AI Lab

Le cœur du produit est un canevas où vous placez des blocs et les reliez. Le chargement des données, le nettoyage, le choix du modèle et l'entraînement sont des étapes distinctes que vous pouvez réordonner et relancer, ce qui signifie qu'un flux monté une fois s'ajuste pour le jeu de données suivant sans repartir de zéro. Il s'adresse à ceux qui comprennent leurs données mais pas le code qui les entoure d'habitude.

AI Lab intègre la prévision comme flux de premier ordre. Vous fournissez des données historiques, et le pipeline produit des prédictions pour les ventes, la demande ou le volume de patients. L'approche par modèles réduit le temps de mise en place par rapport à la construction de la même chose dans un notebook. Ça marche, la plupart du temps.

Plutôt que de partir d'un canevas vide, vous choisissez un scénario comme la prédiction du départ des clients ou l'évaluation du risque. Chaque modèle embarque un flux par défaut raisonnable que vous ajustez sans toucher aux réglages sous-jacents. Pour un premier projet, c'est la différence entre finir en une heure et abandonner.

Les data scientists ne sont pas enfermés dans l'interface visuelle. Vous pouvez prototyper sur le canevas et exporter le flux en code pour le déploiement. Cela garde l'outil utile aux équipes qui ont besoin que le modèle vive ailleurs que dans un tableau de bord, car le même flux testé visuellement peut être transmis à l'ingénierie et exécuté dans votre propre infrastructure, sans réécriture.

L'éditeur positionne AI Lab pour des flux partagés entre services, de sorte que différentes personnes travaillent sur le même projet sans se passer des notebooks. La cohérence entre les modèles d'une organisation est l'objectif affiché. Les fonctionnalités exactes de collaboration ne sont pas encore confirmées.

Au-delà de la prédiction, la plateforme veut faire ressortir des enseignements de vos modèles, comme les facteurs qui poussent au départ ou les périodes où la demande explose, et elle empaquette ce résultat dans une forme qu'un responsable lit sans ouvrir un notebook. C'est ce qu'un décideur non technique lit vraiment. C'est le bénéfice, pas le modèle en soi.