إنغو مييرسوا، المؤسس والرئيس في رابيد ماينر، شركة – سلسلة المقابلات

إنغو مييرسوا هو المؤسس والرئيس في رابيد ماينر، شركة. RapidMiner يأتي بالذكاء الاصطناعي إلى الشركات من خلال منصة علوم البيانات المفتوحة والقابلة للتوسيع. تم بناؤها للفرق التحليلية، توحد رابيد ماينر دورة حياة علوم البيانات بأكملها من تحضير البيانات إلى تعلم الآلة إلى تنبؤي نشر نموذج. يستخدم أكثر من 625000 محترف تحليلي منتجات رابيد ماينر لتحفيز الإيرادات، وتقليل التكاليف، وتجنب المخاطر.

ما كان مصدر إلهامك وراء إطلاق رابيد ماينر؟

لقد عملت في أعمال استشارات علوم البيانات لسنوات عديدة ورأيت حاجة إلى منصة أكثر直觉 وسهولة للاستخدام للأشخاص الذين لا يملكون تعليمًا رسميًا في علوم البيانات. كانت العديد من الحلول الحالية في ذلك الوقت تعتمد على البرمجة وال스크ريبتينج وببساطة لم تكن سهلة الاستخدام. علاوة على ذلك، جعلت إدارة البيانات وصيانة الحلول التي تم تطويرها داخل تلك المنصات أمرًا صعبًا.基本ًا، أدركت أن هذه المشاريع لا تحتاج إلى أن تكون صعبة إلى هذا الحد، لذلك بدأنا في إنشاء منصة رابيد ماينر لتمكين أي شخص من أن يكون عالم بيانات رائع.

يمكنك مناقشة الحوكمة الشفافة التي يتم استخدامها حاليًا بواسطة رابيد ماينر؟

عندما لا يمكنك تفسير نموذج، فمن الصعب جدًا ضبطه وثقته وترجمته. يعتبر الكثير من عمل علوم البيانات هو تواصل النتائج مع الآخرين بحيث يمكن لمستخدميها فهم كيفية تحسين العمليات. هذا يتطلب الثقة والفهم العميق. كما أن هناك مشاكل مع الثقة والترجمة يمكن أن تجعل من الصعب جدًا التغلب على المتطلبات الشركية للحصول على نموذج في الإنتاج. نحن نقاتل هذه المعركة بطرق مختلفة:

كمنصة علوم بيانات بصرية، توفر رابيد ماينر بشكل طبيعي تفسيرًا لجميع أنابيب البيانات والنمذجة في تنسيق قابل للاستهلاك بسهولة يمكن فهمه من قبل علماء البيانات أو غيرهم. هذا يجعل النماذج شفافة وتساعد المستخدمين على فهم سلوك النموذج وتقييم نقاط قوته وضفه والكشف عن التحيزات المحتملة.

علاوة على ذلك، تأتي جميع النماذج المُنشأة في المنصة مع تصورات بصرية متقدمة للمستخدم – عادةً للمستخدم الذي ينشئ النموذج – للحصول على رؤى حول النموذج وفهم سلوك النموذج وتقييم التحيزات.

رابيد ماينر توفر أيضًا تفسيرات للنموذج – حتى عند الإنتاج: لكل تنبؤ يتم إنشاؤه بواسطة نموذج، يولد رابيد ماينر وتضيف عوامل التأثير التي أدت إلى أو أثرت في القرارات التي اتخذها ذلك النموذج في الإنتاج.

أخيرًا – وهذا أمر مهم جدًا لي شخصيًا لأنني كنت أدير ذلك مع فرق الهندسة قبل عدة سنوات – توفر رابيد ماينر أيضًا قدرة محاكاة نموذجية قوية جدًا، مما يسمح للمستخدمين بمحاكاة ومشاهدة سلوك النموذج بناءً على بيانات الإدخال التي يقدمها المستخدم. يمكن تعيين بيانات الإدخال وتغييرها بسهولة، مما يسمح للمستخدم بفهم السلوك التنبؤي للنماذج في حالات افتراضية أو حقيقية مختلفة. يعرض المحاكي أيضًا العوامل التي تؤثر على قرار النموذج. يمكن للمستخدم – في هذه الحالة حتى مستخدم الأعمال أو خبير المجال – فهم سلوك النموذج، وتأكيد قرار النموذج مقابل النتائج الفعلية أو المعرفة بالمجال، وتحديد المشاكل. يسمح لك المحاكي بمحاكاة العالم الحقيقي والنظر إلى المستقبل – إلى مستقبلك بالفعل.

