਾਂਚ। ਟਰੈਕਿੰਗ ਅਤੇ ਸਫਲ ਲੋਕਾਂ ਦੀ ਚੋਣ।

DataRobot ਵਾਂਗ ਹੀ - ਨਤੀਜੇ ਕਾਰੋਬਾਰੀ ਉਪਭੋਗਤਾਵਾਂ ਲਈ ਐਪਲੀਕੇਸ਼ਨਾਂ ਦੇ ਰੂਪ ਵਿੱਚ ਪ੍ਰਕਾਸ਼ਿਤ ਕੀਤੇ ਜਾਂਦੇ ਹਨ। ਖਾਸ ਤੌਰ 'ਤੇ ਗਿਫਟਡ "ਸਟੇਕਹੋਲਡਰਾਂ" ਲਈ। ਅਤੇ ਮਾਡਲਾਂ ਦੀ ਅਸਲ ਵਰਤੋਂ ਦੀ ਵੀ ਨਿਗਰਾਨੀ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। Pugs ਲਈ ਸਭ ਕੁਝ!

ਮੈਂ ਪੂਰੀ ਤਰ੍ਹਾਂ ਨਹੀਂ ਸਮਝਦਾ ਕਿ ਗੁੰਝਲਦਾਰ ਮਾਡਲ ਉਤਪਾਦਨ ਵਿੱਚ ਕਿਵੇਂ ਖਤਮ ਹੁੰਦੇ ਹਨ। ਉਹਨਾਂ ਨੂੰ ਡੇਟਾ ਫੀਡ ਕਰਨ ਅਤੇ ਨਤੀਜੇ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਕਿਸੇ ਕਿਸਮ ਦੀ API ਪ੍ਰਦਾਨ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।

H2O

ਡਰਾਈਵ ਰਹਿਤ AI ਸੁਪਰਵਾਈਜ਼ਡ ML ਲਈ ਇੱਕ ਬਹੁਤ ਹੀ ਸੰਖੇਪ ਅਤੇ ਅਨੁਭਵੀ ਪ੍ਰਣਾਲੀ ਹੈ। ਇੱਕ ਬਕਸੇ ਵਿੱਚ ਸਭ ਕੁਝ. ਇਹ ਬੈਕਐਂਡ ਬਾਰੇ ਪੂਰੀ ਤਰ੍ਹਾਂ ਸਪੱਸ਼ਟ ਨਹੀਂ ਹੈ।

ਮਾਡਲ ਆਪਣੇ ਆਪ ਹੀ ਇੱਕ REST ਸਰਵਰ ਜਾਂ Java ਐਪ ਵਿੱਚ ਪੈਕ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਇਹ ਇੱਕ ਬਹੁਤ ਵਧੀਆ ਵਿਚਾਰ ਹੈ। ਵਿਆਖਿਆਯੋਗਤਾ ਅਤੇ ਵਿਆਖਿਆਯੋਗਤਾ ਲਈ ਬਹੁਤ ਕੁਝ ਕੀਤਾ ਗਿਆ ਹੈ. ਮਾਡਲ ਦੇ ਨਤੀਜਿਆਂ ਦੀ ਵਿਆਖਿਆ ਅਤੇ ਵਿਆਖਿਆ (ਕੀ ਅਸਲ ਵਿੱਚ ਵਿਆਖਿਆਯੋਗ ਨਹੀਂ ਹੋਣੀ ਚਾਹੀਦੀ, ਨਹੀਂ ਤਾਂ ਕੋਈ ਵਿਅਕਤੀ ਉਸੇ ਦੀ ਗਣਨਾ ਕਰ ਸਕਦਾ ਹੈ?)
ਪਹਿਲੀ ਵਾਰ, ਗੈਰ-ਸੰਗਠਿਤ ਡੇਟਾ ਬਾਰੇ ਇੱਕ ਕੇਸ ਅਧਿਐਨ ਅਤੇ ਐਨ ਐਲ ਪੀ. ਉੱਚ-ਗੁਣਵੱਤਾ ਆਰਕੀਟੈਕਚਰਲ ਤਸਵੀਰ. ਅਤੇ ਆਮ ਤੌਰ 'ਤੇ ਮੈਨੂੰ ਤਸਵੀਰਾਂ ਪਸੰਦ ਆਈਆਂ.

