Dopo Snowflake, Databricks si integra anche con Tecton per accelerare i progetti ML aziendali

39

Per rafforzare ulteriormente il nostro impegno nel fornire una copertura leader del settore della tecnologia dei dati, VentureBeat è entusiasta di accogliere Andrew Brust e Tony Baer come collaboratori regolari. Guarda i loro articoli nella pipeline di dati.

Databricks sta ottenendo il supporto per il negozio di funzionalità di Tecton, poiché un numero crescente di aziende cerca di sfruttare la sua piattaforma Lakehouse per progetti di machine learning (ML).

In una dichiarazione giovedì, Tecton ha annunciato un’integrazione che renderà disponibile il suo negozio di funzionalità sulla piattaforma di Databricks, offrendo ai clienti comuni un modo per costruire e automatizzare le loro pipeline di funzionalità ML, dal prototipo alla produzione, in pochi minuti.

“Costruendo sulla base potente e altamente scalabile di Databricks per i dati e l’IA, Tecton estende l’infrastruttura dati sottostante per supportare i requisiti specifici del ML. Questa partnership con Databricks consente alle organizzazioni di incorporare l’apprendimento automatico in applicazioni e processi aziendali live rivolti ai clienti, in modo rapido, affidabile e su larga scala”, ha affermato Mike Del Balso, cofondatore e CEO di Tecton.

In che modo il feature store di Tecton accelera la distribuzione delle applicazioni ML?

Affinché qualsiasi applicazione predittiva funzioni, il modello ML sottostante deve essere addestrato su dati storici. Nella maggior parte dei casi, questi dati possono essere visualizzati come una tabella, con righe che rappresentano determinati elementi e colonne che forniscono attributi che descrivono tali elementi. Ogni singolo attributo, o proprietà misurabile, è chiamato caratteristica. I data scientist di solito applicano le trasformazioni ai dati grezzi per creare funzionalità per i modelli ML, ma il processo presenta sfide ingegneristiche uniche e richiede molto tempo, con ripercussioni sulle tempistiche di addestramento e distribuzione.

Un negozio di funzionalità offre ai data scientist un luogo dedicato in cui salvare le funzionalità sviluppate per il riutilizzo in una fase successiva o da parte di un altro membro del team all’interno della stessa organizzazione. Anche Tecton svolge lo stesso lavoro, sebbene la sua offerta faccia un passo avanti e automatizza anche l’intero ciclo di vita delle funzionalità di ML, dalla trasformazione dei dati grezzi alla pubblicazione per l’inferenza.

In questo modo, quando è integrato con Databricks, i team possono automatizzare la creazione di funzionalità ML e rendere operative le applicazioni ML in pochi minuti, anziché mesi. Il tutto funziona senza dover lasciare l’area di lavoro di Databricks.

“Un utente di Databricks sarà in grado di definire le funzionalità in Tecton e tali funzionalità verranno elaborate, orchestrate e archiviate utilizzando Databricks. Saranno disponibili in un notebook Databricks per gli utenti che sono modelli di addestramento e sono anche resi disponibili per l’inferenza online, per alimentare modelli in esecuzione in produzione”, ha detto Del Balso a VentureBeat.

“Le funzionalità storiche sono archiviate in Delta Lake, il che significa che tutte le funzionalità create da un utente sono disponibili in modo nativo nella casa del lago di dati. Gli utenti di Databricks hanno anche accesso a MLflow, dove possono ospitare i modelli addestrati e creare endpoint di servizio per fornire previsioni in tempo reale. In poche parole, attraverso questa integrazione, un utente di Databricks può definire e gestire le funzionalità in Tecton, elaborare i valori delle funzionalità utilizzando il calcolo di Databricks e fornire previsioni utilizzando MLflow”, ha aggiunto.

Adozione diffusa

Diversi clienti Tecton e Databricks, comprese le aziende Fortune 500, stanno già utilizzando questa integrazione per potenziare applicazioni predittive in tempo reale come rilevamento delle frodi, sottoscrizione in tempo reale, prezzi dinamici, consigli e personalizzazione. Tuttavia, Databricks non è l’unica azienda con questo tipo di integrazione.

Alcuni mesi fa, anche Snowflake ha collaborato con Tecton per introdurre il suo feature store sul suo data cloud. L’impegno includeva anche l’integrazione del suo negozio di funzionalità open source “Feast”.

La missione di VentureBeat deve essere una piazza cittadina digitale per i decisori tecnici per acquisire conoscenze sulla tecnologia aziendale trasformativa e le transazioni. Saperne di più sull’appartenenza.