A Graphenus integra diferentes bibliotecas de aprendizado de máquina para permitir que as equipes de ciência de dados desenvolvam qualquer tipo de modelo, abstraindo-as da complexidade do gerenciamento de dados distribuídos (infraestrutura, configuração, processamento etc.).
Facilidade de uso
- Suporte para várias linguagens de programaçãoJava, Python, Scala, R.
- Integração imediata com qualquer fonte de informação apoiado pelo Graphenus.
- Abstração da complexidade da computação distribuída.
Alto desempenho e escalabilidade
- Execução dos modelos e algoritmos de aprendizado de máquina em Faísca.
- Disponibilidade de vários modelos otimizado.
- Escalabilidade garantida graças ao Graphenus e sua arquitetura de contêineres.
Amplo ecossistema
- Alto volume de algoritmos de ML disponíveis (classificação, regressão, recomendação, agrupamento, etc.).
- Tipo de utilitários fluxo de trabalho para transformação de recursos, definição de pipeline, avaliação de modelos, persistência, etc.
- Modelos de redes neurais, algoritmos genéticos, tensoresetc.
A Graphenus tem uma base sólida para apoiar o desenvolvimento de modelos de aprendizado de máquina.
Com base no Spark ML disponível, novas bibliotecas são adicionadas para fornecer ao Graphenus recursos de ML diferenciados:
- Graphenus é totalmente compatível com todas as principais bibliotecas de ML: Scikit Learn, Pandas, TensorFlow, PyTorch, Mlflow e Spark MLib.
- Graças ao Spark, Os modelos de ML podem ser executados em uma base totalmente distribuídausando praticamente qualquer fonte de dados e de uma forma transparente para o desenvolvedor.
- Aprendizagem Federada: Técnica de aprendizado de máquina que permite que um modelo seja treinado usando vários nós de processamento com seu próprio conjunto de dados local, sem que os dados saiam dos nós. Em outras palavras, permite que o modelo seja obtido de forma descentralizada, evitando a concentração de todos os dados em um mesmo local. Assim, o fluxo de dados é composto apenas pelos parâmetros que compõem o modelo, nunca pelos dados locais de cada nó, o que o torna particularmente útil quando os dados são confidenciais ou privados.