ਇੱਥੇ ਇੱਕ ਵੱਡਾ ਓਪਨ ਸੋਰਸ H2O ਫਰੇਮਵਰਕ ਹੈ ਜੋ ਪੂਰੀ ਤਰ੍ਹਾਂ ਸਪੱਸ਼ਟ ਨਹੀਂ ਹੈ (ਐਲਗੋਰਿਦਮ/ਲਾਇਬ੍ਰੇਰੀਆਂ ਦਾ ਇੱਕ ਸੈੱਟ?) ਤੁਹਾਡਾ ਆਪਣਾ ਵਿਜ਼ੂਅਲ ਲੈਪਟਾਪ ਬਿਨਾਂ ਪ੍ਰੋਗਰਾਮਿੰਗ ਜਿਵੇਂ ਜੁਪੀਟਰ (ਲਿੰਕ). ਮੈਂ ਜਾਵਾ ਵਿੱਚ ਲਪੇਟਿਆ ਪੋਜੋ ਅਤੇ ਮੋਜੋ - H2O ਮਾਡਲਾਂ ਬਾਰੇ ਵੀ ਪੜ੍ਹਿਆ। ਪਹਿਲਾ ਸਿੱਧਾ ਹੈ, ਦੂਜਾ ਓਪਟੀਮਾਈਜੇਸ਼ਨ ਦੇ ਨਾਲ। H20 ਕੇਵਲ ਉਹ ਹਨ (!) ਜਿਨ੍ਹਾਂ ਨੂੰ ਗਾਰਟਨਰ ਨੇ ਟੈਕਸਟ ਵਿਸ਼ਲੇਸ਼ਣ ਅਤੇ NLP ਨੂੰ ਉਹਨਾਂ ਦੀਆਂ ਸ਼ਕਤੀਆਂ ਦੇ ਨਾਲ-ਨਾਲ ਵਿਆਖਿਆਯੋਗਤਾ ਸੰਬੰਧੀ ਉਹਨਾਂ ਦੇ ਯਤਨਾਂ ਨੂੰ ਸੂਚੀਬੱਧ ਕੀਤਾ ਹੈ। ਇਹ ਬਹੁਤ ਮਹੱਤਵਪੂਰਨ ਹੈ!

ਉਸੇ ਸਥਾਨ 'ਤੇ: ਹਾਰਡਵੇਅਰ ਅਤੇ ਕਲਾਉਡਸ ਦੇ ਨਾਲ ਏਕੀਕਰਣ ਦੇ ਖੇਤਰ ਵਿੱਚ ਉੱਚ ਪ੍ਰਦਰਸ਼ਨ, ਅਨੁਕੂਲਨ ਅਤੇ ਉਦਯੋਗ ਮਿਆਰ.

ਅਤੇ ਕਮਜ਼ੋਰੀ ਤਰਕਪੂਰਨ ਹੈ - ਡ੍ਰਾਈਵਰਲਸ ਏਆਈ ਉਹਨਾਂ ਦੇ ਓਪਨ ਸੋਰਸ ਦੇ ਮੁਕਾਬਲੇ ਕਮਜ਼ੋਰ ਅਤੇ ਤੰਗ ਹੈ. ਪੈਕਸਾਟਾ ਦੇ ਮੁਕਾਬਲੇ ਡਾਟਾ ਤਿਆਰ ਕਰਨਾ ਲੰਗੜਾ ਹੈ! ਅਤੇ ਉਹ ਉਦਯੋਗਿਕ ਡੇਟਾ ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕਰਦੇ ਹਨ - ਸਟ੍ਰੀਮ, ਗ੍ਰਾਫ, ਜੀਓ. ਖੈਰ, ਸਭ ਕੁਝ ਚੰਗਾ ਨਹੀਂ ਹੋ ਸਕਦਾ.

