Ingo Mierswa, RapidMiner, Inc’in Kurucusu ve Başkanı – Röportaj Serisi

Ingo Mierswa, RapidMiner, Inc’in Kurucusu ve Başkanıdır. RapidMiner işletmelere açık ve genişletilebilir bir veri bilimi platformu aracılığıyla yapay zekayı getirir. Analitik ekipler için oluşturulan RapidMiner, veri hazırlama aşamasından makine öğrenmesine ve tahmin edici model dağıtımına kadar tüm veri bilimi yaşam döngüsünü birleştirir. 625.000’den fazla analitik profesyonel, gelirleri artırmak, maliyetleri azaltmak ve risklerden kaçınmak için RapidMiner ürünleri kullanıyor.

RapidMiner’i başlatma konusundaki ilhamınız nedir?

Veri bilim danışmanlığı işinde birçok yıl çalıştım ve resmi bir veri bilimi eğitimi olmayan kişiler için daha sezgisel ve erişilebilir bir platforma ihtiyaç duyulduğunu gördüm. O zamanlar mevcut olan birçok çözüm, kodlama ve komut dosyalarına dayanıyordu ve basitçe kullanıcı dostu değildi. Ayrıca, bu platformlar içinde geliştirilen çözümleri yönetmek ve bakımını yapmak veri için zor oluyordu. Temel olarak, bu projelerin bu kadar zor olmasına gerek olmadığını fark ettim, bu nedenle RapidMiner platformunu herkesin harika bir veri bilimcisi olabilmesi için yaratmaya başladık.

RapidMiner tarafından kullanılan tam şeffaflık yönetimini tartışabilir misiniz?

Bir modeli açıklamak mümkün değilse, onu ayarlamak, güvenmek ve çevirmek oldukça zordur. Veri bilimindeki çok fazla iş, sonuçların diğerlerine iletilmesi ve paydaşların süreçleri nasıl geliştireceklerini anlamaları için iletişimden oluşur. Bu, güven ve derin bir anlayış gerektirir. Ayrıca, güven ve çeviri ile ilgili sorunlar, bir modeli üretim aşamasına getirmek için kurumsal gereksinimleri aşmak çok zor olabilir. Bu mücadeleyi birkaç farklı şekilde yürütüyoruz:

Görsel bir veri bilimi platformu olarak RapidMiner, tüm veri boru hatları ve modeller için yüksek oranda tüketilebilen bir formatda bir açıklama oluşturur ve bu, veri bilimcileri veya veri bilimcisi olmayan kişiler tarafından anlaşılabilir. Modelleri şeffaf hale getirir ve kullanıcıların model davranışını anlamalarına, güçlü ve zayıf yönlerini değerlendirmelerine ve potansiyel önyargıları tespit etmelerine yardımcı olur.

Ek olarak, platformda oluşturulan tüm modeller, genellikle modeli oluşturan kullanıcı için model içgörülerini elde etmek, model davranışını anlamak ve model önyargılarını değerlendirmek için genişLETilmiş görselleştirmelerle gelir.

RapidMiner ayrıca üretim aşamasında bile model açıklamaları sağlar: Her bir model tarafından oluşturulan her bir tahmin için RapidMiner, modelin kararlarına yol açan veya etkileyen etkenleri oluşturur ve ekler.

Son olarak – ve bu benim için kişisel olarak çok önemli, çünkü birkaç yıl önce mühendislik ekiplerimizle bunu sürdüm – RapidMiner ayrıca çok güçlü bir model simülatörü özelliği sağlar ve bu, kullanıcıların model davranışını, kullanıcı tarafından sağlanan girdi verilerine bağlı olarak simüle etmelerine ve gözlemlemelerine olanak tanır. Girdi verisi kolayca ayarlanabilir ve değiştirilebilir, böylece kullanıcı modelin öngörülen davranışını çeşitli hipotetik veya gerçek dünya senaryolarında anlamak için kullanabilir. Simülatör ayrıca modelin kararını etkileyen faktörleri görüntüler. Kullanıcı – bu durumda bir iş kullanıcı veya alan uzmanı – model davranışını anlamak, modelin kararını gerçek sonuçlar veya alan bilgisi ile doğrulamak ve sorunları belirlemek için kullanabilir. Simülatör, gerçek dünyayı simüle etmenize ve geleceğe – aslında sizin geleceğinize – bakmanıza olanak tanır.

