గార్ట్‌నర్ MQ 2020 సమీక్ష: మెషిన్ లెర్నింగ్ మరియు ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ ప్లాట్‌ఫారమ్‌లు

నేను దీన్ని ఎందుకు చదివానో వివరించడం అసాధ్యం. నాకు సమయం ఉంది మరియు మార్కెట్ ఎలా పనిచేస్తుందనే దానిపై ఆసక్తి ఉంది. మరియు 2018 నుండి గార్ట్‌నర్ ప్రకారం ఇది ఇప్పటికే పూర్తి స్థాయి మార్కెట్. 2014-2016 నుండి దీనిని అధునాతన విశ్లేషణలు (BIలో మూలాలు) అని పిలుస్తారు, 2017లో - డేటా సైన్స్ (దీనిని రష్యన్‌లోకి ఎలా అనువదించాలో నాకు తెలియదు). స్క్వేర్ చుట్టూ ఉన్న విక్రేతల కదలికలపై ఆసక్తి ఉన్నవారికి, మీరు చేయవచ్చు ఇక్కడ చూడు. మరియు నేను 2020 స్క్వేర్ గురించి మాట్లాడతాను, ప్రత్యేకించి 2019 నుండి అక్కడ మార్పులు చాలా తక్కువగా ఉన్నాయి: SAP తరలించబడింది మరియు ఆల్టెయిర్ డేటావాచ్‌ని కొనుగోలు చేసింది.

ఇది క్రమబద్ధమైన విశ్లేషణ లేదా పట్టిక కాదు. భౌగోళిక భౌతిక శాస్త్రవేత్త దృష్టికోణం నుండి ఒక వ్యక్తిగత వీక్షణ. కానీ నేను గార్ట్‌నర్ MQ చదవడానికి ఎప్పుడూ ఆసక్తిగా ఉంటాను, వారు కొన్ని పాయింట్‌లను ఖచ్చితంగా రూపొందించారు. కాబట్టి నేను సాంకేతికంగా, మార్కెట్ వారీగా మరియు తాత్వికంగా రెండింటికీ శ్రద్ధ చూపిన విషయాలు ఇక్కడ ఉన్నాయి.

ఇది ML అంశంలో లోతుగా ఉన్న వ్యక్తుల కోసం కాదు, సాధారణంగా మార్కెట్‌లో ఏమి జరుగుతుందో ఆసక్తి ఉన్న వ్యక్తుల కోసం.

DSML మార్కెట్ BI మరియు Cloud AI డెవలపర్ సేవల మధ్య తార్కికంగా గూడు కట్టుకుంది.

ముందుగా ఇష్టమైన కోట్‌లు మరియు నిబంధనలు:

• "ఒక నాయకుడు ఉత్తమ ఎంపిక కాకపోవచ్చు" — మార్కెట్ లీడర్ మీకు అవసరమైనది కాదు. చాలా త్వరగా! ఫంక్షనల్ కస్టమర్ లేకపోవడం వల్ల, వారు ఎల్లప్పుడూ "అనుకూలమైనది" కాకుండా "ఉత్తమ" పరిష్కారం కోసం చూస్తున్నారు.
• "నమూనా కార్యాచరణ" - MOP లుగా సంక్షిప్తీకరించబడింది. మరియు ప్రతి ఒక్కరూ పగ్స్‌తో చాలా కష్టపడతారు! - (కూల్ పగ్ థీమ్ మోడల్ పని చేస్తుంది).
• "నోట్‌బుక్ పర్యావరణం" కోడ్, వ్యాఖ్యలు, డేటా మరియు ఫలితాలు కలిసి వచ్చే ముఖ్యమైన భావన. ఇది చాలా స్పష్టంగా ఉంది, ఆశాజనకంగా ఉంది మరియు UI కోడ్ మొత్తాన్ని గణనీయంగా తగ్గిస్తుంది.
• "ఓపెన్‌సోర్స్‌లో పాతుకుపోయింది" - బాగా చెప్పారు - ఓపెన్ సోర్స్‌లో రూట్ తీసుకుంటుంది.
• "సిటిజన్ డేటా సైంటిస్ట్స్" - అటువంటి సులభమైన డ్యూడ్‌లు, అటువంటి లేమర్‌లు, నిపుణులు కాదు, వారికి దృశ్యమాన వాతావరణం మరియు అన్ని రకాల సహాయక విషయాలు అవసరం. వారు కోడ్ చేయరు.
• "ప్రజాస్వామ్యం" - తరచుగా "విస్తృత శ్రేణి వ్యక్తులకు అందుబాటులో ఉంచు" అని అర్థం. మేము ఉపయోగించే ప్రమాదకరమైన “డేటాను ఉచితం”కి బదులుగా “డేటాను ప్రజాస్వామ్యీకరించండి” అని చెప్పవచ్చు. "ప్రజాస్వామ్యం" అనేది ఎల్లప్పుడూ పొడవాటి తోక మరియు విక్రేతలందరూ దాని వెంట పరుగెత్తుతారు. జ్ఞాన తీవ్రతలో నష్టం - ప్రాప్యతలో లాభం!
• "అన్వేషణాత్మక డేటా విశ్లేషణ - EDA" - అందుబాటులో ఉన్న ఈ మార్గాల పరిశీలన. కొన్ని గణాంకాలు. కొంచెం విజువలైజేషన్. ప్రతి ఒక్కరూ ఏదో ఒక స్థాయిలో చేసేదే. దీనికి ఒక పేరు ఉందని తెలియదు
• "పునరుత్పత్తి" - అన్ని పర్యావరణ పారామితులు, ఇన్‌పుట్‌లు మరియు అవుట్‌పుట్‌లను గరిష్టంగా భద్రపరచడం, తద్వారా ఒకసారి ప్రయోగాన్ని పునరావృతం చేయవచ్చు. ప్రయోగాత్మక పరీక్ష వాతావరణానికి అత్యంత ముఖ్యమైన పదం!

సో:

Alteryx

కూల్ ఇంటర్‌ఫేస్, బొమ్మలాగా. స్కేలబిలిటీ, వాస్తవానికి, కొంచెం కష్టం. దీని ప్రకారం, ఇంజనీర్ల సిటిజన్ కమ్యూనిటీ అదే చుట్టూ ఉన్న tchotchkes ఆడటానికి. Analytics అన్నీ ఒకే బాటిల్‌లో ఉంటాయి. స్పెక్ట్రల్-కోరిలేషన్ డేటా విశ్లేషణ యొక్క సంక్లిష్టతను నాకు గుర్తు చేసింది కోస్కాడ్, ఇది 90లలో ప్రోగ్రామ్ చేయబడింది.

anaconda

పైథాన్ మరియు R నిపుణుల చుట్టూ ఉన్న సంఘం. ఓపెన్ సోర్స్ తదనుగుణంగా పెద్దది. నా సహోద్యోగులు దీన్ని అన్ని సమయాలలో ఉపయోగిస్తున్నారని తేలింది. కానీ నాకు తెలియదు.

డేటాబ్రిక్స్

మూడు ఓపెన్‌సోర్స్ ప్రాజెక్ట్‌లను కలిగి ఉంటుంది - స్పార్క్ డెవలపర్‌లు 2013 నుండి చాలా డబ్బును సేకరించారు. నేను నిజంగా వికీని కోట్ చేయాలి:

"సెప్టెంబర్ 2013లో, డేటాబ్రిక్స్ ఆండ్రీసెన్ హోరోవిట్జ్ నుండి $13.9 మిలియన్లు సేకరించినట్లు ప్రకటించింది. కంపెనీ 33లో అదనంగా $2014 మిలియన్లు, 60లో $2016 మిలియన్లు, 140లో $2017 మిలియన్లు, 250 (ఫిబ్రవరి)లో $2019 మిలియన్లు మరియు 400 (అక్టోబర్)లో $2019 మిలియన్లను సేకరించింది"!!!

కొంతమంది గొప్ప వ్యక్తులు స్పార్క్‌ను కత్తిరించారు. నాకు తెలియదు, క్షమించండి!

