주류로의 탄생: 머신러닝이 네트워크로 연결된 세계에서 의미론을 만나다

오늘 Birst는 분석 플랫폼 버전 6을 발표했습니다. Gartner와 Forrester가 모두 리더로 선정한 애널리스트 Birst는 한동안 새 버전을 출시하지 않았습니다. 새로운 기능에 대한 통찰력을 제공한 Birst의 제품 전략 부사장인 Pedro Arellano와 이야기를 나눴습니다. 이번 릴리스에는 대중을 위한 기계 학습(ML), 데이터 준비 및 네트워크 분석 만트라가 포함되어 있습니다.

이러한 기능 자체는 혁신적이지는 않지만 실제 문제를 해결하기 위한 노력의 일환으로 도입되었습니다. 이는 Birst가 전통적인 기업 IT 분석의 일부를 제거하려는 야심찬 플랫폼으로의 진화를 의미합니다. Birst는 이번 릴리스에서 비즈니스 사용자 역량 강화와 데이터 사일로 연결이라는 두 가지 문제를 해결하려고 노력하고 있습니다.

머신러닝, 의미론을 만나다

Birst에게 ML은 전혀 새로운 것이 아닙니다. Birst는 ML로 전환하기 전에 금융 기관을 위한 분석 플랫폼으로 설립되었습니다. 범용 분석 플랫폼이며 ML은 초기 구현에서 다음 요구 사항을 해결하는 데 도움이 되었습니다. 예측. Arellano가 말했듯이 알고리즘은 항상 존재해 왔습니다. 이러한 알고리즘은 이미 내부적으로 사용되었지만 이제는 데이터 준비 및 예측 분석이라는 두 가지 사용 사례에서 두각을 나타내고 있습니다.

모든 데이터 과학자가 말하듯이 분석을 위해 데이터를 준비하는 것은 정말 고통스럽고 많은 시간이 소요됩니다. 그리고 그것이 데이터 과학자에게 문제라면 Birst와 같은 셀프 서비스 도구를 사용하여 데이터를 분석하는 비즈니스 사용자에게는 훨씬 더 큰 문제입니다. Birst와 같은 플랫폼은 다양한 소스에서 데이터를 수집하기 위한 광범위한 커넥터를 제공하지만 결국 수집 프로세스의 파이프라인에는 병목 현상이 그리 많지 않습니다.

Birst에 따르면 실제 문제는 실제로 비즈니스 결정을 내리는 조직 내부 사람들이 테이블, 열, 조인과 같은 기본 분석 개념에 대한 이해가 부족하다는 것입니다. 분석에 다양한 데이터세트가 필요한 현실 세계의 상황을 처리하려면 이러한 친숙함이 필요합니다. 따라서 ML + 의미론이 도움이 됩니다.

Birst는 이미 의미론적 계층이라고 부르는 것을 갖추고 있었습니다. 그 기초에 대해서는 논의되지 않았지만 효과적으로 수행하는 작업은 메타데이터를 활용하여 수집된 데이터에 대한 스키마 관리를 처리하는 것입니다. 이제 Birst는 ML 기반 도구를 활용하여 새로 수집된 데이터 세트와 이 의미 체계 계층을 연결하고 최종 사용자를 위해 모든 것을 투명하게 처리할 것을 약속합니다.

ML은 예측을 제공하기 위해 내부적으로도 사용됩니다. 다시 말하지만, 비즈니스 사용자가 데이터 과학자를 참여시키거나 ML 기본 사항을 알 필요 없이 예측 분석에 원클릭 액세스할 수 있도록 하는 것이 아이디어입니다. Birst는 자동화된 "최적 적합" 선택과 예측 모델의 점수 매기기를 사용하여 비즈니스를 예측한다고 말합니다. 결과를 도출하고 스마트 패턴 감지, 자동 대시보드 및 자동화된 분석 권장 사항을 제공합니다. 콘텐츠.

