Per costruire un modello di machine learning è necessario seguire un processo ben preciso. Si parte dalla raccolta alla preparazione dei dati fino al test del modello. Le fasi intermedie, invece, prevedono la definizione dell’algoritmo migliore fino allo sviluppo e il rollout.
Sono diverse le piattaforme applicative che integrano un motore di analytics. Molte, come quelle per la gestione dei dati in cloud, forniscono strumenti di machine learning particolarmente potenti che permettono di sviluppare un modello predittivo.
Per capire come costruire un modello di machine learning possiamo considerare un riferimento preciso. Oracle Cloud Infrastructure è la soluzione IaaS completa per le aziende che migrano in cloud, di qualunque tipo. La soluzione integra Oracle Analytics, il modulo specifico per la gestione dei dati aziendali.
LEGGI ANCHE: Migrazione in cloud: è più facile con gli strumenti e gli skill giusti
Oracle Analytics è quella che un tempo si definiva soluzione per la business intelligence e oggi, secondo Gartner, si configura come una delle più complete sul mercato. Composta da diversi moduli, la soluzione supporta tutto il ciclo di vita della realizzazione del motore predittivo per i dati basato su machine learning.
Costruire un modello di machine learning: i 5 passi fondamentali
[30 minuti, 4 eventi streaming, un obiettivo chiaro: mettere su strada tutto, ma proprio tutto quello che serve a un mago del software per “sfruttare” il potere del cloud e mettere le ali ai suoi applicativi. Dopo il debutto record del 1° aprile il 22 aprile va in scena la terza puntata dei workshop ORACLE REFERENCE ARCHITECTURE. Guide pratiche, casi concreti, trovate tutto qui: agenda e registrazione]
Per costruire un modello di machine learning si sviluppa una precisa sequenza di attività, vediamole nel dettaglio.
1. Raccolta e preparazione dei dati: In primo luogo, si definiscono le fonti dati per il raggiungimento degli obiettivi specifici. Essenzialmente il partner di tecnologia trova insieme all’azienda cliente la risposta alla domanda: a cosa devono servire i dati? Possono essere dati di produzione o dati relativi ai clienti, il modello è indipendente dallo scopo. Una volta chiarita la finalità, si procederà all’integrazione e l’unificazione delle diverse fonti dati su un’unica piattaforma. Ciò comporterà l’adozione di connettori applicativi di comunicazione con i diversi applicativi, on premise o su cloud.
2. Selezione dell’algoritmo: Il motore di machine learning è alimentato da uno o più algoritmi specifici scelti tra i modelli disponibili. La scelta dipende ancora una volta dalle finalità dell’analisi e dalla tipologia di dati acquisiti. Gli algoritmi scelti, in generale, si occupano di elaborare i dati all’interno della piattaforma, mettendoli in correlazione. Il risultato sarà duplice. Da una parte la costruzione di interfacce di visualizzazione delle elaborazioni, personalizzabili a seconda dei fruitori. Dall’altra, grazie all’analisi, il motore di machine learning autoapprende dai dati fornendo puntuali indicazioni di previsione.
3. Sviluppo del modello
Scelti gli algoritmi, il partner di tecnologia sviluppa il modello. Si personalizzano le interfacce e il motore a seconda delle specifiche esigenze dell’azienda cliente e delle richieste di chi avrà accesso alla console. È possibile, dunque, avere visioni e predizioni diverse a seconda della divisione aziendale che ne usufruisce.
4. Test del modello. Una volta impostato il modello, il partner eseguirà numerosi test. La finalità è capire se gli algoritmi forniscono le informazioni desiderate e se le console sono ben definite a seconda dell’utilizzatore. È in fase di test che si effettua il fine tuning del modello, risolvendo gli eventuali errori, e si educa l’autoapprendimento del machine learning.
5. Rollout del modello. Infine, è il momento di integrare il modello all’interno dell’infrastruttura It. Ciò avviene in maniera totalmente trasparente e senza un necessario blocco integrale dei sistemi. A volte si preferisce introdurre il modello su una componente dell’architettura, per poi estenderlo successivamente. Anche quando il modello è disponibile è sempre possibile intervenire per migliorarne l’acquisizione, l’elaborazione e l’apprendimento.
I webinar di Oracle per saperne di più
Oracle coglie il trend di mercato della migrazione in cloud con una serie di webinar all’interno del progetto Oracle Reference Architecture (#DevRev). Durante gli incontri gli esperti Oracle mostreranno alcune delle architetture sviluppate per i propri clienti. Si tratta di progetti realizzati su Oracle Cloud Infrastructure, il set di servizi cloud complementari per migrare facilmente e velocemente in ambienti cloud pubblici, ibridi o multicloud.
Il ciclo di quattro webinar Oracle è iniziato il 1° aprile con un evento record dedicato a Sviluppare Applicazioni Serverless con Oracle Functions. Dopo l’evento dell’8 aprile, si prosegue il 22 aprile con il terzo tutorial Enterprise Data Platform – un modello Credit Scoring e, infine, il ciclo si concluderà il 6 maggio con il webinar Come migrare i workload on-premise VMWare e Database Oracle su Oracle Cloud Infrastructure.
Cosa aspetti? Registrati subito qui, i posti sono limitati!