మరియు ప్రాజెక్టులు:

• డెల్టా సరస్సు - స్పార్క్‌లోని ACID ఇటీవల విడుదల చేయబడింది (ఎలాస్టిక్‌సెర్చ్‌తో మనం కలలుగన్నది) - దానిని డేటాబేస్‌గా మారుస్తుంది: దృఢమైన స్కీమా, ACID, ఆడిటింగ్, సంస్కరణలు...
• ML ఫ్లో - నమూనాల ట్రాకింగ్, ప్యాకేజింగ్, నిర్వహణ మరియు నిల్వ.
• కోలాస్ - పాండాస్ డేటాఫ్రేమ్ API ఆన్ స్పార్క్ - పాండాస్ - సాధారణంగా టేబుల్‌లు మరియు డేటాతో పని చేయడానికి పైథాన్ API.

తెలియని లేదా మరచిపోయిన వారి కోసం మీరు స్పార్క్‌ని చూడవచ్చు: ссылка. నేను కొంచెం బోరింగ్ కానీ వివరణాత్మక కన్సల్టింగ్ వడ్రంగిపిట్టల ఉదాహరణలతో వీడియోలను చూశాను: డేటా బ్రిక్స్ ఫర్ డేటా సైన్స్ (ссылка) మరియు డేటా ఇంజనీరింగ్ కోసం (ссылка).

సంక్షిప్తంగా, డేటాబ్రిక్స్ స్పార్క్‌ను బయటకు తీస్తుంది. క్లౌడ్‌లో సాధారణంగా స్పార్క్‌ని ఉపయోగించాలనుకునే ఎవరైనా సంకోచం లేకుండా డేటాబ్రిక్స్‌ని తీసుకుంటారు, ఉద్దేశించిన ప్రకారం 🙂 స్పార్క్ ఇక్కడ ప్రధాన భేదం.
స్పార్క్ స్ట్రీమింగ్ నిజమైన ఫేక్ రియల్ టైమ్ లేదా మైక్రోబ్యాచింగ్ కాదని నేను తెలుసుకున్నాను. మరియు మీకు నిజమైన రియల్ టైమ్ కావాలంటే, అది Apache STORMలో ఉంటుంది. MapReduce కంటే స్పార్క్ మంచిదని అందరూ కూడా చెబుతారు మరియు వ్రాస్తారు. ఇదీ నినాదం.

డేటాకు

కూల్ ఎండ్-టు-ఎండ్ విషయం. చాలా ప్రకటనలు ఉన్నాయి. ఇది Alteryx నుండి ఎలా భిన్నంగా ఉంటుందో నాకు అర్థం కావడం లేదు?

డేటా రోబోట్

డేటా తయారీ కోసం పాక్సాటా అనేది డిసెంబర్ 2019లో డేటా రోబోట్‌లచే కొనుగోలు చేయబడిన ప్రత్యేక కంపెనీ. మేము 20 MUSD పెంచాము మరియు విక్రయించాము. అన్నీ 7 సంవత్సరాలలో.

పాక్సాటాలో డేటా తయారీ, ఎక్సెల్ కాదు - ఇక్కడ చూడండి: ссылка.
రెండు డేటాసెట్‌ల మధ్య చేరడానికి ఆటోమేటిక్ లుకప్‌లు మరియు ప్రతిపాదనలు ఉన్నాయి. ఒక గొప్ప విషయం - డేటాను అర్థం చేసుకోవడానికి, వచన సమాచారంపై మరింత ఎక్కువ ప్రాధాన్యత ఉంటుంది (ссылка).
డేటా కేటలాగ్ అనేది పనికిరాని "లైవ్" డేటాసెట్‌ల యొక్క అద్భుతమైన కేటలాగ్.
పాక్సాటాలో డైరెక్టరీలు ఎలా ఏర్పడతాయో కూడా ఆసక్తికరంగా ఉంది (ссылка).

"విశ్లేషకుల సంస్థ ప్రకారం అండం, సాఫ్ట్‌వేర్ పురోగతి ద్వారా సాధ్యమవుతుంది ప్రిడిక్టివ్ అనలిటిక్స్, యంత్ర అభ్యాసం ఇంకా NoSQL డేటా కాషింగ్ పద్దతి.[15] సాఫ్ట్‌వేర్ ఉపయోగిస్తుంది అర్థ డేటా టేబుల్ యొక్క నిలువు వరుసల అర్థాన్ని అర్థం చేసుకోవడానికి అల్గారిథమ్‌లు మరియు డేటా సెట్‌లో సంభావ్య నకిలీలను కనుగొనడానికి నమూనా గుర్తింపు అల్గారిథమ్‌లు.[15][7] ఇది సాంప్రదాయకంగా సోషల్ మీడియా మరియు సెర్చ్ సాఫ్ట్‌వేర్‌లో కనిపించే ఇండెక్సింగ్, టెక్స్ట్ ప్యాటర్న్ రికగ్నిషన్ మరియు ఇతర టెక్నాలజీలను కూడా ఉపయోగిస్తుంది.

