整合深度學習和人工智慧的關鍵：Kumo 和 Snowflake Data Cloud 的結合
介紹
最近，深度學習平臺 Kumo 在 Snowflake Summit 2023 上宣布，透過 Snowpark 容器服務將深度學習能力直接整合到 Snowflake Data Cloud 中。Snowlake 最近引入的 Snowpark 容器服務擴充套件了 Snowpark 的功能。此次更新使組織可以在其 Snowflake 帳戶內執行第三方軟體和全棧應用程式，從而最大限度地發揮資料潛力，同時保持資料安全性，消除了資料移動的需求。
根據 Snowflake 的說法，透過這個整合，客戶可以使用尖端工具來最大限度地發揮其資料潛力，同時保持資料安全性，消除了資料移動的需求。此外 Snowpark 容器服務還包括 GPU 支援，使資料科學和機器學習團隊能夠加快開發速度，並在 AI / ML 生命周期中的模型部署和一致的資料安全性和治理之間建立橋樑。
與 Kumo 的整合
Kumo 是早期使用 Snowpark 容器服務的首批使用者之一，利用這項技術為企業部署先進的神經網路。Kumo 的預測 AI 平臺採用圖神經網路（GNN）技術，使開發人員、資料科學家、分析師和業務擁有者能夠在生產環境中建立和實施高度準確的預測。
圖神經網路和 AI
傳統的機器學習需要從資料倉庫或資料湖中提取資料，然後進行手動特徵開發和調整。這次新的整合（現已提供私人預覽）允許共同使用者直接在原始的 Snowflake 表上執行操作，生成預測，並將結果儲存為 Snowflake 中的其他表。
Kumo 的聯合創始人兼執行長 Vanja Josifovski 告訴 VentureBeat 說：“新的整合將透過使用圖神經網路技術，在雲端上直接執行 Kumo 的 AI 服務，而不需要傳統機器學習中的中間步驟，例如訓練集生成和特徵工程。” Josifovski 強調使用者可以建立和執行查詢，提供預測，類似於查詢過去資料進行分析的過程，而無需從 Snowflake 環境中匯出資料。
深度學習驅動的聯動資料 GNNs
透過此次整合，該公司引入了一個獨特的功能：基於深度學習的聯動資料 GNNs。這些深度學習驅動的 GNNs 可以從圖形和相關屬性中學習，這些屬性由資料的非關鍵列確保。構建了一個圖形後，可以在相同的圖形上高效地訓練多個 AI / ML 任務，而無需建立獨立的訓練集或大量的特徵工程。Kumo 還提供了一種可擴充套件且創新的自動機器學習算法，以簡化繁瑣的超引數調整過程。
深度學習的潛力和面臨的挑戰
現代人工智慧方法在很大程度上依賴線性代數計算，這與 GPU 處理高度相容。以前，為了利用 GPU，Kumo 必須從客戶的帳戶中提取資料並在外部進行處理。透過這次整合，所有的資料處理都發生在客戶的 Snowflake 帳戶內，包括 GPU 處理。
Josifovski 補充道：“不需要訓練集和特徵工程的方法顯著縮短了 AI / ML 生命周期。我們的目標是減輕資料科學家重複單調工作的負擔，專注於定義正確的預測任務、評估結果和找到從預測中獲得業務價值的最佳方法。”
針對公民開發者的應用
Josifovski 表示當前的預測 AI / ML 需要具有狹義專業知識的高技能專家。這個生命周期涉及對特徵進行實驗，需要大量的基礎建設支援進行訓練和推理（評分）。他解釋說，這次整合的目標是為使用者提供一個簡化的工作流程，無論他們在資料科學方面的熟練程度如何，他們都可以輕鬆應用預測圖學習在不同的業務領域，如客戶獲取、忠誠度、保留、個性化和欺詐檢測等領域。
Kumo 公司聲稱，可以在幾個小時內完成整個基於 AI 的分析工作。Josifovski 說：“Kumo 允許使用者在聯動資料上執行查詢，而不需要對 AI / ML 概念有深入的理解，同時提供對經驗豐富的資料科學家進行訓練和推理的控制。這樣，平臺就可以被廣泛地使用，就像資料倉庫今天用於分析一樣。”此外 Kumo 強調與 Snowflake 的本地整合有助於在不需要進行安全性和法律隱私審查的情況下安裝和使用產品，降低了障礙，顯著縮短了實現價值的時間。
該公司相信，這將加快關鍵預測的實驗和部署，並提高實踐，如客戶獲取、個性化、實體解析和其他預測任務。
結論
Kumo 和 Snowflake Data Cloud 的整合意味著企業可以透過使用最新的 AI 工具，同時保持資料安全性並消除資料移動的需求，最大限度地發揮其資料潛力。透過將深度學習能力直接整合到 Snowflake Data Cloud 中，Kumo 為資料科學家、開發人員和業務擁有者提供了更簡化且更快速的進行預測分析的工具，同時降低了相關技術的門檻。
這個整合為公民開發者提供了一個更容易應用 AI 模型的工具，同時為資料科學家提供了更多的自由，專注於更高級的任務，並提供更精確的預測結果。
