रैपिडमाइनर, इंक में संस्थापक और अध्यक्ष, इन्गो मियर्सवा – साक्षात्कार श्रृंखला

इन्गो मियर्सवा रैपिडमाइनर, इंक के संस्थापक और अध्यक्ष हैं। रैपिडमाइनर उद्यमों में एक खुले और विस्तार योग्य डेटा साइंस प्लेटफ़ॉर्म के माध्यम से कृत्रिम बुद्धिमत्ता लाता है। विश्लेषण टीमों के लिए निर्मित, रैपिडमाइनर डेटा प्रीप्रेशन से लेकर मशीन लर्निंग तक और पूर्वानुमानिक मॉडल तैनाती तक डेटा साइंस जीवन चक्र को एकीकृत करता है। रैपिडमाइनर उत्पादों का उपयोग 625,000 से अधिक विश्लेषण पेशेवर राजस्व बढ़ाने, लागत कम करने और जोखिमों से बचने के लिए करते हैं।

रैपिडमाइनर लॉन्च करने के पीछे आपकी प्रेरणा क्या थी?

मैंने कई वर्षों तक डेटा साइंस परामर्श व्यवसाय में काम किया था और मैंने एक ऐसे प्लेटफ़ॉर्म की आवश्यकता देखी जो गैर-तकनीकी लोगों के लिए अधिक सहज और उपयोगकर्ता-मित्री हो। उस समय मौजूद अधिकांश समाधान कोडिंग और स्क्रिप्टिंग पर निर्भर करते थे और वे वास्तव में उपयोगकर्ता-मित्री नहीं थे। इसके अलावा, यह डेटा को प्रबंधित और बनाए रखना मुश्किल बना देता था जो इन प्लेटफ़ॉर्म के भीतर विकसित किया गया था। मूल रूप से, मुझे एहसास हुआ कि इन परियोजनाओं को इतना कठिन नहीं होना चाहिए, इसलिए हमने रैपिडमाइनर प्लेटफ़ॉर्म बनाना शुरू किया ताकि कोई भी एक महान डेटा वैज्ञानिक बन सके।

वर्तमान में रैपिडमाइनर द्वारा उपयोग की जाने वाली पूर्ण पारदर्शिता शासन के बारे में चर्चा करें?

जब आप एक मॉडल की व्याख्या नहीं कर सकते हैं, तो इसे ट्यून करना, विश्वास करना और अनुवाद करना काफी कठिन हो जाता है। डेटा साइंस का बहुत काम परिणामों को दूसरों के साथ संवाद करना है ताकि हितधारक समझ सकें कि प्रक्रियाओं में सुधार कैसे किया जा सकता है। इसके लिए विश्वास और गहरी समझ की आवश्यकता होती है। इसके अलावा, विश्वास और अनुवाद के मुद्दे उत्पादन में मॉडल प्राप्त करने के लिए कॉर्पोरेट आवश्यकताओं को पूरा करना बहुत मुश्किल बना सकते हैं। हम इस लड़ाई को कई अलग-अलग तरीकों से लड़ रहे हैं:

एक दृश्य डेटा साइंस प्लेटफ़ॉर्म के रूप में, रैपिडमाइनर स्वचालित रूप से सभी डेटा पाइपलाइनों और मॉडलों के लिए एक व्याख्या तैयार करता है जो डेटा वैज्ञानिकों या गैर-डेटा वैज्ञानिकों द्वारा समझने योग्य है। यह मॉडल को पारदर्शी बनाता है और उपयोगकर्ताओं को मॉडल व्यवहार को समझने और इसकी ताकत और कमजोरियों का मूल्यांकन करने में मदद करता है और संभावित पूर्वाग्रहों का पता लगाता है।

इसके अलावा, प्लेटफ़ॉर्म में बनाए गए सभी मॉडलों के साथ व्यापक दृश्यीकरण होते हैं जो उपयोगकर्ता – आमतौर पर मॉडल बनाने वाले उपयोगकर्ता – को मॉडल अंतर्दृष्टि प्राप्त करने, मॉडल व्यवहार को समझने और मॉडल पूर्वाग्रहों का मूल्यांकन करने में मदद करते हैं।

रैपिडमाइनर उत्पादन में मॉडल व्याख्या भी प्रदान करता है: प्रत्येक भविष्यवाणी जो एक मॉडल द्वारा बनाई जाती है, रैपिडमाइनर निर्णय लेने वाले कारकों को उत्पन्न और जोड़ता है जो उस मॉडल द्वारा किए गए निर्णयों को प्रभावित या प्रभावित करते हैं।

