DataRobot introduceert een nieuw platform om AI-modellen te bouwen: DataRobot AI Cloud. Het platform moet bedrijven in staat stellen om machine learning software sneller te ontwikkelen.
DataRobot lanceert een platform voor snellere integratie van AI-oplossingen onder de naam DataRobot AI Cloud. Het platform is ontwikkeld om bedrijven te helpen sneller machine learning-software te bouwen.
DataRobot AI Cloud is inzetbaar in alle grote publieke clouds en op on-premises datacenters. Het platform doet daarmee dienst als centraal punt voor alle AI-oplossingen die een bedrijf heeft.
lees ook
AI, machine learning en deep learning: wat is het verschil?
Data-analyse wordt verwacht
Volgens DataRobot ervaren bedrijven een steeds grotere druk om verworven data om te zetten naar waardevolle inzichten. De werkelijkheid is naar hun mening minder mooi, want er zou nog maar weinig succes zijn behaald met AI.
Een rapport van IDC toont aan dat de uitgaven aan AI-software en -hardware wel flink zouden groeien, met 15,2 procent op één jaar tijd. De AI-markt is hierdoor een interessante markt voor bedrijven om op in te spelen.
“AI zal elke branche, elke service en elke klantinteractie opnieuw vormgeven”, zegt Dan Wright, CEO van DataRobot. “DataRobot AI Cloud bevat inzichten en lessen van jarenlange technologische innovatie en nauwe samenwerking met onze klanten. Hierdoor kunnen gebruikers met verschillende vaardigheden sneller meer modellen leveren en ongekende zakelijke waarde genereren met AI.”
Voor iedereen
Met DataRobot AI Cloud kan iedere werknemer aan de slag, doordat machine learning modellen te maken zijn zonder code. Door vooraf ingebouwde use cases vindt de tool automatisch de geschikte component voor de gebruiker.
lees ook
Gartner: ‘Tegen 2024 wordt technologie gebouwd door niet-IT’ers’
Voor data-analisten zijn er wel tools beschikbaar voor code first data science. Hierdoor is het toch mogelijk machine learning-software te bouwen zonder automatische tool. ML-operators kunnen dan weer rekenen op continue AI- en bias-monitoring om de modelprestaties na implementatie te optimaliseren.