Após o Snowflake, o Databricks também se integra ao Tecton para acelerar projetos de ML corporativos

Databricks está recebendo suporte para Tecton’s loja de recursosà medida que um número crescente de empresas procura aproveitar sua plataforma lakehouse para projetos de aprendizado de máquina (ML).

Em comunicado na quinta-feira, a Tecton anunciou uma integração que disponibilizará sua loja de recursos na plataforma Databricks, dando aos clientes em comum uma maneira de construir e automatizar seus pipelines de recursos de ML, do protótipo à produção, em questão de minutos.

“Apoiando-se na base poderosa e massivamente escalável da Databricks para dados e IA, a Tecton estende a infraestrutura de dados subjacente para oferecer suporte a requisitos específicos de ML. Essa parceria com a Databricks permite que as organizações incorporem o aprendizado de máquina em aplicativos e processos de negócios ao vivo, voltados para o cliente, de forma rápida, confiável e em escala”, disse Mike Del Balso, cofundador e CEO da Tecton.

Como a loja de recursos Tecton acelera a implantação de aplicativos de ML?

Para que qualquer aplicativo preditivo funcione, o modelo de ML abaixo precisa ser treinado em dados históricos. Na maioria dos casos, esses dados podem ser visualizados como uma tabela, com linhas representando certos elementos e colunas fornecendo atributos que descrevem esses elementos. Cada atributo particular person, ou propriedade mensurável, é chamado de recurso. Os cientistas de dados geralmente aplicam transformações em dados brutos para criar recursos para modelos de ML, mas o processo vem com desafios de engenharia exclusivos e leva muito pace, afetando os cronogramas de treinamento e implantação.

Um repositório de recursos fornece aos cientistas de dados um native dedicado para salvar recursos desenvolvidos para reutilização em um estágio posterior ou por outro membro da equipe dentro da mesma organização. A Tecton também faz o mesmo trabalho, embora sua oferta vá um passo à frente e também automatize todo o ciclo de vida dos recursos de ML – desde a transformação de dados brutos até o serviço de inferência.

Dessa forma, quando integrado ao Databricks, as equipes podem automatizar a criação de recursos de ML e operacionalizar aplicativos de ML em minutos, em vez de meses. A coisa toda funciona sem ter que sair do espaço de trabalho do Databricks.

“Um usuário do Databricks poderá definir recursos no Tecton e esses recursos serão processados, orquestrados e armazenados usando o Databricks. Eles estarão disponíveis em um pocket book Databricks para usuários que estão treinando modelos e também são disponibilizados para inferência online, para alimentar modelos executados em produção”, disse Del Balso ao VentureBeat.

“Os recursos históricos são armazenados no Delta Lake, o que significa que todos os recursos que um usuário cria estão disponíveis nativamente no information lakehouse. Os usuários do Databricks também têm acesso ao MLflow, onde podem hospedar os modelos treinados e criar endpoints de serviço para fornecer previsões em pace actual. Em poucas palavras, por meio dessa integração, um usuário do Databricks pode definir e gerenciar recursos no Tecton, processar valores de recursos usando a computação do Databricks e fornecer previsões usando o MLflow”, acrescentou.

Adoção generalizada

Vários clientes da Tecton e Databricks, incluindo empresas da Fortune 500, já estão usando essa integração para potencializar aplicativos preditivos em pace actual, como detecção de fraudes, subscrição em pace actual, preços dinâmicos, recomendações e personalização. No entanto, a Databricks não é a única empresa com esse tipo de integração.

Há alguns meses, a Snowflake também fez parceria com a Tecton para introduzir seu repositório de recursos em sua nuvem de dados. O compromisso também incluiu a integração de sua loja de recursos de código aberto “Celebração.”