데이터 인텔리전스:

• 데이터 시각화
  데이터 집합의 흥미로운 통계 속성을 시각적으로 표시하고 특이치, 상관 관계 또는 결측값과 같은 예기치 않은 데이터 품질 문제를 노출합니다.
  
  
• 자동 데이터 통찰력
  텍스트, 상관 관계 및 특이치의 주제를 포함하여 자동으로 감지되는 동향 및 통찰력을 위한 시각적 및 텍스트를 설명합니다.
  
  
• 전처리 변환기
  최종 구축된 머신 러닝 파이프라인의 일부로 사용자 지정 데이터 준비를 자동으로 포함합니다.
  
  
• 데이터 세트 분할
  무작위 분할, 시간별 분할, 계층화 및 라이브 코드를 통한 전체 사용자 지정을 포함하여 내장된 다양한 분할 기술로 시간을 절약하고 검증을 개선합니다.
  
  
• 결측값 처리
  머신 러닝 파이프라인의 모든 부분에서 결측값을 엔드 투 엔드 지원 (종단 간 지원) 을 통해 더 높은 정확도와 더 나은 일반화를 제공합니다.
  
  
• 특이치 감지
  다양한 독점 알고리즘을 통해 제공되는 더 나은 정확도로 데이터의 문제 또는 불규칙성을 노출합니다.

피쳐 엔지니어링

• 자동 피쳐 엔지니어링
  데이터에서 중요하지 않은 통계 정보를 자동으로 추출하는 당사의 독점 피쳐 엔지니어링으로 정확성과 ROI를 높입니다.
  
  
• 피쳐 인코딩
  머신 러닝 알고리즘에서 사용할 수 있도록 단일 데이터셋의 혼합 데이터타입(단순, 범주, 텍스트, 이미지, 날짜/시간 등) 변환합니다.
  
  
• 피쳐 변환 레시피
  도메인 지식을 적용하여 완전히 사용자 정의 가능한 Python 레시피로 자동화된 피쳐 엔지니어링 출력을 개선합니다.
  
  
• 피쳐 컨트롤
  데이터 세트의 특정 열에 대해 피쳐 엔지니어링 및 피쳐 선택을 사용하지 않도록 설정하고 있는 그대로 모델에 전달하여 규정 준수 요구 사항을 충족합니다.
  
  
• 자동 검증 및 교차 검증
  다수의 독점적 검증 기법, 통계적 방법 및 이동 윈도우를 사용하여 정확성, 견고성 및 일반화를 개선합니다.

피쳐 저장소

• 데이터 파이프라인 및 통합
  일관성 있는 통합된 스토리지 기능 및 피쳐 메타데이터를 통해 데이터 과학자는 최신이며 최고의 기능들에 액세스할 수 있습니다.
  
  
• 분류 및 검색
  사용 가능한 피쳐세트의 메타데이터를 통해 사용자는 각 데이터 세트에 필요한 기능들을 찾을 수 있습니다. 프로젝트와 태그를 통해 사용자는 모델을 개선하는 데 일반적으로 함께 사용되는 피쳐들을 식별할 수 있습니다.
  
  
• 거버넌스 및 액세스 관리
  버전 기능을 사용하면 특정 피쳐들의 조합에 대해 훈련된 모델이 항상 동일한 결과를 얻을 수 있습니다.

• 자동화된 피쳐 선택(차원 축소)
  데이터 세트에 대해 가장 예측 가능한 피쳐들을 자동으로 선택하는 다양한 독점 피쳐 선택 기술을 사용하여 모델 복잡성을 줄이고 추론 시간을 단축하며 모델 해석성을 향상시킵니다.
  
  
• 자동 피쳐 엔지니어링
  최고 정확도를 위해 데이터에서 예측 통계 정보를 자동으로 추출하고 데이터의 인과 관계에 대한 실질적인 통찰력을 얻는 NAT의 독점 그랜드마스터 수준 피쳐 엔지니어링을 통해 정확성과 ROI를 높입니다.
  
  
• 초 매개 변수 자동 조정
  당사의 고유한 유전 알고리즘인 Monte Carlo, Particle Swarm 및 베이지안 방법을 혼합하여 제공되는 머신 러닝 모델링 파이프라인의 모든 구성 요소에 대한 최적화를 통해 정확도, ROI 및 시간 절약을 향상시킵니다.
  