كيف يستخدم رابيد ماينر التعلم العميق؟

استخدام رابيد ماينر للتعلم العميق شيء نفتخر به جدًا. يمكن أن يكون التعلم العميق صعبًا جدًا للتطبيق، وغالبًا ما يجد غير علماء البيانات صعوبة في إعداد تلك الشبكات دون دعم الخبراء. يجعل رابيد ماينر هذه العملية بسيطة كما يمكن للمستخدمين من جميع الأنواع. التعلم العميق هو، على سبيل المثال، جزء من منتجنا الآلي للتعلم الآلي (ML) الذي يسمى رابيد ماينر جو. هنا لا يحتاج المستخدم إلى معرفة أي شيء عن التعلم العميق لاستخدام تلك النماذج المتقدمة. بالإضافة إلى ذلك، يمكن للمستخدمين القويين أن يذهبوا إلى أبعد من ذلك واستخدام مكتبات التعلم العميق الشهيرة مثل Tensorflow وKeras وDeepLearning4J مباشرة من التداول البصري الذي يبنون به رابيد ماينر. هذا مثل اللعب بالكتل وتبسيط التجربة للمستخدمين الذين لديهم مهارات علوم بيانات أقل. من خلال هذا النهج، يمكن لمستخدمينا بناء هياكل شبكية مرنة مع وظائف تفعيل مختلفة وعدد معين من الطبقات والعقد، وطبقات متعددة مع أعداد مختلفة من العقد، واختيار تقنيات تدريب مختلفة.

ما النوع الآخر من التعلم الآلي المستخدم؟

كلها! نقدم مئات الخوارزميات التعلمية المختلفة كجزء من منصة رابيد ماينر – كل ما يمكن تطبيقه في لغات البرمجة الشائعة المستخدمة في علوم البيانات بايثون وR. من بين أمور أخرى، تقدم رابيد ماينر أساليب للبييس باييس، والانحدار مثل النماذج الخطية العامة، وتراكم مثل كي ميينز، وFP-Growth، وأشجار القرار، والغابات العشوائية، والتعلم العميق المتوازي، وأشجار تعزيز التدرج. كل هذه وأكثر هي جزء من مكتبة النمذجة في رابيد ماينر ويمكن استخدامها بنقرة واحدة.

يمكنك مناقشة كيفية معرفة نموذج الأوتو بالقيم المثالية لاستخدامها؟

يستخدم رابيد ماينر أوتوموديل التأتمتية الذكية لتسريع كل ما يفعله المستخدمون وضمان بناء نماذج دقيقة وصحيحة. هذا يشمل تحديد الحالات وازالة الشواذ التلقائية، وتحسين الميزات للبيانات المعقدة مثل التواريخ أو النصوص، والهندسة التلقائية متعددة الأهداف للميزات لتحديد الميزات المثالية وبناء ميزات جديدة. يتضمن نموذج الأوتو أيضًا طرقًا أخرى لتنظيف البيانات لإصلاح المشاكل الشائعة في البيانات مثل القيم المفقودة، وملف تعريف البيانات عن طريق تقييم جودة وقيمة أعمدة البيانات، وتنسيق البيانات وعمليات تحويل مختلفة.

كما يقوم نموذج الأوتو باستخراج بيانات تعريف جودة البيانات – على سبيل المثال، كيف يتصرف عمود مثل معرف، أو ما إذا كانت هناك الكثير من القيم المفقودة. يتم استخدام هذه البيانات الوصفية بالإضافة إلى البيانات الوصفية الأساسية في التأتمتية ومساعدة المستخدمين في “استخدام القيم المثالية” ومعالجة مشاكل جودة البيانات.

لمزيد من التفاصيل، قمنا بتوثيق كل شيء في خطة نموذج الأوتو. (الصورة أدناه لمزيد من السياق)

هناك أربع مراحل أساسية يتم تطبيق التأتمتية فيها:

– تحضير البيانات: تحليل البيانات تلقائيًا لتحديد المشاكل الشائعة في الجودة مثل الارتباطات، والقيم المفقودة، والاستقرار.
– اختيار النموذج التلقائي وتحسينه، بما في ذلك التحقق الكامل ومقارنة الأداء، والذي يقترح أفضل تقنيات التعلم الآلي للبيانات المعطاة ويتحديد المعلمات المثالية.
– محاكاة النموذج لمساعدة في تحديد الإجراءات المحددة التي يجب اتخاذها لتحقيق النتيجة المرغوبة التي تنبأ بها النموذج.
– في مرحلة نشر النموذج وعملياته، يُظهر للمستخدمين عوامل مثل الانجراف، والتحيز، وتأثير الأعمال، تلقائيًا دون أي عمل إضافي مطلوب.