డేటా రోబోట్ యొక్క ప్రధాన ఉత్పత్తి ఇక్కడ. మోడల్ నుండి ఎంటర్‌ప్రైజ్ అప్లికేషన్ వరకు వారి నినాదం! సంక్షోభానికి సంబంధించి చమురు పరిశ్రమ కోసం నేను సలహా ఇస్తున్నాను, కానీ ఇది చాలా సామాన్యమైనది మరియు రసహీనమైనది: ссылка. నేను వారి వీడియోలను Mops లేదా MLopలలో చూశాను (ссылка) ఇది వివిధ ఉత్పత్తుల యొక్క 6-7 సముపార్జనల నుండి సమీకరించబడిన అటువంటి ఫ్రాంకెన్‌స్టైయిన్.

వాస్తవానికి, డేటా సైంటిస్టుల యొక్క పెద్ద బృందం మోడల్‌లతో పనిచేయడానికి అలాంటి వాతావరణాన్ని కలిగి ఉండాలని స్పష్టమవుతుంది, లేకుంటే వారు వాటిని చాలా ఉత్పత్తి చేస్తారు మరియు దేనినీ అమలు చేయరు. మరియు మన చమురు మరియు గ్యాస్ అప్‌స్ట్రీమ్ రియాలిటీలో, మనం ఒక విజయవంతమైన మోడల్‌ను రూపొందించగలిగితే, అది గొప్ప పురోగతి!

ఈ ప్రక్రియ జియోలజీ-జియోఫిజిక్స్‌లో డిజైన్ సిస్టమ్‌లతో చేసిన పనిని చాలా గుర్తుచేస్తుంది, ఉదాహరణకు Petrel. తీరిక లేని ప్రతి ఒక్కరూ మోడల్‌లను తయారు చేస్తారు మరియు సవరించుకుంటారు. మోడల్‌లో డేటాను సేకరించండి. అప్పుడు వారు ఒక రిఫరెన్స్ మోడల్‌ను తయారు చేసి ఉత్పత్తికి పంపారు! జియోలాజికల్ మోడల్ మరియు ML మోడల్ మధ్య, మీరు చాలా ఉమ్మడిగా కనుగొనవచ్చు.

డొమినో

బహిరంగ వేదిక మరియు సహకారానికి ప్రాధాన్యత. వ్యాపార వినియోగదారులు ఉచితంగా అనుమతించబడతారు. వారి డేటా ల్యాబ్ షేర్‌పాయింట్‌తో సమానంగా ఉంటుంది. (మరియు ఈ పేరు IBM యొక్క బలమైన స్మాక్స్). అన్ని ప్రయోగాలు అసలు డేటాసెట్‌కి లింక్ చేస్తాయి. ఇది ఎంత సుపరిచితం :) మా ఆచరణలో వలె - కొంత డేటా మోడల్‌లోకి లాగబడింది, ఆపై దానిని శుభ్రం చేసి మోడల్‌లో ఉంచారు మరియు ఇవన్నీ ఇప్పటికే మోడల్‌లో నివసిస్తాయి మరియు మూలాధార డేటాలో చివరలు కనుగొనబడలేదు .

డొమినో కూల్ ఇన్‌ఫ్రాస్ట్రక్చర్ వర్చువలైజేషన్‌ని కలిగి ఉంది. నేను ఒక సెకనులో అవసరమైనన్ని కోర్లను యంత్రాన్ని సమీకరించాను మరియు లెక్కించడానికి వెళ్ళాను. ఇది ఎలా జరిగిందో వెంటనే స్పష్టంగా తెలియలేదు. డాకర్ ప్రతిచోటా ఉంది. చాలా స్వేచ్ఛ! తాజా వెర్షన్‌ల యొక్క ఏవైనా వర్క్‌స్పేస్‌లను కనెక్ట్ చేయవచ్చు. ప్రయోగాల సమాంతర ప్రయోగం. ట్రాకింగ్ మరియు విజయవంతమైన వాటిని ఎంపిక.