  
• 챔피언/챌린저 모델 선택
  피쳐들과 모델의 최적 조합을 찾고 데이터 세트에 맞는 최적의 머신러닝 모델을 자동으로 선택하는 autoML로 테스트 및 검증 속도를 높입니다.

• 모델 앙상블링
  정확도와 ROI를 높이기 위한 여러 단계의 완전 자동 및 쉽게 사용자 정의할 수 있는 앙상블링입니다.
  
  
• 자동 레이블 할당
  클래스당 확률을 반환할 뿐 아니라 점수가 매겨진 모든 레코드의 클래스를 예측하는 자동 레이블 지정으로 오류율을 줄이고 시간을 절약합니다.
  
  
• 자동화된 모델 문서화
  실험 공정, 모델 튜닝 결과, 변수 중요도, 모델 중요도, 모델 성능 및 재현성을 위한 상세 설정을 설명하는 자동으로  생성된 설명서로 머신러닝 프로세스에 대한 통찰력을 제공합니다.
  
  
• 머신 러닝 해석 가능성 (MLI)
  AutoML은 설명, 시각화 및 사용자 지정을 포함하는 강력한 MLI 툴킷을 지원합니다.
  
  
• 모델 유효성 검증
  모델을 전체적으로 보고 새 데이터에 대한 오류를 방지하여 모델 견고성을 평가하고 생산 위험을 완화합니다.

• 무감독 자동 머신 러닝
  주제를 자동으로 그룹화하기 위한 클러스터링, 데이터의 불규칙성을 식별하기 위한 특이치 감지, 모델 과적합 및 복잡성을 줄이기 위한 차원 축소와 같은 감독되지 않은 기술로 레이블이 지정되지 않은 데이터에 대한 새로운 통찰력을 즉시 얻을 수 있습니다.
  
  
• 광범위한 데이터셋 처리
  GPU 가속으로 수백만 개의 열이 있는 데이터셋을 처리합니다.
  
  
• 불균형 데이터 세트 처리
  빈도는 높지만 가치가 낮은 클래스에 대해 희귀 클래스의 정확도를 강조하는 특수 고유 알고리즘에 액세스하여 불균형 사용 사례의 정확도를 개선합니다.
  
  
• 모델 리더보드
  동종 최고의 autoML 모델링 방식을 비교하는 자동 리더보드를 사용하여 모델 개발, 모델 선택 및 모델 검증 속도를 높입니다.

• 진단
  여러 범주(개별skus, 제품 계층 구조 등)에 걸쳐 예측을 구축하는 기능을 통해 그룹 전체의 모델 성능과 예측 생성 방법을 자동으로 보여줍니다.

• 예측용 리더보드
  시계열 실험에 특화된 새로운 리더보드 모드를 통해 최적화된 예측 모델을 얻는 시간을 절약할 수 있습니다. 모델 선택에 도움이 되는 다양한 쌍(트레인-테스트 간격, 예측 수평선 등)으로 여러 실험을 자동으로 설계 및 실행합니다.

• 시계열 머신 러닝 해석성
  시계열 모델은 민감도 분석, 이질적인 임팩트 분석, 부분 종속성/개별 조건부 기대치, Naveve 및 커널 섀플리, 대리모델 및 모든 피쳐 임팩트 기술을 포함한 다양한 MLI 설명자와 함께 작동합니다.

• 텍스트 사전 처리
  중지 단어 제거, 형태소 분석/표정표 추출, 이모티콘 추출 등과 같은 전처리 기법의 파이프라인을 생성하여 텍스트에서 노이즈를 제거하고 다운스트림 NLP 작업을 개선합니다.
  
  
• 텍스트 분류
  단순한 TFIDF에서 최첨단 BERT 변압기에 이르기까지 지원되는 다양한 알고리즘을 사용하여 유사한 용어와 개념에 태그를 지정하고 분류합니다.
  
  
• 주제 클러스터링
  모델 정확도를 향상시키기 위해 사용자 피드백으로 클러스터를 미세 조정하는 옵션을 사용하여 텍스트에서 관계를 자동으로 추출하여 새로운 추세에 대한 통찰력과 떠오르는 문제를 조기에 감지합니다.

• 기업명 인식(NER)
  사람, 장소, 조직, 날짜, 통화 등 공통 분류로 분류합니다.
  
  
• 감정 분석
  긍정적, 부정적, 중립적 의미를 식별하여 제품 및 서비스와 같은 특정 주제에 대한 관점의 추세를 감지합니다.