التحيز الحاسوبي هو مشكلة مع أي نوع من الذكاء الاصطناعي، هل هناك أي ضوابط في مكانها لمنع التحيز من التسلل إلى النتائج؟

نعم، هذا أمر بالغ الأهمية للعلوم البيانات الأخلاقية. تؤمن ميزات الحوكمة المذكورة سابقًا أن المستخدمين يمكنهم دائمًا رؤية بالضبط ما البيانات التي تم استخدامها لإنشاء النموذج، وكيف تم تحويلها، وما إذا كان هناك تحيز في اختيار البيانات. بالإضافة إلى ذلك، تُعد ميزاتنا لاكتشاف الانجراف أداة قوية أخرى لاكتشاف التحيز. إذا أظهر نموذج في الإنتاج الكثير من الانجراف في بيانات الإدخال، يمكن أن يكون هذا علامة على أن العالم قد تغير بشكل كبير. ومع ذلك، يمكن أن يكون أيضًا مؤشرًا على أن هناك تحيزًا شديدًا في بيانات التدريب. في المستقبل، نعتزم الذهاب خطوة أبعد وإنشاء نماذج تعلم آلي يمكن استخدامها لاكتشاف التحيز في نماذج أخرى.

يمكنك مناقشة رابيد ماينر سحابة الذكاء الاصطناعي وكيف يختلف عن المنتجات المنافسة؟

متطلبات مشروع علوم البيانات يمكن أن تكون كبيرة ومتعددة ومتطلبة للحوسبة، وهو ما جعل استخدام تكنولوجيا السحابة استراتيجية جذابة جدًا لعلماء البيانات. للأسف، ترتبط منصات علوم البيانات الأصلية القائمة على السحابة بخدمات السحابة وخدمات تخزين البيانات الخاصة بمزود السحابة الخاص.

رابيد ماينر سحابة الذكاء الاصطناعي هو ببساطة طريقة تقديمنا لخدمة رابيد ماينر السحابية. يمكن تخصيص العرض لأي بيئة عملاء، بغض النظر عن استراتيجيتهم السحابية. هذا أمر مهم في هذه الأيام لأن نهج معظم الأعمال لإدارة بيانات السحابة يتطور بسرعة كبيرة في المناخ الحالي. المرونة هي ما يميز رابيد ماينر سحابة الذكاء الاصطناعي. يمكن تشغيله في أي خدمة سحابية، أو حزمة سحابية خاصة، أو في إعداد هجين. نحن قابلون للنقل السحابي، ومتجاوزون للسحابة، ومتعددي السحابة – مهما كنت تفضل تسميتها.

رابيد ماينر سحابة الذكاء الاصطناعي هو أيضًا منخفض الإزعاج، حيث نقدم khảية إدارة جميع أو جزء من التوزيع للعملاء بحيث يمكنهم التركيز على تشغيل أعمالهم مع الذكاء الاصطناعي، وليس العكس. هناك حتى خيار حسب الطلب، الذي يسمح لك بتشغيل بيئة عند الحاجة لمشاريع قصيرة.

رابيد ماينر رادوب يزيل بعض التعقيدات خلف علوم البيانات، يمكنك أن تخبرنا كيف يفيد رادوب المطورين؟

رادوب في الغالب من أجل غير المطورين الذين يريدون استغلال إمكانات البيانات الكبيرة. يُنفذ رابيد ماينر رادوب تداول رابيد ماينر مباشرة داخل هادوب بطريقة خالية من الكود. يمكننا أيضًا دمج محرك تنفيذ رابيد ماينر في سبارك بحيث من السهل دفع تداول كامل إلى سبارك دون التعقيد الذي يأتي من النهج القائم على الكود.

هل يمكن لكيان حكومي استخدام رابيد ماينر لتحليل البيانات لتوقع الأوبئة المحتملة، بشكل مشابه لطريقة عمل بلود دوت؟

كمنصة عامة لعلوم البيانات والتعلم الآلي، يهدف رابيد ماينر إلى简化 وتحسين عملية إنشاء النموذج وإدارته، بغض النظر عن الموضوع أو المجال في مركز مشكلة علوم البيانات / التعلم الآلي. بينما لا يركز تركيزنا على توقع الأوبئة، يمكن لمختص الموضوع (مثل عالم الفيروسات أو الأوبئة في هذه الحالة) استخدام المنصة لإنشاء نموذج يمكنه توقع الأوبئة بدقة. في الواقع، يستخدم العديد من الباحثين رابيد ماينر – ومنصة رابيد ماينر مجانية للأغراض الأكاديمية.

هل هناك أي شيء آخر تود مشاركته حول رابيد ماينر؟

جربها! قد تفاجأ بمدى سهولة علوم البيانات وكيف يمكن لمنصة جيدة تحسين إنتاجيةك وفرقك.

شكرًا على هذه المقابلة الرائعة، القراء الذين يرغبون في معرفة المزيد يجب أن يزوروا RapidMiner.