네트워크로 연결된 세계의 데이터 거버넌스

분석에 대한 셀프 서비스 접근 방식의 문제 중 하나는 데이터 사일로 확산에 기여한다는 것입니다. 사람들이 스스로 분석을 수행할 수 있도록 권한을 부여하면 IT 부담이 어느 정도 줄어들고 분석 전체 주기가 단축될 수 있습니다. 확인되지 않은 스키마 드리프트가 발생하고, 데이터와 메타데이터가 조직 전체에서 공유되지 않으며, 결과로 얻은 통찰력이 고르지 않게 분산되어 전체에 도달하지 못하게 됩니다. 잠재적인.

Birst는 이 문제를 인정하고 데이터 거버넌스 계층을 도입하여 문제를 해결하려고 노력하고 있습니다. 사용자는 작업하고, 자신의 데이터를 가져오고, 프로젝트에서 독립적으로 작업하는 데 사용할 수 있는 자신만의 공간 또는 샌드박스를 갖습니다. 동시에 조직 전체에서 관리되는 데이터 세트 및 스키마에도 액세스할 수 있습니다. 이 액세스는 Birst에 의해 간소화되고 별도의 공간에 도입된 새로운 데이터와 메타데이터를 업스트림에 승인하고 푸시할 수 있는 권한을 가진 역할에 의해 제어됩니다.

동시에 사용자는 자신의 지역 공간에 적합하다고 생각하는 대로 자유롭게 작업할 수 있습니다. 자체 데이터 세트 및 메타데이터 정의를 유지하거나 조직 전체의 데이터 세트 및 메타데이터 정의를 가져오고 병합하려는 경우 것들. 그렇게 하기로 선택한 경우 ML 도구를 기반으로 하는 반자동 접근 방식이 도움이 됩니다. 업스트림 변경에도 동일하게 적용되며 이러한 양방향 조정 접근 방식을 Birst가 네트워크 분석이라고 부릅니다.

이 관계는 어디로 가는가?

그렇다면 새로운 기능을 어떻게 활용해야 할까요? 그 자체로는 전혀 새롭거나 혁명적인 것이 아닙니다. ML 자동화는 어떤 면에서는 예측 분석의 성배이지만 이전에 수행되지 않은 작업은 아닙니다. 예를 참조하세요. 비욘드 코어, 지금 세일즈포스에 인수됨. ML에 대해 좀 더 관여적인 접근 방식을 원하는 사람과 조직을 위해 모든 종류의 라이브러리와 프레임워크가 있습니다. 유명한 Python 및 R 스크립트부터 다양한 알고리즘과 기능을 갖춘 완전한 ML 프레임워크에 이르기까지 사용 가능합니다. 능력.

데이터 랭글링을 자동화하는 것은 경쟁업체가 오랫동안 해오던 일입니다. 다음과 같은 솔루션 트라이팩타 실제로 동일한 ML 기반 접근 방식을 활용하여 비전문가 사용자를 지원합니다. 그리고 Qlik 또는 Tableau와 같은 도구는 한동안 Trifacta와의 통합(및 파트너십)을 통해 이러한 기능에 액세스할 수 있었습니다. 협업 기능도 마찬가지입니다. Birst가 이러한 기능을 처음으로 지원하는 것은 아닙니다.

그렇다고 새 버전에 가치가 없다는 것은 아닙니다. 이러한 기능은 비록 혁신적이지는 않지만 현실 세계에서 매우 유용합니다. Birst는 선도적 위치를 강화하고, 두 세계의 장점을 모두 갖춘 실용적이고 최상의 접근 방식을 제공하여 서로 분열된 조직을 위해 노력하고 있습니다. 셀프 서비스 분석의 사용 용이성 및 낮은 진입 장벽, 중앙 관리형 솔루션이 제공하는 신뢰성 및 프로세스 간소화.

Birst는 이를 2017년 내내 출시되어 더 많은 기능과 제어 기능을 추가할 점진적인 변화의 출발점으로 보고 있습니다. Birst는 경우에 따라 Tableau 또는 Hadoop 배포와 같은 기존 파트너 또는 통합과 경쟁하는 기능을 추가하여 모든 것을 포함하는 플랫폼으로 설정된 것처럼 보입니다. 하지만 다시 말하지만, 그것도 새로운 것이 아닙니다. 협력 그리고 기능 수렴 이것이 새로운 표준이므로 결국 실행에 관한 것입니다.