• NLP 머신 러닝 해석 가능성
  새로 추가된 다항식 지원을 통해 클래스 간에 토큰 중요도가 어떻게 달라지는지 이해합니다. LOCO(하나의 공변량 제외) 2.0 및 Vectorizer + 선형 모델(VLM)을 사용하여 결과에 대한 토큰의 임팩트를 이해합니다. 텍스트 토큰이 포함된 경우와 텍스트 토큰에 대한 부분 종속성이 포함되지 않은 경우 모델의 평균 결과를 계산합니다. Surrogate 모델용 토큰 생성과 관련하여 TF-IDF 또는 새로 추가된 Vectorizer + Linear Model(VLM) 중에서 선택합니다.

• 이미지 처리
  GPU 가속 교육을 통해 즉시 사용 가능한 모든 최신 CNN(컨볼루션 신경망)을 사용하여 이미지의 객체를 인식하고 높은 정확도로 분류합니다.

• 비디오 처리
  입력 비디오는 자동으로 프레임 세트로 변환된 다음 이미지 처리 기능을 사용하여 처리됩니다.
  
  
• 오디오 처리
  입력 오디오 데이터는 자동으로 MEL 스펙트로그램으로 변환된 다음 이미지 처리 기능을 사용하여 처리됩니다.

• 컴퓨터 비전 모델에 대한 설명
  Grad-CAM과 같은 기술을 사용하여 이미지 또는 비디오의 어떤 부분이 특정 예측을 유도했는지 이해합니다

• 일반화 선형 모델GLM(Generalized Linear Model)
  GLM은 전통적인 선형 모델의 확장입니다. 이러한 모형은 일반적인 회귀 분석 방법(이항 분류를 위한 선형 회귀 분석 및 로지스틱 회귀 분석 등)을 통합하는 모형 구조의 유연성을 가진 매우 설명 가능한 모형입니다.
  
  
• 일반화 가법 모형(GAM)
  GLM(Generalized Linear Model)은 선형 예측 변수가 예측 변수의 매끄러운 함수에 따라 달라지는 일반화 선형 모델 GLM(Generalized Linear Model)입니다.

• 양방향 상호 작용 항(GA2M)
  GA2M은 기능들 간의 가장 중요한 상호 작용을 선택하고 모델에 이러한 기능 쌍의 기능을 포함하는 GAM의 확장입니다.
• 설명 가능한 신경 네트워크(XNN)
  이러한 신경망은 수많은 하위 네트워크로 구성되며, 각 네트워크는 원래 기능들의 해석 가능한 기능을 학습 합니다.
• Rulefit
  이 알고리즘은 트리 앙상블을 데이터에 맞추고, 각 트리를 순회하여 규칙 앙상블을 만들고, 규칙 피쳐 세트를 구축하기 위해 데이터에 대한 규칙을 평가하고, 희소 선형 모델(LASSO)을 원래 기능 세트와 결합된 규칙 피쳐 세트에 맞습니다.기본적으로 Driverless AI 에서 사용할 수 있습니다.

• Skopes 규칙
  이 알고리즘은 분류를 수행하기 위한 간단한 규칙 집합을 학습합니다.
  
  
• 의사결정 트리와 선형 모형 조합
  이 모델은 의사 결정 트리를 사용하여 데이터를 분할한 다음 각 리프 노드의 데이터에 GLM을 맞춥니다.

• 부분 의존도(PDP)
  사용자가 열을 탐색하고 열이 예측에 미치는 영향을 통해 열이 전역 수준에서 예측에 미치는 영향을 보여주는 그림입니다.
  
  
• Feature importance
  원래의 피쳐들과 변형된 피쳐들 모두에서 모델의 의사 결정에 중요한 피쳐들을 계산합니다.

• Shapley 이유 코드
  글로벌 및 개별 레코드에 대한 비선형 모델에 대해 레코드 수준에서 모델 설명 가능성을 제공합니다.
  
  
• 대리 의사 결정 트리
  매우 간단하고 시각적이며 직접적인 방법으로 복잡한 모델 예측의 원동력을 식별합니다.
  
  
• 공변량 배출 (One Covariate Out)
  집계 또는 행 수준 보기에서 Surrogate Random Forest predictions  예측에 중요한 피쳐들을 식별합니다.