अंत में, और यह मुझे व्यक्तिगत रूप से बहुत महत्वपूर्ण है क्योंकि मैंने इसे कुछ वर्षों पहले हमारी इंजीनियरिंग टीमों के साथ चलाया था – रैपिडमाइनर एक अत्यधिक शक्तिशाली मॉडल सिम्युलेटर क्षमता भी प्रदान करता है, जो उपयोगकर्ताओं को मॉडल व्यवहार को सिम्युलेट और देखने की अनुमति देता है जो उपयोगकर्ता द्वारा प्रदान किए गए इनपुट डेटा के आधार पर है। इनपुट डेटा को आसानी से सेट और बदला जा सकता है, जो उपयोगकर्ता को विभिन्न гипोटेटिकल या वास्तविक दुनिया के मामलों में मॉडल के पूर्वानुमानिक व्यवहार को समझने की अनुमति देता है। सिम्युलेटर मॉडल के निर्णय को प्रभावित करने वाले कारकों को भी प्रदर्शित करता है। उपयोगकर्ता – इस मामले में यहां तक कि एक व्यवसाय उपयोगकर्ता या डोमेन विशेषज्ञ – मॉडल व्यवहार को समझ सकता है, मॉडल के निर्णय को वास्तविक परिणामों या डोमेन ज्ञान के खिलाफ सत्यापित कर सकता है और मुद्दों की पहचान कर सकता है। सिम्युलेटर आपको वास्तविक दुनिया को सिम्युलेट करने और भविष्य में देखने की अनुमति देता है – वास्तव में आपके भविष्य में।

रैपिडमाइनर गहरे शिक्षण का उपयोग कैसे करता है?

रैपिडमाइनर का गहरे शिक्षण का उपयोग हमारे लिए बहुत गर्व की बात है। गहरे शिक्षण को लागू करना बहुत मुश्किल हो सकता है और गैर-डेटा वैज्ञानिकों को अक्सर विशेषज्ञ समर्थन के बिना नेटवर्क सेट करने में परेशानी होती है। रैपिडमाइनर इस प्रक्रिया को सभी प्रकार के उपयोगकर्ताओं के लिए यथासंभव सरल बनाता है। गहरे शिक्षण हमारे ऑटो मशीन लर्निंग (एमएल) उत्पाद रैपिडमाइनर गो का हिस्सा है। यहां उपयोगकर्ता को गहरे शिक्षण के बारे में कुछ भी जानने की आवश्यकता नहीं है ताकि वे उन्नत मॉडल का लाभ उठा सकें। इसके अलावा, शक्तिशाली उपयोगकर्ता गहरे शिक्षण लाइब्रेरी जैसे टेंसरफ्लो, केरस या डीपलर्निंग4जे का उपयोग रैपिडमाइनर के साथ बनाई गई दृश्य कार्य प्रवाह से कर सकते हैं। यह बिल्डिंग ब्लॉक्स के साथ खेलने जैसा है और कम डेटा साइंस कौशल वाले उपयोगकर्ताओं के लिए अनुभव को सरल बनाता है। इस दृष्टिकोण के माध्यम से, हमारे उपयोगकर्ता विभिन्न सक्रियण कार्यों और उपयोगकर्ता-परिभाषित नोड्स और परतों की संख्या के साथ लचीले नेटवर्क आर्किटेक्चर बना सकते हैं, विभिन्न नोड्स की संख्या के साथ कई परतें, और विभिन्न प्रशिक्षण तकनीकों का चयन कर सकते हैं।

किस प्रकार की मशीन लर्निंग का उपयोग किया जाता है?

सभी! हम रैपिडमाइनर प्लेटफ़ॉर्म के हिस्से के रूप में सैकड़ों अलग-अलग लर्निंग एल्गोरिदम प्रदान करते हैं – जो व्यापक रूप से उपयोग की जाने वाली डेटा साइंस प्रोग्रामिंग भाषाओं पाइथन और आर में लागू की जा सकती है। रैपिडमाइनर नेव बेस, रिग्रेशन जैसे सामान्यीकृत रेखीय मॉडल, क्लस्टरिंग जैसे के-मीन्स, एफपी-ग्रोथ, निर्णय पेड़, रैंडम फॉरेस्ट, समानांतर गहरे शिक्षण और ग्रेडिएंट बूस्टेड पेड़ प्रदान करता है। ये और कई अन्य रैपिडमाइनर के मॉडलिंग लाइब्रेरी का हिस्सा हैं और एक क्लिक के साथ उपयोग किए जा सकते हैं।

ऑटो मॉडल कैसे पता लगाता है कि कौन से मूल्यों का उपयोग करना है?