RapidMiner derin öğrenmeyi nasıl kullanır?

RapidMiner’in derin öğrenme kullanımı, gurur duyduğumuz bir şey. Derin öğrenme çok zor uygulanabilir ve veri bilimcisi olmayan kişiler, uzman desteği olmadan bu ağları kurmakta zorluk çekebilir. RapidMiner, bu işlemi tüm kullanıcılar için mümkün olduğunca basit hale getirir. Derin öğrenme, örneğin, Auto makine öğrenimi (ML) ürünümüz olan RapidMiner Go’nun bir parçasıdır. Burada kullanıcı, bu tür gelişmiş modelleri kullanmak için derin öğrenme hakkında hiçbir şey bilmeye gerek duymaz. Ek olarak, güçlü kullanıcılar daha derine inebilir ve RapidMiner ile oluşturdukları görsel iş akışlarından popüler derin öğrenme kütüphanelerini gibi Tensorflow, Keras veya DeepLearning4J kullanabilir. Bu, yapı taşları ile oynamak gibi ve veri biliminde daha az becerisi olan kullanıcılar için deneyimi basitleştirir. Bu yaklaşım sayesinde kullanıcılar, farklı aktivasyon fonksiyonları ve kullanıcı tanımlı katman ve düğümlerle esnek ağ mimarileri oluşturabilir, farklı eğitim tekniklerini seçebilir.

Diğer tür makine öğrenimi nelerdir?

Hepsi! RapidMiner platformunun bir parçası olarak yüzlerce farklı öğrenme algoritması sunuyoruz – veri biliminde yaygın olarak kullanılan programlama dilleri Python ve R’de uygulanabilen her şey. RapidMiner, Naive Bayes, regresyon gibi Genel Lineer Modeller, k-Means, FP-Büyüme, Karar Ağaçları, Rastgele Ormanlar, Paralel Derin Öğrenme ve Gradient Boosted Trees gibi yöntemler sunar. Bunlar ve daha fazlası RapidMiner’in modelleme kütüphanesinin bir parçasıdır ve tek bir tıklama ile kullanılabilir.

Otomatik Model’in optimal değerleri bilmesini nasıl sağlarsınız?

RapidMiner AutoModel, her şeyi hızlandırmak ve doğru, sağlam modellerin oluşturulmasını sağlamak için akıllı otomasyonu kullanır. Bu, örnek seçimi ve otomatik aykırı değer kaldırma, tarih veya metin gibi karmaşık veri türleri için özellik mühendisliği ve tam çoklu hedefli otomatik özellik mühendisliği içerir. Auto Model ayrıca, veri kalitesi sorunlarını düzeltmek için diğer veri temizleme yöntemlerini içerir.

Auto Model ayrıca veri kalitesi meta verilerini çıkarır – örneğin, bir sütunun bir Kimlik gibi davranma olasılığı veya eksik değerlerin çokluğu. Bu meta veri, temel meta verinin yanı sıra, ‘optimal değerleri kullanma’ ve veri kalitesi sorunlarıyla başa çıkma konusunda kullanıcıları otomatikleştirmek ve desteklemek için kullanılır.

Detaylar için, hepsini Auto Model Mavi Baskı’mızda haritaladık. (Aşağıdaki resim için ek bağlam)

Otomasyon dört temel aşamada uygulanır:

– Veri hazırlama: Veri kalitesi sorunlarını tespit etmek için veri analizinin otomatik analizi.
– Otomatik model seçimi ve optimizasyonu, performans karşılaştırması ve en iyi makine öğrenimi tekniklerinin belirlenmesi.
– Model simülasyonu, belirli eylemlerin alınması ve öngörülen sonucun elde edilmesi için yardımcı olur.
– Model dağıtım ve operasyon aşamasında, kullanıcılar, sürüklenme, önyargı ve iş etkileri gibi faktörleri otomatik olarak görürler.

Bilgisayar önyargısı, herhangi bir AI türü için bir sorun teşkil eder, sonuçlarda önyargı oluşmasını önlemek için herhangi bir kontrol var mı?