• 개별 조건부 기대(ICE)
  열이 개별 수준의 예측에 어떤 영향을 미치는지 보여주는 그림으로, 선택 행으로 드릴다운하고 평균 부분 종속성과 비교/대조할 수 있습니다.
  
  
• k-LIME 이유 코드
  레코드 수준, 데이터 세트의 하위 집합 또는 전체 데이터 세트의 집계 수준에서 새로운 이유 코드를 생성합니다.

• 이질적인 임팩트 분석
  데이터 세트의 그룹 간 불일치를 보여주는 대시보드를 사용하여 모델이 다양한 메트릭에서 편향을 표시하는 데이터 영역을 식별합니다.

• 민감도 분석
  단일 행, 여러 행 또는 전체 데이터 세트에서 훈련된 모델을 점수화하고 원래 데이터 세트의 예측된 결과와 모델의 새 결과를 비교할 수 있는 도구를 사용하여 많은 오버헤드 없이 매우 세부적인 수준에서 모델 설명을 제공합니다.

• 시계열 모델에 대한 설명
  시계열 모델은 민감도 분석, 이질적인 임팩트 분석, 부분 종속성/개별 조건부 기대, , Naïve and Kernel Shapley, Surrogate Models 및 모든 피쳐 중요도 기술을 포함한 다양한 MLI 설명자와 함께 작동합니다.

• NLP 모델 설명
  새로 추가된 다항식 지원을 통해 클래스 간에 토큰 중요도가 어떻게 달라지는지 이해합니다. 공변량 배출 LOCO(하나의 공변량 제외) 2.0 및 Vectorizer + 선형 모델(VLM)을 사용하여 결과에 대한 토큰의 임팩트를 이해합니다. 텍스트 토큰이 포함된 경우와 텍스트 토큰에 대한 부분 종속성이 포함되지 않은 경우 모델의 평균 결과를 계산합니다. Surrogate 모델용 토큰 생성과 관련하여 TF-IDF 또는 새로 추가된 Vectorizer + Linear Model(VLM) 중에서 선택합니다.

• 컴퓨터 비전 모델에 대한 설명
  Grad-CAM과 같은 기술을 사용하여 이미지 또는 비디오의 어떤 부분이 특정 예측을 유도했는지 이해합니다.
  
  
• 외부 모델 해석성
  모델에 구애받지 않는 설명자와 피쳐 중요도 계산을 통해 H2O AI  클라우드 외부에서 구축된 모델에 대한 통찰력을 얻을 수 있습니다.
  
  
• 나만의 레시피 가져오기
  API 액세스를 통해 전체 설명 파이프라인에 대한 원활한 제어가 활성화되어 Python으로 모든 설명 가능성 구성 요소를 사용자 지정할 수 있습니다.

• 애플리케이션 개발
  여러 산업에 걸친 모범 사례 및 프로토타입 라이브러리에 액세스하여 애플리케이션을 구축하는 데 걸리는 시간을 줄이고, 개발 시 UI의 변경 사항을 실시간으로 확인할 수 있는 기능으로 솔루션 관리를 단순화합니다.

• 로우 코드 사용자 인터페이스(UI) 생성
  통합 UI 및 AI 개발을 지원하는 Python/R 프레임워크를 사용하여 소비자 대면 대화형 애플리케이션을 쉽게 개발할 수 있습니다.

• 머신러닝 통합
  동급 최고의 데이터 과학 기능에 대한 API 액세스를 통해 머신 러닝 기능을 새로운 솔루션이나 기존 솔루션에 쉽게 통합할 수 있습니다.

모델 저장소

• 모델 관리
  조직 전체에서 모든 실험 및 관련 아티팩트를 호스팅하고 관리할 수 있는 중앙 장소를 만듭니다. 실험을 자동으로 생성된 메타데이터와 사용자 지정 메타데이터를 포함하여 모델로 등록하여 모든 모델의 중앙 집중식 보기를 제공합니다.
  
  
• 모델 버전 관리
  실험을 새 모델 버전으로 등록하고 배포된 모든 버전을 투명하게 볼 수 있습니다.
  
  
• 3rd party 모델 지원
  기존 Driverless AI 모델과 마찬가지로 scikit-learn, PyTorch, TensorFlow, XGBoost, LightGBM 등을 포함한 모든 타사 프레임워크에서 훈련된 모델을 관리합니다.

