Data Science a SUSE támogatásával

Szoftverfejlesztői körökben felkapott témának számít manapság a mesterséges intelligencia, a gépi tanulás és a deep learning. Számos szegmensben használják ezeket a technológiákat, hogy nagy mennyiségű, rendezetlen adathalmazból jól használható információkat nyerjenek ki.

Napjainkban ugyanis a vállalatok rengeteg információt gyűjtenek és termelnek, és ha ezt megfelelően tudják feldolgozni és hasznosítani, akkor jobb döntéseket hozhatnak, illetve jobb termékeket és szolgáltatásokat fejleszthetnek, lekörözve versenytársaikat. Ezért egyre több cégnél alkalmaznak adattudósokat, akik a gépi tanulás segítségével kiaknázzák az adathalmazban rejlő előnyöket.

A gépi tanulás az 1950-es években indult útjára, ekkor jelent meg a Stochastic Neural Analog Reinforcement Calculator (SNARC) neurális hálózat, amely elsőként használt mesterséges intelligenciát. Az igazán nagy és gyors fejlődés azonban csak a 2000-es évek elején kezdődött meg, amikor az iparág létrehozta az első szoftveralapú gépi tanulási keretrendszert, amely forradalmasította a számítástechnika világát.

Mára számos különféle megoldás és keretrendszer érhető el, amelyek támogatják a gépi tanulásban rejlő lehetőségek kihasználását. Ezeket az adattudósok vegyesen alkalmazzák attól függően, hogy milyen felhasználási területen, milyen megközelítéssel dolgoznak.

Az, hogy adott esetben melyik módszer és melyik megoldás a legjobb, rengeteg dologtól függ, köztük attól, hogy hogyan gyűjtik be az elemezendő adatokat, milyen forrásokkal dolgoznak, milyen metódust alkalmaznak az adatok feltárására és analizálására, hogyan kommunikálják az eredményeket, illetve hogyan automatizálják a folyamatokat, hogy a rendszer megfelelő időközönként magától készítse az elemzéseket.

Az ilyen jellegű feladatokat és folyamatokat nagy mértékben egyszerűsíthetik a felhőnatív alkalmazások, amelyek létrehozásához jó támogatást biztosít a Kubernetes, kiegészítve a KubeFlow gépi tanulási eszközkészlettel. Ez a projekt 2017-ben indult azzal a céllal, hogy a Kubernetes a rendszeren folyó gépi tanulási műveleteket egyszerűvé, gyorssá és könnyen bővíthetővé tegye. A közreműködők olyan legjobb gyakorlatokat szeretnének létrehozni, amelyeket az adattudósok könnyen használhatnak anélkül, hogy nagyobb tudással rendelkeznének arról, mi történik a háttérben. Az indulás óta rengeteg fejlesztés történt, és mára a KubeFlow egy olyan ernyőprojektté nőtte ki magát, amely szeretné megszünteti a szakadékot a különféle eszközök között.

A KubeFlow is több szoftverkomponenst használ azonban, így az üzembe helyezése a tapasztalatlanok számára nem túl egyszerű, ahogyan a Kubernetes és a konténerek használata és felügyelete sem. A SUSE megoldásai, a Cloud Application Platform és a CaaS Platform viszont egyszerűsíti ezeket a feladatokat, így az adattudósok nagyobb figyelmet fordíthatnak a munkájuk szerves részét képező területekre.