Databricks führt Machine Learning ein

Databricks erweitert sein Angebots für maschinelles Lernen (ML) mit Databricks Machine Learning, einer neuen Data Native-Plattform, die auf einer offenen Lakehouse-Architektur aufbaut. Databricks Machine Learning beinhaltet auch zwei neue Funktionen: Databricks AutoML, um den Prozess des maschinellen Lernens zu erweitern, indem alle mühsamen Schritte automatisiert werden, die Data Scientists heute manuell durchführen müssen, wobei dennoch genügend Kontrolle und Transparenz gegeben ist und Databricks Feature Store, um die Auffindbarkeit, Wiederverwendung und Verwaltung von Modellfeatures für Training und Entwicklung zu verbessern.

Viele ML-Plattformen greifen zu kurz, weil sie eine zentrale Herausforderung des maschinellen Lernens ignorieren: Sie gehen davon aus, dass Daten in hoher Qualität vorhanden und für dasTraining aufbereitet sind. Das erfordert, dass Data Teams-Lösungen, die gut mit Daten, aber nicht mit KI sind, mit anderen zusammenfügen, die gut mit KI, aber nicht mit Daten sind. Um die Dinge weiter zu verkomplizieren, unterscheiden sich die Verantwortlichen für Datenplattformen und -pipelines (Data Engineers) von denen, die ML-Modelle trainieren (Data Scientists), die sich wiederum von denen unterscheiden, die Produktanwendungen ausrollen (Application Owner). Infolgedessen müssen Lösungen für ML die Lücken zwischen Daten und KI, den erforderlichen Werkzeugen und den beteiligten Personen überbrücken.

Benutzer können zwischen Data Science / Engineering, SQL Analytics und den neuen Machine Learning-Erfahrungen wechseln, um auf Tools und Funktionen zuzugreifen, die für ihren täglichen Arbeitsablauf relevant sind. Databricks Machine Learning bietet auch eine neue ML-fokussierte Landing Page, die die neuen ML-Funktionen und -Ressourcen mit schnellem Zugriff auf Experimente, den Feature Store und die Model Registry präsentiert. Databricks Machine Learning basiert auf einem offenen Lakehouse-Fundament.