모델 배포

• 대상 배포
  한 번 빌드하고 점수 매기기 환경에 배포합니다.
  
  
• 배포 모드
  다중 변형(A/B), 챔피언/챌린저 및 카나리아를 비롯한 다양한 모드로 프로덕션 환경 내에서 모델을 배포합니다.
  
  
• 점수 매기기
  모델은 실시간(호스팅된 RESTful 끝점), 일괄 처리(지원되는 소스 및 대상 데이터 저장소), 비동기식 또는 스트리밍 데이터로 점수를 매길 수 있습니다.

모델 모니터링

• 데이터 및 개념 이동
  모델 감독을 유지하고 모델이 의도되지 않았거나 교육되지 않은 데이터에 점수를 매기고 있는지 확인합니다.
  
  
• 피쳐 중요도
  점수 결과와 함께 예측 값에 가장 큰/최소한 기여를 하는 특성에 대한 로컬 설명을 받습니다.
  
  
• 리더보드
  주요 평가 지표별로 실험 및 모델을 보고 정렬합니다.
  
  
• 경고
  사용자 지정 임계값을 설정할 수 있는 기능으로 모니터링되는 모든 지표에 대한 경고 및 알림을 수신합니다.

광범위한

• 플랫폼에 구애받지 않음
  Google 클라우드 플랫폼, Amazon Web Services, Microsoft Azure 또는 온프레미스를 지원합니다.
  
  
• 맞춤형 레시피 아키텍처
  Python, RAPIDS/CUML, PyTorch, TensorFlow, H2O, XGBoost, LightGBM, datatable, datatable, sklearn, pandas 및 더 많은 패키지의 최신 버전을 활용하십시오. 내장된 맞춤형 레시피 아키텍처를 사용하여 이러한 패키지와 기타 Python 패키지를 완전히 제어할 수 있습니다.
  
  
• 유연한 모델 지원
  H2O.ai 또는 타사 모델을 교육 및 배포하고 Python으로 사용자 지정.
  
  
• 다중 프로그래밍 언어
  Python, R 및 Java용 클라이언트로 데이터 과학 사용자 기반의 대부분을 다룹니다.

분산된

• 다중 노드 교육
  확장 가능한 분산 머신러닝 백엔드는 여러 작업자 노드로 확장하여 모든 데이터 크기를 처리할 수 있습니다..
  
  
• 멀티 CPU/GPU 교육
  여러 CPU/GPU에서 모델을 더 빠르게 교육합니다.
  
  
• Kubernetes 기반 배포
  클라우드 리소스 할당을 자동화하여 인프라 확장성 및 유지 관리를 단순화합니다.

확장성 있는

• NVIDIA RAPIDS 통합
  NVIDIA RAPIDS 통합을 통해 고성능 컴퓨팅을 제공합니다.
  
  
• 암페어 기반 GPU
  최신 CUDA 런타임을 사용하여 암페어 기반 NVIDIA GPU의 전례 없는 컴퓨팅 및 네트워크 가속화를 지원하여 워크로드를 쉽게 확장할 수 있습니다.
  
  
• 플랫폼 성능 API
  H2O AI  클라우드 다중 노드 클러스터의 리소스 모니터링 및 자동 확장을 위한 플랫폼 메트릭을 제공하는 공개적으로 사용 가능한 API로 시스템 사용량을 시각화하고 모니터링합니다.

• AutoInsights
  이해하기 쉬운 자연어 내러티브로 요약된 자동화된 대화형, 매력적이고 실행 가능한 통찰력.

• 중요한 비즈니스 결과를 찾기 위한 새로운 데이터 세트 탐색
  
  
  • 코드 작성이나 비정상적인 데이터 지점, 텍스트 데이터의 주제, 피쳐들 간의 상관 관계와 같은 심층적인 분석 배경 없이 통찰력을 찾을 수 있습니다.
    
    
  • 효율적인 스토리텔링을 위해 대화형 시각화 및 서술을 얻을 수 있습니다.

• 모델 유효성 검사
  머신 러닝 파이프라인의 견고성과 안정성을 분석하여 데이터 및 모델의 약점이나 취약성을 드러냅니다.