KNIME

ਮੈਨੂੰ ਮੁੱਖ ਪੰਨੇ 'ਤੇ 6 ਬਹੁਤ ਹੀ ਖਾਸ, ਬਹੁਤ ਹੀ ਦਿਲਚਸਪ ਕਾਰੋਬਾਰੀ ਕੇਸ ਪਸੰਦ ਆਏ। ਮਜ਼ਬੂਤ ​​ਓਪਨ ਸੋਰਸ।

ਗਾਰਟਨਰ ਨੇ ਉਨ੍ਹਾਂ ਨੂੰ ਨੇਤਾਵਾਂ ਤੋਂ ਦੂਰਦਰਸ਼ੀ ਬਣਾ ਦਿੱਤਾ। ਮਾੜੀ ਢੰਗ ਨਾਲ ਪੈਸਾ ਕਮਾਉਣਾ ਉਪਭੋਗਤਾਵਾਂ ਲਈ ਇੱਕ ਚੰਗਾ ਸੰਕੇਤ ਹੈ, ਕਿਉਂਕਿ ਲੀਡਰ ਹਮੇਸ਼ਾ ਸਭ ਤੋਂ ਵਧੀਆ ਵਿਕਲਪ ਨਹੀਂ ਹੁੰਦਾ ਹੈ।

ਮੁੱਖ ਸ਼ਬਦ, ਜਿਵੇਂ ਕਿ H2O ਵਿੱਚ, ਵਧਾਇਆ ਗਿਆ ਹੈ, ਜਿਸਦਾ ਅਰਥ ਹੈ ਗਰੀਬ ਨਾਗਰਿਕ ਡੇਟਾ ਵਿਗਿਆਨੀਆਂ ਦੀ ਮਦਦ ਕਰਨਾ। ਇਹ ਪਹਿਲੀ ਵਾਰ ਹੈ ਜਦੋਂ ਕਿਸੇ ਸਮੀਖਿਆ ਵਿੱਚ ਪ੍ਰਦਰਸ਼ਨ ਲਈ ਕਿਸੇ ਦੀ ਆਲੋਚਨਾ ਕੀਤੀ ਗਈ ਹੈ! ਦਿਲਚਸਪ? ਭਾਵ, ਇੱਥੇ ਇੰਨੀ ਜ਼ਿਆਦਾ ਕੰਪਿਊਟਿੰਗ ਸ਼ਕਤੀ ਹੈ ਕਿ ਪ੍ਰਦਰਸ਼ਨ ਇੱਕ ਪ੍ਰਣਾਲੀਗਤ ਸਮੱਸਿਆ ਨਹੀਂ ਹੋ ਸਕਦੀ? ਗਾਰਟਨਰ ਨੇ ਇਸ ਸ਼ਬਦ ਬਾਰੇ ਹੈ “Augmented” ਵੱਖਰਾ ਲੇਖ, ਜਿਸ ਤੱਕ ਪਹੁੰਚ ਨਹੀਂ ਕੀਤੀ ਜਾ ਸਕੀ।
ਅਤੇ KNIME ਸਮੀਖਿਆ ਵਿੱਚ ਪਹਿਲਾ ਗੈਰ-ਅਮਰੀਕੀ ਜਾਪਦਾ ਹੈ! (ਅਤੇ ਸਾਡੇ ਡਿਜ਼ਾਈਨਰਾਂ ਨੇ ਅਸਲ ਵਿੱਚ ਉਹਨਾਂ ਦੇ ਲੈਂਡਿੰਗ ਪੰਨੇ ਨੂੰ ਪਸੰਦ ਕੀਤਾ. ਅਜੀਬ ਲੋਕ.

ਮੈਥਵਰਕਸ

MatLab ਇੱਕ ਪੁਰਾਣਾ ਆਨਰੇਰੀ ਕਾਮਰੇਡ ਹੈ ਜੋ ਹਰ ਕਿਸੇ ਲਈ ਜਾਣਿਆ ਜਾਂਦਾ ਹੈ! ਜੀਵਨ ਦੇ ਸਾਰੇ ਖੇਤਰਾਂ ਅਤੇ ਸਥਿਤੀਆਂ ਲਈ ਟੂਲਬਾਕਸ। ਕੁਝ ਬਹੁਤ ਵੱਖਰਾ। ਵਾਸਤਵ ਵਿੱਚ, ਜੀਵਨ ਵਿੱਚ ਹਰ ਚੀਜ਼ ਲਈ ਬਹੁਤ ਸਾਰੇ ਅਤੇ ਬਹੁਤ ਸਾਰੇ ਗਣਿਤ!