DataRobot మాదిరిగానే - ఫలితాలు వ్యాపార వినియోగదారుల కోసం అప్లికేషన్‌ల రూపంలో ప్రచురించబడతాయి. ముఖ్యంగా ప్రతిభావంతులైన "వాటాదారుల" కోసం. మరియు నమూనాల వాస్తవ వినియోగం కూడా పర్యవేక్షించబడుతుంది. పగ్స్ కోసం ప్రతిదీ!

సంక్లిష్ట నమూనాలు ఉత్పత్తిలో ఎలా ముగుస్తాయో నాకు పూర్తిగా అర్థం కాలేదు. వారికి డేటాను అందించడానికి మరియు ఫలితాలను పొందడానికి కొన్ని రకాల API అందించబడింది.

H2O

డ్రైవ్‌లెస్ AI అనేది పర్యవేక్షించబడే ML కోసం చాలా కాంపాక్ట్ మరియు సహజమైన సిస్టమ్. అన్నీ ఒకే పెట్టెలో. బ్యాకెండ్ గురించి ఇది పూర్తిగా స్పష్టంగా లేదు.

మోడల్ స్వయంచాలకంగా REST సర్వర్ లేదా జావా యాప్‌లోకి ప్యాక్ చేయబడుతుంది. ఇది గొప్ప ఆలోచన. ఇంటర్‌ప్రెటబిలిటీ మరియు ఎక్స్‌ప్లెయిన్‌బిలిటీ కోసం చాలా చేసారు. మోడల్ ఫలితాల యొక్క వివరణ మరియు వివరణ (ఏది అంతర్లీనంగా వివరించబడకూడదు, లేకుంటే ఒక వ్యక్తి అదే లెక్కించగలరా?).
మొదటిసారిగా, నిర్మాణాత్మక డేటా గురించి కేస్ స్టడీ మరియు NLP. అధిక-నాణ్యత నిర్మాణ చిత్రం. మరియు సాధారణంగా నేను చిత్రాలను ఇష్టపడ్డాను.

పూర్తిగా స్పష్టంగా లేని పెద్ద ఓపెన్ సోర్స్ H2O ఫ్రేమ్‌వర్క్ ఉంది (అల్గారిథమ్‌లు/లైబ్రరీల సమితి?). జూపిటర్ వంటి ప్రోగ్రామింగ్ లేకుండా మీ స్వంత దృశ్య ల్యాప్‌టాప్ (ссылка) జావాలో చుట్టబడిన Pojo మరియు Mojo - H2O మోడల్స్ గురించి కూడా చదివాను. మొదటిది సూటిగా ఉంటుంది, రెండవది ఆప్టిమైజేషన్‌తో ఉంటుంది. H20 మాత్రమే(!) వీరికి గార్ట్‌నర్ టెక్స్ట్ అనలిటిక్స్ మరియు NLPని వారి బలాలుగా, అలాగే వివరణకు సంబంధించి వారి ప్రయత్నాలను జాబితా చేసారు. ఇది చాలా ముఖ్యం!

అదే స్థలంలో: హార్డ్‌వేర్ మరియు క్లౌడ్‌లతో ఏకీకరణ రంగంలో అధిక పనితీరు, ఆప్టిమైజేషన్ మరియు పరిశ్రమ ప్రమాణం.

మరియు బలహీనత తార్కికం - Driverles AI వారి ఓపెన్ సోర్స్‌తో పోలిస్తే బలహీనంగా మరియు ఇరుకైనది. పాక్సాటాతో పోలిస్తే డేటా తయారీ మందకొడిగా ఉంది! మరియు వారు పారిశ్రామిక డేటాను విస్మరిస్తారు - స్ట్రీమ్, గ్రాఫ్, జియో. బాగా, ప్రతిదీ కేవలం మంచి కాదు.

