Ранее для бизнес-прогнозирования компании могли использовать исключительно внутренние on-premises решения, из-за чего на аналитические процессы уходили недели или даже месяцы. Это требовало привлечения труда квалифицированных сотрудников и больших денежных затрат. Кроме того, языки программирования для статистических вычислений до сих пор недостаточно хорошо изучены и распространены, из-за чего машинное обучение было недоступно очень многим компаниям.
С Azure Machine Learning задача существенно упрощается, а круг компаний, которые могут себе позволить использование инструментов машинного обучения значительно расширяется. И речь идет не только о бизнес-аналитике, в зависимости от специализации компании это может быть выявление фактов мошенничества, уровень лояльности потребителей, контроль за энергоэффективностью зданий, диагностика неисправностей в сложных технических системах и пр.
Сервис включает в себя инструменты Machine Learning Studio и Machine Learning API Service, которые позволяют в считанные часы создавать модели, определяющие вероятность того или иного события. В качестве исходных данных для анализа, могут использоваться базы компании на SQL Server и других платформах, включая Microsoft Azure HDInsight. Сам сервис, как явствует из названия, работает в облаке Azure, что делает его эффективным, доступным и удобным.
«Microsoft – лидер индустрии с уникальным и убедительным видением будущего. В современных рыночных условиях прогнозирование рисков и возможностей компании может стать одним из ключевых шагов к ее успеху, – комментирует Бенджамин Торонто, директор по продвижению серверных технологий Microsoft в России. – Именно поэтому мы считаем, что доступные и эффективные средства машинного обучения будут востребованы во многих компаниях разных секторов экономики».
Партнеры корпорации Microsoft используют «пробную» версию Azure ML уже сегодня, выстраивая аналитические решения для своих клиентов. Так, недавно новый сервис машинного обучения был предоставлен компанией OSISoft университету Carnegie Mellon (Питтсбург, США) для диагностики наиболее оптимального варианта расходования энергии в зданиях кампуса.
С дополнительной информацией вы можете ознакомиться в Machine Learning Blog.