ਸਿਸਟਮ ਡਿਜ਼ਾਈਨ ਲਈ ਇੱਕ ਸਿਮੂਲਿੰਕ ਐਡ-ਆਨ ਉਤਪਾਦ। ਮੈਂ ਡਿਜੀਟਲ ਟਵਿਨਸ ਲਈ ਟੂਲਬਾਕਸ ਵਿੱਚ ਪੁੱਟਿਆ - ਮੈਨੂੰ ਇਸ ਬਾਰੇ ਕੁਝ ਸਮਝ ਨਹੀਂ ਆਉਂਦਾ, ਪਰ ਇੱਥੇ ਬਹੁਤ ਕੁਝ ਲਿਖਿਆ ਗਿਆ ਹੈ. ਲਈ ਤੇਲ ਉਦਯੋਗ. ਆਮ ਤੌਰ 'ਤੇ, ਇਹ ਗਣਿਤ ਅਤੇ ਇੰਜੀਨੀਅਰਿੰਗ ਦੀ ਡੂੰਘਾਈ ਤੋਂ ਬੁਨਿਆਦੀ ਤੌਰ 'ਤੇ ਵੱਖਰਾ ਉਤਪਾਦ ਹੈ। ਖਾਸ ਗਣਿਤ ਟੂਲਕਿੱਟਾਂ ਦੀ ਚੋਣ ਕਰਨ ਲਈ। ਗਾਰਟਨਰ ਦੇ ਅਨੁਸਾਰ, ਉਨ੍ਹਾਂ ਦੀਆਂ ਸਮੱਸਿਆਵਾਂ ਸਮਾਰਟ ਇੰਜੀਨੀਅਰਾਂ ਦੀਆਂ ਸਮੱਸਿਆਵਾਂ ਵਾਂਗ ਹੀ ਹਨ - ਕੋਈ ਸਹਿਯੋਗ ਨਹੀਂ - ਹਰ ਕੋਈ ਆਪਣੇ ਮਾਡਲ ਵਿੱਚ ਘੁੰਮਦਾ ਹੈ, ਕੋਈ ਲੋਕਤੰਤਰ ਨਹੀਂ, ਕੋਈ ਸਪੱਸ਼ਟੀਕਰਨ ਨਹੀਂ।

ਰੈਪਿਡ ਮਾਈਨਰ

ਮੈਂ ਚੰਗੇ ਓਪਨ ਸੋਰਸ ਦੇ ਸੰਦਰਭ ਵਿੱਚ (ਮੈਟਲਬ ਦੇ ਨਾਲ) ਪਹਿਲਾਂ ਬਹੁਤ ਕੁਝ ਸੁਣਿਆ ਹੈ ਅਤੇ ਸੁਣਿਆ ਹੈ. ਮੈਂ ਆਮ ਵਾਂਗ TurboPrep ਵਿੱਚ ਥੋੜਾ ਜਿਹਾ ਪੁੱਟਿਆ. ਮੈਨੂੰ ਗੰਦੇ ਡੇਟਾ ਤੋਂ ਸਾਫ਼ ਡੇਟਾ ਕਿਵੇਂ ਪ੍ਰਾਪਤ ਕਰਨਾ ਹੈ ਇਸ ਵਿੱਚ ਦਿਲਚਸਪੀ ਹੈ.

ਦੁਬਾਰਾ ਫਿਰ ਤੁਸੀਂ ਦੇਖ ਸਕਦੇ ਹੋ ਕਿ ਵਿਸ਼ੇਸ਼ਤਾ ਡੈਮੋ 'ਤੇ 2018 ਦੀ ਮਾਰਕੀਟਿੰਗ ਸਮੱਗਰੀ ਅਤੇ ਭਿਆਨਕ ਅੰਗਰੇਜ਼ੀ ਬੋਲਣ ਵਾਲੇ ਲੋਕਾਂ ਦੇ ਆਧਾਰ 'ਤੇ ਲੋਕ ਚੰਗੇ ਹਨ.

