In-Memory-Computing
Maschinelles Lernen und Entscheidungsautomatisierung in Echtzeit
Neues Framework für Continuous Learning
Das neue GridGain Continuous Learning Framework ist ein Baustein für prozessinterne HTAP-Anwendungen (Hybrid Transactional/Analytical Processing), in denen ein Datenmodell kontinuierlich auf Basis eingehender Daten trainiert wird. In-Process HTAP bietet neuesten Anwendungen die Möglichkeit von Modell-Trainings in Echtzeit zu profitieren. Dies ermöglicht eine bessere Entscheidungsfindung in einer Vielzahl von Geschäftsanwendungen, wie zum Beispiel Betrugsprävention, E-Commerce-Empfehlungen, Kreditgenehmigungen, Logistik sowie Wartungsentscheidungen von Transportsystemen.
Betriebsdaten mit maschinellen und Deep-Learning-Algorithmen in Echtzeit verarbeiten
GridGain Systems, Anbieter von In-Memory-Computing-Lösungen auf Basis von Apache® Ignite™, gibt den Launch von GridGain Professional Edition 2.4, einer vollständig unterstützenden Version für Apache Ignite 2.4, bekannt. GridGain Professional Edition 2.4 enthält ein Continuous Learning Framework, das maschinelles Lernen und ein mehrschichtiges neuronales Perzeptron (Multilayer Percepton/MLP)-Netzwerk bietet. Dies ermöglicht Unternehmen maschinelle und Deep-Learning-Algorithmen in Echtzeit mit ihren Betriebsdaten im Petabyte-Bereich zu verarbeiten. So können Unternehmen ab sofort Rechenmodelle mit In-Memory-Geschwindigkeiten und massiver horizontaler Skalierbarkeit erstellen und kontinuierlich aktualisieren. GridGain Professional Edition 2.4 verbessert auch die Performance von Apache® Spark™ durch die Einführung einer API für Apache Spark DataFrames, die den bestehenden Support für Spark RDDs erweitert.
GridGain Continuous Learning Framework
GridGain Professional Edition 2.4 bietet ab sofort die erste vollständige Unterstützung von Apache Ignite´s integrierten maschinellen Lern- und Multilayer-Perceptron-Funktionen, die Continuous Learning durch maschinelles Lernen und Deep Learning direkt in GridGain ermöglichen. Durch die Optimierung der Libraries für eine massive parallele Verarbeitung (Massive Parallel Processing/MPP) mit den im GridGain-Cluster vorhandenen Daten, können groß skalierte Anwendungen für maschinelles Lernen erheblich beschleunigt werden. Die Verarbeitung der Daten direkt im GridGain-Cluster ermöglicht einen kontinuierlichen Lern-Workflow, da keine Transaktionsdaten vor dem Aufstellen und Trainieren eines Modells in eine separate Datenbank verschoben werden müssen. Das Ergebnis sind Modellverbesserungen in Echtzeit oder sogar kontinuierliches Training dieser Modelle mit geringerer Komplexität und wesentlich niedrigeren Kosten als bei herkömmlichen Ansätzen.
Das neue Framework für Continuous Learning und die verbesserte Spark-Integration ermöglichen Echtzeit-Lernen für die digitale Transformation und für Omnichannel-Kundenerfahrungsinitiativen
Erweiterte Unterstützung für Spark DataFrames
GridGain kann nun zum Speichern und Verwalten von Spark DataFrames verwendet werden. Die DataFrame-Unterstützung erweitert den bereits breiten Support von Spark der In-Memory-Computing-Plattform. GridGain bietet zudem die GridGain RDD API für den Zugriff auf Daten in GridGain als veränderliche Spark RDDs sowie das Ignite File System (IGFS) für die Verwendung von GridGain als In-Memory-Implementierung des Hadoop Distributed File System (HDFS). Spark kann verwendet werden, um Daten in GridGain als DataFrames oder RDDs zu verarbeiten und um DataFrames oder RDDs zur späteren Verwendung in GridGain zu speichern. Den Spark-Entwicklern ermöglicht GridGain als In-Memory-Storage zu nutzen, um Informationen zwischen Sparks Jobs zu speichern und auszutauschen. GridGain bietet ANSI-99 SQL-Unterstützung mitsamt Datenindizierung, so dass Apache Spark die verteilte SQL von GridGain nutzen kann, um die Ad-hoc-Abfrageleistung um das bis zu 1000fache verbessern zu können. Spark-Entwickler können auch das GridGain Continuous Learning Framework nutzen, um Entscheidungen zu automatisieren und Modelle kontinuierlich zu aktualisieren. So erreichen sie bessere Ergebnisse in Echtzeit.
„Unternehmen, die intelligentere Entscheidungsfindungen automatisieren wollen, müssen beide Aspekte des digitalen Gehirns – maschinelles Lernen und Entscheidungsautomatisierung – kontinuierlich zusammenarbeiten lassen", sagt Abe Kleinfeld, President und CEO von GridGain Systems. „Mit dieser neuesten Version ermöglicht GridGain ein kontinuierliches Training von maschinellen Lernmodellen mit massiven Datensätzen bei In-Memory Geschwindigkeiten und Skalierbarkeit in Echtzeit – und somit mit geringerer Komplexität und niedrigeren Kosten. Dies ist der erste Schritt, um prozessinterne HTAP-Anwendungen zu ermöglichen, die kontinuierlich lernende Anwendungen unterstützen. So können Unternehmen die digitale Transformation und Omnichannel-Kundenerfahrungsinitiativen vorantreiben.”
Über GridGain® Systems
GridGain Systems revolutioniert den Echtzeit-Datenzugriff und die Datenverarbeitung, indem es eine In-Memory-Computing-Plattform auf Basis von Apache® Ignite™ anbietet. GridGain-Lösungen werden von globalen Unternehmen in den Bereichen Finanzen, Software, E-Commerce, Einzelhandel, Online-Business-Services, Gesundheitswesen, Telekommunikation und anderen wichtigen Branchen eingesetzt. Dazu gehören Kunden wie Barclays, ING, Sberbank, Finastra, IHS Markit, Workday und Huawei. GridGain bietet eine bislang nie dagewesene Geschwindigkeit und massive Skalierbarkeit für Legacy- und Greenfield-Anwendungen. Die auf einem verteilten Cluster von Commodity-Servern installierte GridGain-Software kann sich zwischen den Anwendungs- und Datenschichten (RDBMS, NoSQL und Apache® Hadoop®) implementiert werden und erfordert kein Rip-and-Replace der vorhandenen Datenbanken. Zudem kann sie als transaktionale In-Memory SQL-Datenbank eingesetzt werden. GridGain ist die umfassendste In-Memory-Computing-Plattform für hochvolumige ACID-Transaktionen, Echtzeitanalysen, Web-Scale-Anwendungen, kontinuierliches Lernen und HTAP.