Toepassingen voor Artificial Intelligence en Deep Learning worden gestuurd door drie belangrijke variabelen: databewerking, algoritmes en parameters van beide. Die variabelen moeten in wisselwerking worden gecombineerd en geëvalueerd om tot een accuraat en performant geheel te komen. Ze bepalen de kwaliteit van het uiteindelijke model voor AI en Deep Learning.
Die cruciale keuzes en wisselwerking tussen algoritme, dataverwerking en parametrisatie – ook wel hypertuning genoemd – worden door de Trendskout AutoML volledig zelfstandig uitgevoerd. Dat versnelt het volledige proces, vanaf het definiëren van een toepassing tot en met de oplevering van een performante toepassing voor AI en Deep Learning.
Naast specifieke modules voor productiebedrijven, biedt het Trendskout AutoML platform ook tal van mogelijkheden voor IT teams om snel AI toepassingen op te zetten, Powered door onze unieke dubbele AI laag en gebruiksvriendelijke UI die datatransformaties, algoritmeselectie en hypertuning volledig automatiseert.
Ontvang toegang tot ons Resource Center met interessante business cases gratis in je mailbox.
Classificatie is één van de Trendskout AI Flow analyse-functies.
Door “Feature Selectie” en “Feature extractie” algoritmes, die volledig autonoom worden uitgevoerd, detecteert Trendskout zelfstandig welke set van variabelen – bvb. kolommen, beeldpunten… – gebruikt moeten worden in het dataclassificatiemodel.
Tijdens het trainen evalueert Trendskout verschillende algoritmes, algoritme-parameters en datatransformaties. Om dit te evalueren worden er verschillende kwaliteitscores berekend door het model op een niet gebruikt deel van de trainingsdata uit te voeren en te testen of de ontdekte verbanden correct zijn. Op basis van het resultaat van deze evaluatie gaat Trendskout zelfstandig nieuwe combinaties van algoritmes, parameters en data transformaties proberen. Dit deel van de trainingstap heet hypertuning. Dit hele proces wordt in Trendskout gestart via een eenvoudige klik op de Run/Train-knop en gebeurt zonder tussenkomst van de gebruiker.
Het beste classificatie-model wordt nadien gebruikt in de tweede stap; het real-time classificeren van nieuwe data. Het aanklikken van Deploy gaat het classificatie model openstellen voor een in de Connect-stap gekozen data -input wijze. Dit kan op basis van API, Plugin, database of andere zijn. Telkens gaat Trendskout nieuwe data in deze inputbronnen classificeren, op basis van het classificatiemodel, en in de Automate-stap de geselecteerde acties uitvoeren, bvb. het oproepen van een extern systeem, uitsturen van een mail, het tonen van een dialoog…
In deze tweede fase gaat Trendskout het eerder opgestelde model ook gaan bijstellen en evalueren. Zodra blijkt dat een ander algoritme/datatransformatie/parameter combinatie een beter model oplevert, wordt het vorige model vervangen. Zo wordt het meest exacte resultaat gegarandeerd, ook wanneer de eigenschappen van uw data veranderen.
Het Trendskout automated machine learning platform bevat tal van classificatie algoritmes die de gebruiker op een toegankelijke manier via een drag & drop-interface kan koppelen aan input en automatisatie-stappen in een AI flow. Alle datatransformatie, hypertuning, algoritmeselectie en het beheer van alle GPU/TPU Cloud Computing wordt volledig op de achtergrond beheerd.
Hierdoor wordt het inzetten van classificatie-toepassingen in uw organisatie een stuk efficiënter en kan u onbeperkt en zonder zorgen experimenteren met mogelijke toepassingen binnen uw organisatie.