ਅਤੇ 2001 ਤੋਂ ਇੱਕ ਮਜ਼ਬੂਤ ​​ਜਰਮਨ ਪਿਛੋਕੜ ਵਾਲੇ ਡਾਰਟਮੰਡ ਦੇ ਲੋਕ)

ਮੈਂ ਅਜੇ ਵੀ ਸਾਈਟ ਤੋਂ ਇਹ ਨਹੀਂ ਸਮਝਦਾ ਹਾਂ ਕਿ ਓਪਨ ਸੋਰਸ ਵਿੱਚ ਅਸਲ ਵਿੱਚ ਕੀ ਉਪਲਬਧ ਹੈ - ਤੁਹਾਨੂੰ ਡੂੰਘਾਈ ਨਾਲ ਖੋਦਣ ਦੀ ਜ਼ਰੂਰਤ ਹੈ. ਤੈਨਾਤੀ ਅਤੇ ਆਟੋਐਮਐਲ ਸੰਕਲਪਾਂ ਬਾਰੇ ਵਧੀਆ ਵੀਡੀਓ।

ਰੈਪਿਡਮਾਈਨਰ ਸਰਵਰ ਬੈਕਐਂਡ ਬਾਰੇ ਵੀ ਕੁਝ ਖਾਸ ਨਹੀਂ ਹੈ। ਇਹ ਸੰਭਾਵਤ ਤੌਰ 'ਤੇ ਸੰਖੇਪ ਹੋਵੇਗਾ ਅਤੇ ਬਾਕਸ ਦੇ ਬਾਹਰ ਪ੍ਰੀਮੀਅਮ 'ਤੇ ਵਧੀਆ ਕੰਮ ਕਰੇਗਾ। ਇਹ ਡੌਕਰ ਵਿੱਚ ਪੈਕ ਕੀਤਾ ਗਿਆ ਹੈ. ਸਿਰਫ਼ RapidMiner ਸਰਵਰ 'ਤੇ ਸਾਂਝਾ ਵਾਤਾਵਰਨ। ਅਤੇ ਫਿਰ ਰੈਡੂਪ ਹੈ, ਹਡੂਪ ਤੋਂ ਡੇਟਾ, ਸਟੂਡੀਓ ਵਰਕਫਲੋ ਵਿੱਚ ਸਪਾਰਕ ਤੋਂ ਤੁਕਾਂ ਦੀ ਗਿਣਤੀ।

ਜਿਵੇਂ ਕਿ ਉਮੀਦ ਕੀਤੀ ਜਾਂਦੀ ਸੀ, ਨੌਜਵਾਨ ਗਰਮ ਵਿਕਰੇਤਾ "ਧਾਰੀਦਾਰ ਸਟਿਕਸ ਵੇਚਣ ਵਾਲੇ" ਉਹਨਾਂ ਨੂੰ ਹੇਠਾਂ ਲੈ ਗਏ। ਗਾਰਟਨਰ, ਹਾਲਾਂਕਿ, ਐਂਟਰਪ੍ਰਾਈਜ਼ ਸਪੇਸ ਵਿੱਚ ਉਨ੍ਹਾਂ ਦੀ ਭਵਿੱਖ ਦੀ ਸਫਲਤਾ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਦਾ ਹੈ। ਤੁਸੀਂ ਉੱਥੇ ਪੈਸਾ ਇਕੱਠਾ ਕਰ ਸਕਦੇ ਹੋ। ਜਰਮਨ ਜਾਣਦੇ ਹਨ ਕਿ ਇਹ ਕਿਵੇਂ ਕਰਨਾ ਹੈ, ਪਵਿੱਤਰ-ਪਵਿੱਤਰ :) SAP ਦਾ ਜ਼ਿਕਰ ਨਾ ਕਰੋ !!!

ਉਹ ਨਾਗਰਿਕਾਂ ਲਈ ਬਹੁਤ ਕੁਝ ਕਰਦੇ ਹਨ! ਪਰ ਪੰਨੇ ਤੋਂ ਤੁਸੀਂ ਦੇਖ ਸਕਦੇ ਹੋ ਕਿ ਗਾਰਟਨਰ ਕਹਿੰਦਾ ਹੈ ਕਿ ਉਹ ਵਿਕਰੀ ਦੀ ਨਵੀਨਤਾ ਨਾਲ ਸੰਘਰਸ਼ ਕਰ ਰਹੇ ਹਨ ਅਤੇ ਕਵਰੇਜ ਦੀ ਚੌੜਾਈ ਲਈ ਨਹੀਂ ਲੜ ਰਹੇ ਹਨ, ਪਰ ਮੁਨਾਫੇ ਲਈ.

