Analítica IBM acelera acesso aos dados

A IBM quer estar na linha da frente no que toca a ciência de dados e aprendizagem de máquina, e por isso desenvolveu um novo sistema de dados unificados, o Sistema Integrado de Analítica. A oferta tem duas vertentes principais: foi desenhada para dar aos utilizadores um acesso mais rápido aos de dados e permite trabalhar em ambientes de nuvem privada, pública e híbrida.

«O anúncio de hoje é uma continuação da nossa estratégia agressiva para tornar a ciência de dados e a aprendizagem de máquina mais acessíveis do que nunca e ajudar organizações como a AMC Networks, que tem vindo a testar o sistema ao longo de vários meses, a começar a ter mais conhecimento a partir dos seus enormes volumes de dados », explica Rob Thomas, diretor geral da IBM Analytics.

Os cientistas de dados podem usar o sistema para acelerar o desenvolvimento e implementação de modelos de analítica avançados diretamente onde os dados residem. A plataforma baseia-se no motor Common SQL da IBM, o que permite aos clientes usar o sistema para moverem cargas de trabalho para a nuvem pública e automatizarem os seus negócios via aprendizagem de máquina.

No coração do sistema, diz a tecnológica, estão o IBM Data Science Experience (DSE), Apache Spark e Db2 Warehouse. O DSE fornece ferramentas de ciência de dados e um espaço de trabalho colaborativo, para que os cientistas criem modelos analíticos que os programadores poderão usar para as suas apps inteligentes. A inclusão de open source com Apache Spark permite o processamento de dados in-memory, o que acelera a velocidade de processamento.

«A combinação de elevada performance e analítica avançada, da Data Science Experience à plataforma aberta Spark dá aos nossos analistas de negócio a capacidade de conduzirem pesquisas de dados intensas com facilidade e rapidez», elogia Vitaly Tsivin, vice presidente executivo da AMC Networks, que tem testado o sistema nos últimos meses.

O que é novo neste tipo de oferta é a aprendizagem de máquina, que vem embebida no sistema. Isso significa que os dados não têm de ser movidos para processamento analítico, o que reduz o tempo gasto na tarefa e simplifica o processo de treino e avaliação dos modelos preditivos, além dos testes e implementação – é tudo feito no mesmo sistema.

---