Knime分析平台增加了帮助模型部署的工具

综合部署，对KNIME分析平台的新增功能旨在消除数据科学模型的开发与部署之间的差距。

Knime,开源Analytics供应商成立于2004年，并以瑞士苏黎世在苏黎世，周三在KNIME Spring Summit 2020期间揭开了综合部署，公司几乎举行了用户会议。

在分析过程中出现的许多问题之一是如何采取机器学习由数据科学家编写和开发的模型，并将其交给商务用户，以便在决策过程中使用它。

一般来说，理论上简单的转移实际上是远从简单的。它要求数据以正确的形式移动以进行消费，这可能意味着数据科学家必须手动复制模型的设置，因为模型转移到最终用户的工作流中。

通过集成部署，KNIME Analytics平台自动化劳动力参与转移，消除了需要重复手动复制数据模型的需要，并使数据立即可用于分析。

“数据科学家的想法是不需要和任何人做斗争的翻译无论他们正在创造——他们可以直接部署和业务用户的另一端食物链中受益,因为他们可以看到更改一分钟内,“贝特迈克尔说,Knime的联合创始人和首席执行官。“他们不需要等待中间的任何人进行翻译、移动模型或做一些调整。”

Berthold与数据科学家的模型开发和他们的最终部署到最终用户以一种形式，他们可以用来在高端餐厅厨房中创建食谱，然后必须重写这些食谱，因此人们可以在没有的厨房里重新创建菜肴与餐厅厨师相同的工具。

“数据科学家正在使用野生Python图书馆和任何工具，他们可以掌握他们的手，从学术遗址下载他们，“Berthold说。”他们正在尝试深入的学习架构，但最终在部署方面，为了实际跑到你通常常用于不同类型的设置，并且需要在中间有某种翻译。“

企业战略集团(Enterprise Strategy Group)的高级分析师迈克·莱昂内(Mike Leone)说，Knime分析平台解决的中间转换问题长期以来一直是需要的。

KNIME通过集成部署解决的差距和障碍将使组织能够快速有效地将模型应用到生产环境中。

“金色模型有许多依赖性来生产，即它显着推迟了生产时间和时间值，”他说。“另外，随着时间的推移，数据漂移是强制组织必须重新研磨模型并重新部署更新的模型并不罕见。使用集成部署来寻址差距和障碍物将使组织能够快速有效地将模型迅速地处理在生产环境中工作。“

同样，星座研究的分析师Doug Henschen表示，模型开发和部署之间的差距会是一个重大问题吗但他指出，Knime并不是第一家解决这一问题的供应商。

他表示:“Knime并不是唯一一家试图通过端到端平台来克服这一差距的供应商。”“大型公共云供应商和多个软件供应商，无论大小，都在努力缩小这一差距。”

具体来说，Henschen指出，AWS、微软、谷歌、SAS、IBM、Oracle、Tibco和Domino Data Lab都试图解决这个问题发展到部署过程。

他还警告说，与任何潜在的实施一样，企业需要在决定哪些供应商的产品在其组织内最为适合哪些供应商来进行比较。

“愿望客户应该组织一个多学科团队来考虑可用的选择，”亨氏说。“端到端平台将要求房屋的Devops侧面授权并学习新软件，并在多大程度上补充当前的工具，流程和实践？更改管理和软件采用可能是实现承诺福利的重要障碍。“

除了集成部署之外，Berthold还指出，knome分析平台未来的一些重要补充——供应商每年发布两次更新——将围绕供应商的knome Hub进行工作流的交换平台它于2019年3月首次推出。

“这是一个开源项目，”Berthold说。“我们有很多社区贡献，正在向平台添加他们的新算法，同时我们还提供了一些这些开源开发的包装。”