रैपिडमाइनर ऑटोमॉडल बुद्धिमान स्वचालन का उपयोग करके उपयोगकर्ताओं को तेज़ और सटीक मॉडल बनाने में मदद करता है। इसमें उदाहरण चयन और स्वचालित आउटलियर हटाने, जटिल डेटा प्रकार जैसे तारीखों या पाठ के लिए सुविधा इंजीनियरिंग और पूर्ण बहु-उद्देश्य स्वचालित सुविधा इंजीनियरिंग शामिल है जो ऑप्टिमल सुविधाओं का चयन करता है और नए बनाता है। ऑटो मॉडल में डेटा की सफाई के तरीके भी शामिल हैं जो सामान्य डेटा मुद्दों जैसे कि缺失 मान, डेटा प्रोफाइलिंग द्वारा डेटा कॉलम की गुणवत्ता और मूल्य का आकलन, डेटा सामान्यीकरण और विभिन्न अन्य परिवर्तनों को ठीक करते हैं।

ऑटो मॉडल डेटा गुणवत्ता मेटाडेटा भी निकालता है – उदाहरण के लिए, कितनी अच्छी तरह एक कॉलम एक आईडी की तरह व्यवहार करता है या क्या बहुत सारे缺失 मान हैं। यह मेटाडेटा बुनियादी मेटाडेटा के अलावा उपयोगकर्ताओं को ‘अनुकूल मूल्यों’ का उपयोग करने और डेटा गुणवत्ता मुद्दों से निपटने में मदद करने के लिए उपयोग किया जाता है।

विवरण के लिए, हमने इसे हमारे ऑटो मॉडल ब्लूप्रिंट में मैप किया है। (नीचे अतिरिक्त संदर्भ के लिए छवि)

स्वचालन को लागू करने के चार मूल चरण हैं:

– डेटा प्रीप्रेशन: सामान्य गुणवत्ता समस्याओं जैसे कि सहसंबंध,缺失 मान और स्थिरता की पहचान करने के लिए डेटा का स्वचालित विश्लेषण।
– स्वचालित मॉडल चयन और अनुकूलन, जिसमें पूर्ण मान्यकरण और प्रदर्शन तुलना शामिल है, जो दिए गए डेटा के लिए सबसे अच्छे मशीन लर्निंग तकनीकों का सुझाव देता है और ऑप्टिमल पैरामीटर निर्धारित करता है।
– मॉडल सिम्युलेशन जो निर्धारित करने में मदद करता है कि मॉडल द्वारा भविष्यवाणी किए गए परिणाम को प्राप्त करने के लिए क्या विशिष्ट (निर्देशात्मक) कार्रवाई करनी है।
– मॉडल तैनाती और संचालन चरण में, उपयोगकर्ताओं को ड्रिफ्ट, पूर्वाग्रह और व्यावसायिक प्रभाव जैसे कारकों को स्वचालित रूप से दिखाया जाता है, जिसके लिए कोई अतिरिक्त काम आवश्यक नहीं है।

कंप्यूटर पूर्वाग्रह किसी भी प्रकार की एआई के साथ एक मुद्दा है, क्या परिणामों में पूर्वाग्रह से बचने के लिए नियंत्रण हैं?

हाँ, यह वास्तव में नैतिक डेटा साइंस के लिए बहुत महत्वपूर्ण है। पहले उल्लिखित शासन सुविधाएं यह सुनिश्चित करती हैं कि उपयोगकर्ता हमेशा देख सकते हैं कि मॉडल निर्माण के लिए कौन सा डेटा उपयोग किया गया है, यह कैसे परिवर्तित किया गया है, और क्या डेटा चयन में पूर्वाग्रह है। इसके अलावा, हमारी ड्रिफ्ट डिटेक्शन सुविधाएं पूर्वाग्रह का पता लगाने के लिए एक और शक्तिशाली उपकरण हैं। यदि उत्पादन में एक मॉडल इनपुट डेटा में बहुत अधिक ड्रिफ्ट प्रदर्शित करता है, तो यह एक संकेत हो सकता है कि दुनिया ने नाटकीय रूप से बदल दिया है। हालांकि, यह प्रशिक्षण डेटा में गंभीर पूर्वाग्रह का संकेत भी हो सकता है। भविष्य में, हम पूर्वाग्रह का पता लगाने के लिए मशीन लर्निंग मॉडल बनाने पर विचार कर रहे हैं जो अन्य मॉडलों में।

रैपिडमाइनर एआई क्लाउड के बारे में चर्चा करें और यह प्रतिस्पर्धी उत्पादों से कैसे अलग है?

