Kursus Komputer Di Solo

e-mail
0 Komentar
Salesforce membuka sumber teknologi pembelajaran mesin di balik platform Einstein AI-nya.

Branded TransmogrifAI, pustaka AutoML kurang dari 10 baris kode Scala yang ditulis di atas Apache Spark, dan dapat digunakan oleh pengembang yang ingin melatih model pembelajaran mesin untuk memprediksi perilaku pelanggan tanpa harus menggunakan kumpulan data besar untuk pelatihan.(kursus komputer)

 © Salesforce


"Ini dikembangkan dengan fokus pada mempercepat produktivitas pengembang pembelajaran mesin melalui otomatisasi pembelajaran mesin, dan API yang memberlakukan jenis keamanan waktu-kompilasi, modularitas, dan penggunaan kembali. Melalui otomatisasi, itu mencapai akurasi mendekati model yang disetel langsung dengan hampir 100x pengurangan waktu, "katanya di situs webnya.(kursus komputer)

Dalam posting Medium yang panjang minggu lalu, Shubha Nabar, direktur senior ilmu data di tim Salesforce Einstein menulis: "Tiga tahun lalu ketika kami mulai membangun kemampuan pembelajaran mesin ke dalam platform Salesforce, kami belajar bahwa membangun pembelajaran mesin skala perusahaan sistem lebih sulit. "(kursus komputer)

Kunci untuk Salesforce ketika mengembangkan Einstein adalah mampu memberikan wawasan cerdas dan tindakan yang direkomendasikan tanpa mengumpulkan semua data pelanggan mereka bersama. Hal ini menimbulkan tantangan yang cukup serius bagi vendor sebelum mengakuisisi sekelompok perusahaan spesialis pembelajaran mesin, termasuk MetaMind dan pendirinya Richard Socher, yang sekarang menjadi kepala ilmuwan di Salesforce.

"Hingga saat itu, jika Anda tidak dapat melihat atau menormalkan data, Anda tidak dapat menerapkan kecerdasan," kata CEO Salesforce, Marc Benioff. "Kami memiliki sejumlah besar data, petabyte dan petabyte, jadi kami memiliki data yang kami butuhkan dan jawabannya adalah bahwa kami sekarang dapat beroperasi pada data tersebut tanpa mengganggu hubungan kepercayaan dengan pelanggan kami."

Memperluas hal ini, Nabar menulis: "Kita harus membangun model pembelajaran mesin khusus untuk setiap kasus penggunaan tertentu. Bahkan jika kita dapat membangun model global, itu sama sekali tidak masuk akal untuk melakukannya karena setiap data pelanggan adalah unik, dengan skema yang berbeda. , berbagai bentuk, dan bias berbeda yang diperkenalkan oleh proses bisnis yang berbeda.

"Untuk membuat pembelajaran mesin benar-benar bekerja untuk pelanggan kami, kami harus membangun dan menyebarkan ribuan model pembelajaran mesin yang dipersonalisasi yang dilatih pada setiap data pelanggan individu untuk setiap kasus penggunaan tunggal.