KNIME

నేను ప్రధాన పేజీలో 6 నిర్దిష్టమైన, చాలా ఆసక్తికరమైన వ్యాపార సందర్భాలను ఇష్టపడ్డాను. బలమైన ఓపెన్‌సోర్స్.

గార్ట్నర్ వారిని నాయకుల నుండి దూరదృష్టి గలవారిగా తగ్గించాడు. లీడర్ ఎల్లప్పుడూ ఉత్తమ ఎంపిక కానందున, పేలవంగా డబ్బు సంపాదించడం వినియోగదారులకు మంచి సంకేతం.

H2Oలో వలె కీలక పదం వృద్ధి చెందింది, అంటే పేద పౌరుల డేటా శాస్త్రవేత్తలకు సహాయం చేయడం. రివ్యూలో పనితీరుపై ఎవరైనా విమర్శలు గుప్పించడం ఇదే తొలిసారి! ఆసక్తికరమైన? అంటే, చాలా కంప్యూటింగ్ శక్తి ఉంది, పనితీరు వ్యవస్థాపరమైన సమస్య కాదా? గార్ట్‌నర్ ఈ పదం గురించి "ఆగ్మెంటెడ్" ప్రత్యేక వ్యాసం, చేరుకోలేకపోయింది.
మరియు సమీక్షలో KNIME మొదటి నాన్-అమెరికన్‌గా కనిపిస్తోంది! (మరియు మా డిజైనర్లు వారి ల్యాండింగ్ పేజీని నిజంగా ఇష్టపడ్డారు. వింత వ్యక్తులు.

మ్యాథ్‌వర్క్స్

MatLab అందరికీ తెలిసిన పాత గౌరవ సహచరుడు! జీవితంలోని అన్ని ప్రాంతాలు మరియు పరిస్థితుల కోసం టూల్‌బాక్స్‌లు. చాలా భిన్నమైనది. నిజానికి, జీవితంలో ప్రతిదానికీ బోలెడంత, బోలెడన్ని గణితం!

సిస్టమ్ డిజైన్ కోసం సిములింక్ యాడ్-ఆన్ ఉత్పత్తి. నేను డిజిటల్ కవలల కోసం టూల్‌బాక్స్‌లను తవ్వాను - దాని గురించి నాకు ఏమీ అర్థం కాలేదు, కానీ ఇక్కడ చాలా వ్రాయబడింది. కోసం చమురు పరిశ్రమ. సాధారణంగా, ఇది గణితం మరియు ఇంజనీరింగ్ యొక్క లోతుల నుండి ప్రాథమికంగా భిన్నమైన ఉత్పత్తి. నిర్దిష్ట గణిత టూల్‌కిట్‌లను ఎంచుకోవడానికి. గార్ట్‌నర్ ప్రకారం, వారి సమస్యలు స్మార్ట్ ఇంజనీర్‌ల మాదిరిగానే ఉంటాయి - సహకారం లేదు - ప్రతి ఒక్కరూ వారి స్వంత నమూనాలో తిరుగుతారు, ప్రజాస్వామ్యం లేదు, స్పష్టత లేదు.

RapidMiner

మంచి ఓపెన్ సోర్స్ సందర్భంలో నేను ఇంతకు ముందు (మత్లాబ్‌తో పాటు) చాలా విన్నాను. నేను ఎప్పటిలాగే TurboPrep లోకి కొద్దిగా తవ్వి. డర్టీ డేటా నుండి క్లీన్ డేటాను ఎలా పొందాలనే దానిపై నాకు ఆసక్తి ఉంది.

ఫీచర్ డెమోలో 2018 మార్కెటింగ్ మెటీరియల్స్ మరియు భయంకరమైన ఇంగ్లీష్ మాట్లాడే వ్యక్తుల ఆధారంగా మంచి వ్యక్తులు ఉన్నారని మీరు మళ్లీ చూడవచ్చు.

మరియు బలమైన జర్మన్ నేపథ్యంతో 2001 నుండి డార్ట్మండ్ నుండి వచ్చిన వ్యక్తులు)

ఓపెన్ సోర్స్‌లో సరిగ్గా ఏమి అందుబాటులో ఉందో నాకు ఇప్పటికీ సైట్ నుండి అర్థం కాలేదు - మీరు లోతుగా త్రవ్వాలి. విస్తరణ మరియు AutoML కాన్సెప్ట్‌ల గురించి మంచి వీడియోలు.