• 드리프트(drift) 및 적대적 유사성(adversarialsimilarity)과 같은 기술을 사용하여 시간이 지남에 따라 데이터가 변경되는지 이해
  • 백 테스팅을 사용하여 머신 러닝 모델이 다른 시점에서 역사적으로 어떻게 수행되었는지 이해
  • 데이터 및 모델 검증 기법을 시각화하여 모델을 신뢰하여 비즈니스 크리티컬 결정을 내릴 수 있는지 더 잘 이해

• 모델 모니터링
  프로덕션 모델에서 피쳐 드리프트를 모니터링하여 여전히 프로덕션에서 안전하게 사용할 수 있는지 파악합니다.

• 구현된 모델에 대한 데이터 과학 통찰력을 얻기 위한 H2O MLOps와의 통합
  
  
  • SQL 데이터베이스에 구현된 것과 같은 외부 모델의 드리프트 이해
    
    
  • 사용자 정의 임계값을 사용하여 드리프트가 우려 사항인지 아닌지에 대한 비즈니스 지식 통합

• LIBOR 절 감지
  자동화된 NLP 파이프라인을 사용하여 금융 계약 및 문서를 처리하여 LIBOR를 언급하는 관심 문장, LIBOR 문장의 컨텍스트에 대한 통찰력, 다양한 범주의 다른 문장을 분할하는 BERT 기반 문장 클러스터링 알고리즘을 사용하는 포괄적인 솔루션입니다.

• 설명 가능한 이상 감지
  어떤 데이터 포인트가 매우 특이한지, 어떤 점이 나머지 데이터와 다른지 파악합니다. 이는 부정 행위를 발견하기 위한 새로운 규칙을 만드는 데 도움이 될 수 있습니다.

• 신용 카드 위험
  고객이 신용 카드를 제때 상환할지 여부를 예측하기 위한 자신만의 머신 러닝 모델 및 앱 프런트 엔드를 구축하는 방법에 대한 프로토타입입니다.

• Covid-19 예측
  이 애플리케이션은 최신 Covid-19 데이터를 사용하여 향후 최대 한 달 동안 확인된 환자 및 사망자의 지리적 예측을 제공합니다.
  
  
• Covid-19 백신 NLP
  백신 접종에 대한 소셜 미디어에 표현된 의견 내에서 하위 감염과 진화하는 감정을 식별하는 NLP 알고리즘.
  
  
• Covid-19 입원 예측 변수이름
  병원 영역의 최신 정보 Covid-19 유병률 및 예방접종 비율을 기반으로 한 향후 병원 입원 계획(ED, ICU, 기타 입원 환자).한 문장 설명.

• 진료 예약 No-Show
  AI를 사용하여 환자 치료 및 환자 참여를 개선하여 예약 불참 가능성을 확보하고 환자가 예정된 약속을 지키지 않을 때 중요한 역할을 하는 요인에 대한 통찰력을 얻습니다.
  
  
• 직원 이탈 예측
  AI는 직원 이탈 예측을 시각화하고 이탈률을 예측하며 직원 데이터에 포함된 관련 요소를 식별하는 프로토타입 솔루션에서 직원 이탈을 최소화하기 위한 전체 계획의 일부로 중심 역할을 합니다.

• 의약품 리뷰
  업로드되거나 개별적으로 입력된 환자 리뷰를 기반으로 의약품의 인식 효과에 대한 AI 및 NLP 기반 평가를 합니다.
  
  
• 흉부 이상 감지
  데이터 과학자와 임상의사 모두를 대상으로 X선 이미지에서 다양한 유형의 이상 징후를 감지하고 식별하기 위한 컴퓨터 비전 프로토타입입니다.
  
  
• 공급자 사기 배상 청구
  공급자의 신뢰성을 평가하고 평가를 유도하는 이유에 대한 설명을 제공하는 AI 기반 지불인을 위한 솔루션입니다.

• 고객 이탈 위험
  고객이 경쟁업체로 떠날 가능성이 있는지 식별하는 실시간 예측 분석을 위해 자체 머신 러닝 모델 및 앱 프런트 엔드를 구축하는 방법의 예입니다. 고객 이탈은 거의 모든 산업 분야에서 최고의 사용 사례로 반복적으로 표시됩니다. 어떤 고객이 이탈할 가능성이 가장 높은지, 더 중요한 이유는 지원 직원에게 고객 손실을 줄이는 데 도움이 되는 적절한 도구를 제공할 수 있습니다.
  
  
• • 고객 데이터 탐색
    
    
  • 최종 사용자가 몇 행의 교육 데이터를 볼 수 있습니다.
    