डेटा साइंस परियोजनाओं के लिए आवश्यकताएं बड़ी, जटिल और कम्प्यूट-गहन हो सकती हैं, जिसने डेटा वैज्ञानिकों के लिए क्लाउड प्रौद्योगिकी का उपयोग करना एक आकर्षक रणनीति बना दिया है। दुर्भाग्य से, विभिन्न मूल क्लाउड-आधारित डेटा साइंस प्लेटफ़ॉर्म आपको एक विशिष्ट क्लाउड विक्रेता की क्लाउड सेवाओं और डेटा स्टोरेज पेशकशों से बांधते हैं।

रैपिडमाइनर एआई क्लाउड बस रैपिडमाइनर प्लेटफ़ॉर्म की क्लाउड सेवा डिलीवरी है। यह पेशकश किसी भी ग्राहक के वातावरण के अनुरूप हो सकती है, चाहे उनकी क्लाउड रणनीति कुछ भी हो। यह दिनों में बहुत महत्वपूर्ण है क्योंकि अधिकांश व्यवसायों का क्लाउड डेटा प्रबंधन दृष्टिकोण बहुत तेजी से विकसित हो रहा है। लचीलापन वास्तव में रैपिडमाइनर एआई क्लाउड को अलग बनाता है। यह किसी भी क्लाउड सेवा, निजी क्लाउड स्टैक या हाइब्रिड सेटअप में चल सकता है। हम क्लाउड पोर्टेबल, क्लाउड एग्नोस्टिक, मल्टी-क्लाउड – जो भी आप इसे कहेंगे।

रैपिडमाइनर एआई क्लाउड बहुत कम परेशानी भी है, क्योंकि हम ग्राहकों के लिए तैनाती के हिस्से या सभी को प्रबंधित करने की पेशकश करते हैं ताकि वे अपने व्यवसाय को एआई के साथ चलाने पर ध्यान केंद्रित कर सकें, न कि इसके विपरीत। यहां तक कि एक ऑन-डिमांड विकल्प भी है जो आपको एक पर्यावरण सेट अप करने की अनुमति देता है जैसा कि आपको लगता है कि आपको इसकी आवश्यकता है।

रैपिडमाइनर रैडोप कुछ जटिलताओं को दूर करता है जो डेटा साइंस के पीछे हैं, क्या आप बता सकते हैं कि रैडोप डेवलपर्स को कैसे लाभान्वित करता है?

रैडोप मुख्य रूप से उन गैर-डेवलपर्स के लिए है जो बड़े डेटा की क्षमता का दोहन करना चाहते हैं। रैपिडमाइनर रैडोप रैपिडमाइनर वर्कफ्लोज़ को कोड-मुक्त तरीके से हैडोप में निष्पादित करता है। हम रैपिडमाइनर निष्पादन इंजन को स्पार्क में भी एम्बेड कर सकते हैं ताकि स्पार्क में पूरे वर्कफ्लोज़ को धक्का देना कोड-केंद्रित दृष्टिकोण से जुड़ी जटिलता के बिना आसान हो।

क्या एक सरकारी इकाई रैपिडमाइनर का उपयोग करके महामारी की भविष्यवाणी करने के लिए डेटा का विश्लेषण कर सकती है, जैसे कि ब्लUEDॉट काम करता है?

एक सामान्य डेटा साइंस और मशीन लर्निंग प्लेटफ़ॉर्म के रूप में, रैपिडमाइनर मॉडल निर्माण और प्रबंधन प्रक्रिया को सुव्यवस्थित और बढ़ाने के लिए है। जबकि हमारा ध्यान महामारी की भविष्यवाणी पर नहीं है, सही डेटा के साथ एक विषय विशेषज्ञ (इस मामले में एक वायरोलॉजिस्ट या महामारी विज्ञानी) रैपिडमाइनर प्लेटफ़ॉर्म का उपयोग करके एक मॉडल बना सकता है जो महामारी की भविष्यवाणी कर सकता है। वास्तव में, कई शोधकर्ता रैपिडमाइनर का उपयोग करते हैं – और हमारा प्लेटफ़ॉर्म शैक्षिक उद्देश्यों के लिए नि:शुल्क है।

क्या रैपिडमाइनर के बारे में और कुछ है जिसे आप साझा करना चाहेंगे?

इसे आजमाएं! आप आश्चर्यचकित हो सकते हैं कि डेटा साइंस कितना आसान हो सकता है और एक अच्छा प्लेटफ़ॉर्म आपकी और आपकी टीम की उत्पादकता को कितना बेहतर बना सकता है।

इस महान साक्षात्कारकर्ता के लिए धन्यवाद, पाठक जो अधिक जानना चाहते हैं उन्हें रैपिडमाइनर पर जाना चाहिए।