RapidMiner సర్వర్ బ్యాకెండ్ గురించి ప్రత్యేకంగా ఏమీ లేదు. ఇది బహుశా కాంపాక్ట్‌గా ఉంటుంది మరియు ప్రీమియం అవుట్ ఆఫ్ బాక్స్‌లో బాగా పని చేస్తుంది. ఇది డాకర్‌లో ప్యాక్ చేయబడింది. RapidMiner సర్వర్‌లో మాత్రమే భాగస్వామ్య పర్యావరణం. ఆపై Radoop ఉంది, హడూప్ నుండి డేటా, స్టూడియో వర్క్‌ఫ్లో స్పార్క్ నుండి రైమ్‌లను లెక్కించడం.

ఊహించిన విధంగా, యువ హాట్ విక్రేతలు "చారల కర్రల విక్రేతలు" వాటిని క్రిందికి తరలించారు. అయితే, గార్ట్‌నర్, ఎంటర్‌ప్రైజ్ స్పేస్‌లో వారి భవిష్యత్తు విజయాన్ని అంచనా వేస్తున్నారు. మీరు అక్కడ డబ్బు సేకరించవచ్చు. జర్మన్లు ​​దీన్ని ఎలా చేయాలో తెలుసు, పవిత్ర-పవిత్ర :) SAP గురించి ప్రస్తావించవద్దు!!!

వారు పౌరుల కోసం చాలా చేస్తారు! కానీ వారు అమ్మకాల ఆవిష్కరణతో పోరాడుతున్నారని మరియు కవరేజ్ విస్తృతి కోసం కాకుండా లాభదాయకత కోసం పోరాడుతున్నారని గార్ట్‌నర్ చెప్పినట్లు పేజీ నుండి మీరు చూడవచ్చు.

ఉండిపోయింది SAS и టిబ్కో నా కోసం సాధారణ BI విక్రేతలు... మరియు ఇద్దరూ చాలా అగ్రస్థానంలో ఉన్నారు, ఇది సాధారణ డేటాసైన్స్ తార్కికంగా పెరుగుతోందని నా విశ్వాసాన్ని నిర్ధారిస్తుంది
BI నుండి, క్లౌడ్స్ మరియు హడూప్ ఇన్‌ఫ్రాస్ట్రక్చర్‌ల నుండి కాదు. వ్యాపారం నుండి, అంటే, మరియు IT నుండి కాదు. ఉదాహరణకు Gazpromneft లో వలె: ссылка,ఒక పరిణతి చెందిన DSML వాతావరణం బలమైన BI అభ్యాసాల నుండి పెరుగుతుంది. కానీ అది MDM మరియు ఇతర విషయాల పట్ల స్మాకీ మరియు పక్షపాతంతో ఉండవచ్చు, ఎవరికి తెలుసు.

SAS

చెప్పడానికి పెద్దగా ఏమీ లేదు. స్పష్టమైన విషయాలు మాత్రమే.

TIBCO

వ్యూహం పేజీ పొడవున్న వికీ పేజీలో షాపింగ్ జాబితాలో చదవబడుతుంది. అవును, పొడవైన కథ, కానీ 28!!! చార్లెస్. నేను నా టెక్నో-యూత్‌లో BI స్పాట్‌ఫైర్ (2007)ని కొనుగోలు చేసాను. మరియు జాస్పర్‌సాఫ్ట్ (2014) నుండి రిపోర్టింగ్, తర్వాత మూడు ప్రిడిక్టివ్ అనలిటిక్స్ విక్రేతలు ఇన్‌సైట్‌ఫుల్ (ఎస్-ప్లస్) (2008), స్టాటిస్టికా (2017) మరియు ఆల్పైన్ డేటా (2017), ఈవెంట్ ప్రాసెసింగ్ మరియు స్ట్రీమింగ్ స్ట్రీమింగ్ సిస్టమ్ (2013), MDM ఆర్కెస్ట్రా Networks (2018 ) మరియు Snappy Data (2019) ఇన్-మెమరీ ప్లాట్‌ఫారమ్.

హలో ఫ్రాంకీ!

మూలం: www.habr.com