يتم التركيز على هندسة ميزات الذكاء الاصطناعي حيث تستحوذ DataStax على Kaskada

أعلنت شركة DataStax اليوم أنها تستحوذ على شركة Kaskada الخاصة ببائع الذكاء الاصطناعي ، والتي تعمل على تطوير نظام أساسي لهندسة الميزات يمكن أن يساعد المؤسسات على استخدام البيانات لتطبيقات الذكاء الاصطناعي.

بالطبع ، يجب أن يبدأ التعلم الآلي الفعال (ML) والذكاء الاصطناعي (AI) ببيانات جيدة ، يتم تخزينها عادةً في قاعدة بيانات للاستعلام. تعد مصادر بيانات تدفق الأحداث أساسًا آخر للتعلم الآلي والذكاء الاصطناعي الفعال ، مما يتيح تدفق البيانات في الوقت الفعلي من أي عدد من المواقع المختلفة.

تقوم شركة DataStax بقاعدة البيانات والبث المباشر في الوقت الفعلي ببناء نظامها الأساسي للبيانات منذ عام 2010 ، وهي مساهم رئيسي في قاعدة بيانات Apache Cassandra مفتوحة المصدر. في عام 2021 ، استحوذت DataStax على بائع Apache Pulsar Kesque وأطلقت خدمة تدفق البيانات. ساعد الطلب على قاعدة البيانات وتدفق الأحداث على نمو DataStax ، حيث أعلنت الشركة عن جولة تمويل بقيمة 115 مليون دولار في يونيو 2022.

سيتم تعزيز المرحلة التالية من نمو الشركة ، جزئيًا ، من خلال الطلب المتزايد على الذكاء الاصطناعي والتعلم الآلي ، بدعم من منصة بيانات في الوقت الفعلي.

قال تشيت كابور ، الرئيس التنفيذي لشركة DataStax ، لموقع VentureBeat: “يعد التعلم الآلي أمرًا تحويليًا للأعمال التجارية ، ويجب أن يكون شيئًا تستفيد منه يوميًا في عمليات عملك وفي تطبيقاتك”. “نعتقد أنه يمكننا أن نجعل من الممكن لجميع أنواع العملاء تراكب خطوط أنابيب الذكاء الاصطناعي لجعلها جزءًا من تطبيقات الأعمال والعمليات التجارية.”

الذكاء الاصطناعي هو أكثر من مجرد بيانات غير منظمة

يرتبط قدر كبير من الضجيج حول الذكاء الاصطناعي الحديث بحالات الاستخدام التي تتضمن بيانات غير منظمة. ومع ذلك ، في حين أنه من الصحيح أن أدوات الذكاء الاصطناعي التوليدية للنصوص والصور تميل إلى العمل مع البيانات غير المهيكلة ، فإن هذا ليس هو الحال بالنسبة لجميع أعباء عمل الذكاء الاصطناعي.

أوضح إد أنوف ، كبير مسؤولي المنتجات في DataStax ، لـ VentureBeat أن تسليم الحزمة واللوجستيات ومشاركة الركوب وتدفق الفيديو وحالات الاستخدام الأخرى تعتمد على البيانات المنظمة والذكاء الاصطناعي للعمل بفعالية. في تلك المناطق ، تقوم المؤسسات بتتبع البيانات المستندة إلى الأحداث عند حدوث التفاعلات ، أو مع تغير المواقع ، كل ذلك في تنسيق بيانات منظم وجدولي.

قال أنوف: “الحقيقة هي أن غالبية التطبيقات التي نتفاعل معها حيث يتم استخدام ML بالفعل لجعل تفاعلاتنا أكثر إنتاجية ، على أساس يومي ، هي حالات استخدام البيانات المنظمة”.

البيانات المهيكلة هي ما تعمل معه قاعدة بيانات Apache Cassandra. يستخدم البائعون مثل Uber و Netflix Cassandra للمساعدة في عمليات التشغيل. إن أخذ البيانات المنظمة المخزنة بالفعل في Cassandra واستخدامها لتدريب نماذج الذكاء الاصطناعي هو المكان الذي تأتي فيه عملية هندسة الميزات.

ما يجلبه Kaskada إلى DataStax وقاعدة بيانات Apache Cassandra

طورت Kaskada تقنية هندسية مميزة تتوقع DataStax أنها ستكون مناسبة تمامًا لمنصة البيانات في الوقت الفعلي.

قال Anuff إن Kaskada قد أنشأ لغة وصف موجزة تمكن مهندس البيانات من وصف ما هو مطلوب ببساطة من مجموعة بيانات لتغذية نموذج AI. وأضاف أن تقنية Kaskada قادرة على العمل بالإنتاجية العالية اللازمة للتطبيقات في الوقت الفعلي.

هدف DataStax هو التوافق مع سير عمل ML ، وتوفير أساس البيانات وهندسة الميزات التي يمكن استخدامها لتشغيل محركات الاستدلال للذكاء الاصطناعي. أكد أنوف أن تدفق البيانات ثنائي الاتجاه ، بحيث يمكن بعد ذلك تحميل التنبؤات والنتائج من استدلال الذكاء الاصطناعي مرة أخرى في كاساندرا ، حيث يمكن تقديم النتيجة لمستخدمي التطبيق.

بالنسبة لكابور ، يتمثل الهدف العام في تمكين مكدس بيانات في الوقت الفعلي يسمح للمؤسسات باستخدام البيانات التشغيلية للمساعدة في تحسين نتائج الأعمال.

قال كابور: “يمتلك عملاؤنا قدرًا كبيرًا بشكل غير متناسب من البيانات في الوقت الفعلي ونمنحهم فرصة للاستفادة منها حتى يتمكنوا من إنشاء تجارب ممتازة لعملائهم”.