ਰਿਹਾ ਐਸ.ਏ.ਐਸ и ਟਿਬਕੋ ਮੇਰੇ ਲਈ ਆਮ BI ਵਿਕਰੇਤਾ... ਅਤੇ ਦੋਵੇਂ ਬਹੁਤ ਹੀ ਸਿਖਰ 'ਤੇ ਹਨ, ਜੋ ਮੇਰੇ ਵਿਸ਼ਵਾਸ ਦੀ ਪੁਸ਼ਟੀ ਕਰਦਾ ਹੈ ਕਿ ਆਮ ਡਾਟਾ ਵਿਗਿਆਨ ਤਰਕ ਨਾਲ ਵਧ ਰਿਹਾ ਹੈ
BI ਤੋਂ, ਨਾ ਕਿ ਕਲਾਉਡਸ ਅਤੇ ਹੈਡੂਪ ਬੁਨਿਆਦੀ ਢਾਂਚੇ ਤੋਂ। ਕਾਰੋਬਾਰ ਤੋਂ, ਯਾਨੀ ਕਿ, ਅਤੇ ਆਈਟੀ ਤੋਂ ਨਹੀਂ। ਉਦਾਹਰਨ ਲਈ Gazpromneft ਵਿੱਚ: ਲਿੰਕ,ਇੱਕ ਪਰਿਪੱਕ DSML ਵਾਤਾਵਰਣ ਮਜ਼ਬੂਤ ​​BI ਅਭਿਆਸਾਂ ਤੋਂ ਵਧਦਾ ਹੈ। ਪਰ ਹੋ ਸਕਦਾ ਹੈ ਕਿ ਇਹ ਐਮਡੀਐਮ ਅਤੇ ਹੋਰ ਚੀਜ਼ਾਂ ਪ੍ਰਤੀ ਚੁਸਤ ਅਤੇ ਪੱਖਪਾਤੀ ਹੈ, ਕੌਣ ਜਾਣਦਾ ਹੈ.

ਐਸ.ਏ.ਐਸ

ਕਹਿਣ ਲਈ ਬਹੁਤ ਕੁਝ ਨਹੀਂ ਹੈ। ਸਿਰਫ ਸਪੱਸ਼ਟ ਚੀਜ਼ਾਂ.

TIBCO

ਰਣਨੀਤੀ ਨੂੰ ਇੱਕ ਪੰਨੇ-ਲੰਬੇ ਵਿਕੀ ਪੰਨੇ 'ਤੇ ਖਰੀਦਦਾਰੀ ਸੂਚੀ ਵਿੱਚ ਪੜ੍ਹਿਆ ਜਾਂਦਾ ਹੈ। ਹਾਂ, ਲੰਬੀ ਕਹਾਣੀ, ਪਰ 28!!! ਚਾਰਲਸ। ਮੈਂ BI Spotfire (2007) ਨੂੰ ਆਪਣੀ ਟੈਕਨੋ-ਯੁਵਾ ਵਿੱਚ ਵਾਪਸ ਖਰੀਦਿਆ। ਅਤੇ ਜੈਸਪਰਸੌਫਟ (2014) ਤੋਂ ਵੀ ਰਿਪੋਰਟਿੰਗ, ਫਿਰ ਵੱਧ ਤੋਂ ਵੱਧ ਤਿੰਨ ਭਵਿੱਖਬਾਣੀ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿਕਰੇਤਾ Insightful (S-plus) (2008), ਸਟੈਟਿਸਟਿਕਾ (2017) ਅਤੇ Alpine Data (2017), ਇਵੈਂਟ ਪ੍ਰੋਸੈਸਿੰਗ ਅਤੇ ਸਟ੍ਰੀਮਿੰਗ ਸਟ੍ਰੀਮਬੇਸ ਸਿਸਟਮ (2013), MDM ਆਰਕੈਸਟਰਾ। ਨੈੱਟਵਰਕ (2018) ਅਤੇ ਸਨੈਪੀ ਡੇਟਾ (2019) ਇਨ-ਮੈਮੋਰੀ ਪਲੇਟਫਾਰਮ।

ਹੈਲੋ ਫਰੈਂਕੀ!

ਸਰੋਤ: www.habr.com