

Architettura della soluzione

ML e Auto-ML backend
Consente di addestrare, convalidare, mettere a punto modelli AI di apprendimento automatico (Machine Learning) su dati strutturati senza scrivere codice (Low Code) o ricorrere a complesse attività di preparazione del dato.

ML Model Catalog (library)
Consente di utilizzare una vasta selezione di modelli preconfigurati, personalizzarli o caricare soluzioni su misura.

ML Trainer
Consente il controllo completo sul processo di addestramento come la scelta del framework ML preferito, la scrittura eventuale del codice Python personalizzato, l’accesso alle opzioni di ottimizzazione degli iper-parametri.

ML Serving Engine
Permette di esporre i modelli ML, tramite API, a tutte le applicazioni aziendali con un servizio scalabile di ultima generazione (multi-cloud e multi-engine) ottimizzato per i “work-load” dell’AI.


Funzionalità principali della soluzione
- EDA (Explorative Dataset Analysis): funzionalità esplorative per comprendere le caratteristiche principali dei dataset di interesse.
- Advanced Data Cleansing: funzionalità “Runtime” o pianificabili, per automatizzare funzioni intelligenti di pulizia e normalizzazione dei dataset.
- ML Engine: funzionalità “Runtime” o pianificabili, per sviluppare modelli predittivi e produrre predizioni a partire dai dataset disponibili.
- Auto-ML: DATA BRAIN è dotato di un sistema di Auto-ML per consentire la rapida generazione di modelli predittivi per compiti di classification, regression, timeseries (forecasting). Il sistema si occupa di automatizzare le fasi di: Data Preparation (missing values, encoding et al.) → Data Normalization → Feature Engineering → Feature Selection.
- ML Serving: il modulo consente di esporre dei servizi di predizione dei dati utilizzando modelli predittivi specifici, che possono essere utilizzati con chiamate REST API o servizi batch schedulabili all’interno di flussi di ETL. Possono essere utilizzati i modelli predittivi sviluppati con la tecnologia di Auto-ML della piattaforma ma anche di esporre servizi a partire da modelli predittivi sviluppati al di fuori dell’ecosistema in una logica “bring your model”. Una semplice interfaccia utente permette di importare i file del modello che sarà quindi disponibile per il serving.
Elementi differenziali rispetto ai prodotti competitor
- Explainability: consente l’accesso a informazioni approfondite sia sulle logiche di predizione, sui predittori scelti dal modello ML ed i pesi statistici degli stessi, su cosa possa influire sull’affidabilità delle previsioni.
- strumenti visuali che consentono di analizzare le prestazioni del modello;
- explainability insights visualizzate assieme ai risultati di previsione dei dati;
- analisi “what-if” per valutare la fiducia sulla base di input alternativi
- Accessibilità: indipendentemente dalle competenze di Data Science è possibile utilizzare DATA BRAIN, selezionare un modello di previsione da catalogo e lasciare che il sistema elabori e definisca il modello più idoneo.
- Auto-ML - Motore di Machine Learning automatizzato: automatizza e semplifica il processo di applicazione dell’apprendimento automatico dei modelli ML.