[ad_1]
TigerGraphNamefabricante de um análise de gráficos plataforma para cientistas de dados, durante seu evento Graph & AI Summit, apresentou hoje seu TigerGraph ML (Gadget Studying) Workbench, um package de ferramentas de nova geração que ostensivamente permitirá que os analistas melhorem significativamente a precisão do modelo de ML e reduzam os ciclos de desenvolvimento.
O Workbench faz isso usando ferramentas, fluxos de trabalho e bibliotecas familiares em um único ambiente que se conecta diretamente aos pipelines de dados existentes e à infraestrutura de ML, disse Victor Lee, vice-presidente da TigerGraph, à VentureBeat.
o Bancada de ML é uma estrutura de desenvolvimento Python baseada em Jupyter que permite que cientistas de dados criem modelos de IA de aprendizado profundo usando dados conectados diretamente da empresa. O ML habilitado para gráficos provou ter poder preditivo mais preciso e consomem muito menos pace de execução do que a abordagem convencional de ML.
Convencional algoritmos de aprendizado de máquina são baseados no aprendizado de sistemas por conjuntos de treinamento para desenvolver um modelo treinado. Este modelo pré-treinado é usado para classificar ou reconhecer o conjunto de dados de teste; isso normalmente pode levar dias ou semanas para ser finalizado para um caso de uso específico. Às vezes, o ML baseado em gráficos pode levar minutos para criar um modelo algorítmico.
Valor de ML alto, mas a curva de aprendizado também
“O Graph comprovadamente acelera e melhora o aprendizado e o desempenho de ML, mas a curva de aprendizado para usar as APIs (interfaces de programação de aplicativos) e bibliotecas para fazer isso acontecer se mostrou muito íngreme para muitos cientistas de dados”, disse Lee em um comunicado de mídia. “Por isso, criamos o ML Workbench para fornecer uma nova camada funcional entre os cientistas de dados e as APIs e bibliotecas de aprendizado de máquina de gráficos para facilitar o armazenamento e o gerenciamento de dados, a preparação de dados e o treinamento de ML.
“Na verdade, vimos os primeiros a adotar um aumento de 10 a 50% na precisão de seus modelos de ML como resultado do uso de ML Workbench e TigerGraph”, disse ele.
Todo o modo de pensar do TigerGraph gira em torno da definição de identidade humana, que é baseada em como você interage com os outros, disse Lee ao VentureBeat.
“A mesma coisa vale para gráficos na modelagem de dados, e isso só agora está se estendendo às redes neurais.” disse Lee. “Cada nó em um gráfico está inter-relacionado, como pessoas. Os gráficos são ótimos para consultar algoritmos de correspondência de padrões. O Workbench ajudará você a implantar o aprendizado de máquina com base nas informações dentro do gráfico, mas o poder actual vem com as redes neurais gráficas, que são gráficos regulares em esteróides.
“Em nossa DGL (deep graph library), por exemplo, há uma extensão da geometria Pytorch (da Meta) que suporta redes neurais gráficas”, disse ele. “Esse é um ótimo recurso e mostra que estamos indo para onde os cientistas de dados estão; não estamos tentando fazê-los aprender algo novo. Estamos usando as ferramentas que eles já conhecem e com as quais se sentem confortáveis, porque estamos tentando reduzir a curva de aprendizado.”
Perfect para casos de uso de fraude e previsão
O ML Workbench permite que as organizações determinem insights aprimorados em aplicativos de previsão de nós, como fraude e aplicativos de previsão de borda, que incluem recomendações de produtos, disse Lee. O ML Workbench permite que os profissionais de IA/ML explorem aprendizado de máquina aprimorado por gráficos e redes neurais gráficas (GNNs), porque é totalmente integrado ao banco de dados da TigerGraph para processamento/manipulação de dados gráficos paralelizados, disse Lee.
O ML Workbench foi projetado para interoperar com estruturas populares de aprendizado profundo, como PyTorch, PyTorch Geometric, DGL e TensorFlow, oferecendo aos usuários a flexibilidade de escolher uma estrutura com a qual estejam mais familiarizados. O ML Workbench também está pronto para plug-and-play para Amazon SageMaker, Microsoft Azure ML e Google Vertex AI, disse Lee.
O ML Workbench foi projetado para funcionar com dados de nível empresarial. Os usuários podem treinar GNNs – mesmo em gráficos muito grandes – devido aos seguintes recursos integrados:
- DBs TigerGraph armazenamento distribuído e processamento paralelo em massa;
- Particionamento baseado em gráfico gerar conjuntos de dados de gráficos de treinamento/validação/teste;
- Agrupamento baseado em gráfico para treinamento de mini-lote GNN para melhorar o desempenho e reduzir os requisitos de HW; e
- Amostragem de subgráfico para suportar técnicas de modelagem GNN de ponta.
O ML Workbench é compatível com TigerGraph 3.2 em diante, disponível como um serviço de nuvem totalmente gerenciado e para uso native. Atualmente disponível como uma prévia, o ML Workbench estará disponível em junho de 2022, disse Lee.
TigerGaph compete com Neo4J, ArangoDB, MemGraph e alguns outros no espaço de banco de dados gráfico.
Vencedores do ‘Million Greenback Problem’ selecionados
No Graph & AI Summit, a TigerGraph revelou o vencedores do Gráfico para o All Million Greenback Problem — concedendo US$ 1 milhão em dinheiro para projetos revolucionários baseados em gráficos que analisam e abordam muitas das maiores preocupações globais sociais, econômicas, de saúde e relacionadas ao clima da atualidade.
o projetos vencedoresanunciado nesta semana Gráfico + Encontro de IA, foram selecionados a dedo pelo comitê de julgamento world de mais de 1.500 inscrições de mais de 100 países. A Psychological Well being Hero conquistou o Grande Prêmio de US$ 250.000 pela criação de um aplicativo para ajudar a fornecer maior acesso e personalização ao tratamento de saúde psychological.
[ad_2]
Fonte da Notícia