    
  • 타사 플로팅 라이브러리를 사용하여 데이터의 과거 추세를 표시합니다.
    
    
  • 발신자 보기
    
    
  • 시뮬레이션된 새 데이터를 3초마다 모델 REST 엔드포인트로 전송합니다.
    
    
  • 최종 사용자에게 최신 예측 정보를 보여줍니다.
    
    
  • 상태별 및 전체별 예측 분포를 표시합니다.
    
    
  • 앱 코드 보기
    
    
  • 이 앱을 만드는 데 사용되는 Python code(파이썬 코드)를 탐색합니다.

• 장바구니 분석
  고객을 위한 제품 추천을 생성하기 위한 장바구니 알고리즘을 구축하고 탐색합니다. 장바구니 분석은 카탈로그에 있는 다양한 제품 간의 관계를 이해하고 과거 거래 데이터를 사용하여 권장 사항을 생성하는 데 도움이 됩니다. 다음과 같은 시나리오에 널리 사용됩니다:
  
  
• • 더 나은 참여를 위해 특정 제품에 유사한 제품 추천
    
    
  • 체크아웃 시 추가할 기존 장바구니 관련 상품 추천
    
    
  • 상향 판매 제안으로 함께 판매할 수 있는 제품 조합 추천
    
    
  • 재고관리를 위해 특정제품의 대체제품 추천

• 설명 가능한 호텔 등급
  모델 해석 가능성을 사용하여 리뷰의 텍스트가 감정에 긍정적 또는 부정적으로 보이는 이유를 이해합니다. 이 호텔 리뷰 분석 데모를 통해 비즈니스 사용자는 머신 러닝 모델로 만든 만족도 예측을 탐색할 수 있습니다. 사용자는 평균 예측의 키워드를 데이터의 다양한 하위 집합과 비교하여 다양한 게스트가 다양한 유형의 호텔을 즐겼는지 이해할 수 있습니다.

• 예측 유지관리
  센서 데이터에서 실시간 정보를 가져와 고장이 발생할 수 있는 부품, 고장 시기 및 이유를 파악합니다. 4차 산업혁명은 현대 스마트 기술을 사용하여 전통적인 제조 및 산업 관행의 자동화의 다음 반복입니다. 여기에는 상호 연결성, 디지털화 및 자동화의 개념이 포함됩니다. 이러한 맥락에서 예측 유지보수라고도 하는 제조 산업의 예지 및 건강 관리는 지능적이고 자동화된 프로세스를 사용하여 산업 장비의 평가, 예후, 진단 및 건강 관리를 통해 유지보수 비용을 최소화하는 것을 목표로 합니다. 이 애플리케이션은 실시간 센서 데이터를 사용하여 제조 장비의 예후 및 진단을 제공합니다.

• 수요 감지
  기존 수요 예측과 날씨 또는 소비자 구매 행동과 같은 외부 요인을 결합하여 공급망을 개선합니다.
  
  
• • 수요 감지는 새로운 수학적 기법과 현재 실시간 정보를 활용하여 공급망의 현재 현실에 기초하여 수요의 정확한 가까운 미래 예측(동적 공급망 방식에 따라 몇 시간 또는 며칠이 걸릴 수 있음)을 만드는 방법론과 기술입니다.
    
    
  • 수요 감지는 공급망의 현재 데이터와 다양한 수학적 모델을 포함한 훨씬 광범위한 수요 신호를 사용하여 시장 변화, 날씨 변화, 자연 재해, 소비자 구매 행동 등과 같은 실제 상황에 대응하는 보다 정확한 예측을 만들기 때문에 예측에서 근본적으로 다릅니다.
    
    
  • 수요 감지 기능은 막대한 양의 데이터를 사용하고 패턴을 인식하므로 공급망은 실행 가능한 신호를 가지고 있으며 정확한 결정을 내릴 수 있습니다. 실시간으로 빅데이터를 합성하여 기업이 소비자 행동과 변수를 이해할 수 있도록 지원합니다.

• 직원 이탈
  직원의 이탈 위험을 예측하고 관련 요인을 파악합니다. 이 앱은 직원 감소를 최소화하기 위한 전반적인 계획의 일환으로 머신러닝을 사용하는 방법을 보여줍니다. 사용자는 직원 이탈에 대한 예측, 예상 이탈률 및 직원 데이터에 포함된 관련 요소를 확인할 수 있습니다.