Evet, bu gerçekten etik veri bilimi için çok önemlidir. Daha önce bahsedilen yönetim özellikleri, kullanıcıların her zaman model oluşturmak için kullanılan veri nedir, nasıl dönüştürüldü ve veri seçiminde önyargı var mı olduğunu görebilmesini sağlar. Ek olarak, sürüklenme tespiti özellikleri, önyargıları tespit etmek için başka bir güçlü araçtır. Üretim aşamasında bir model, girdi verisinde çok fazla sürüklenme gösterirse, bu, dünyanın dramatik bir şekilde değiştiğinin bir işareti olabilir. Ancak, bu aynı zamanda eğitim verisinde ciddi bir önyargı olduğunu gösteren bir işaret olabilir. Gelecekte, diğer modellerdeki önyargıları tespit edebilecek makine öğrenimi modelleri oluşturmak için bir adım daha atmayı düşünüyoruz.

RapidMiner AI Bulut’u ve rekabetçi ürünlerden nasıl farklılaştığını tartışabilir misiniz?

Veri bilimi projelerinin gereksinimleri büyük, karmaşık ve hesaplama yoğunluğunda olabilir, bu da veri bilimcilerinin bulut teknolojisini kullanmasını çekici bir strateji haline getirmiştir. Ancak, çeşitli yerli bulut tabanlı veri bilimi platformları, sizi belirli bir bulut hizmetine ve veri depolama tekliflerine bağlar.

RapidMiner AI Bulut, basitçe RapidMiner platformunun bulut hizmeti sunumudur. Teklif, müşterilerin环境ine uygun şekilde uyarlanabilir. Bu, günümüzde çoğu işletmenin bulut veri yönetimine yaklaşımının çok hızlı bir şekilde evrimleştiği için önemlidir. Esneklik, RapidMiner AI Bulut’u gerçekten ayıran şeydir. Herhangi bir bulut hizmetinde, özel bulut yığınında veya hibrit bir kurulumda çalışabilir. Bulut taşınabilir, bulut tarafsız, çok bulut – neye tercih ediyorsanız. RapidMiner AI Bulut ayrıca çok az sorunlu, çünkü müşteriler için tüm veya kısmi dağıtımı yönetme yeteneği sunuyoruz, böylece müşteriler AI ile işlerini çalıştırmaya odaklanabilir, bunun tersi değil. Hatta kısa süreli projeler için ihtiyaç duyuldukça bir ortam oluşturmanıza olanak tanıyan bir talep üzerine seçenek bile var.

RapidMiner Radoop, veri bilimindeki bazı karmaşıklıkları ortadan kaldırır, geliştiricilere Radoop nasıl fayda sağlar?

Radoop principalmente, büyük veri potansiyelinden yararlanmak isteyen geliştiriciler için değil, büyük veri potansiyelinden yararlanmak isteyen geliştiriciler için değildir. RapidMiner Radoop, RapidMiner iş akışlarını kod gerektirmeden Hadoop içinde çalıştırır. Ayrıca, RapidMiner yürütme motorunu Spark’a gömmek ve komple iş akışlarını Spark’a kod gerektirmeden-push etmek kolaydır.

Bir hükümet kuruluşu, RapidMiner’i kullanarak verileri analiz edip potansiyel salgınları tahmin edebilecek mi, BlueDot gibi nasıl çalışır?

Genel bir veri bilimi ve makine öğrenimi platformu olarak RapidMiner, model oluşturma ve yönetim sürecini basitleştirmek ve geliştirmek için tasarlanmıştır, hangi konuya veya alana odaklanıldığından bağımsız olarak. odaklanıldığından bağımsız olarak. RapidMiner’in odak noktası salgınları öngörme değildir, ancak doğru veri ile bir konu uzmanı (bu durumda bir virolog veya epidemiyolog) platformu kullanarak salgınları doğru bir şekilde öngören bir model oluşturabilir. Aslında, birçok araştırmacı RapidMiner’i kullanıyor – ve platformumuz akademik amaçlar için ücretsizdir.

RapidMiner hakkında paylaşmak istediğiniz başka bir şey var mı?

Deneyin! Veri biliminin ne kadar kolay olabileceği ve iyi bir platformun sizin ve ekibinizin verimliliğini nasıl geliştirebileceği konusunda şaşıracaksınız.

Harika bir röportaj için teşekkür ederiz, daha fazla bilgi edinmek isteyen okuyucular RapidMiner ziyaret edebilir.