Mit einem Klick in die Produktion

• Analysten und Datenwissenschaftler können ihre Modelle mit wenigen Klicks in die Produktion überführen.
• Die Reinigung, Anreicherung und Vorbereitung Ihrer Daten und Modelle können zu übersichtlichen Scoring-Pipelines zusammengefasst werden.
• Eingesetzte Modelle werden mit Versionsangaben versehen, sodass Nutzer neue Versionen mit älteren vergleichen und bei Bedarf zu früheren Versionen zurückkehren können.

Skalierbarkeit und Hochverfügbarkeit

• Durch Warteschlangen, Parallelverarbeitung und Load Balancing lassen sich auch große Mengen an Echtzeit-Prognosen bewältigen.
• Durch mehrere Scoring-Knoten ist Hochverfügbarkeit erreichbar.
• Spitzenlasten werden durch automatische, elastische Skalierung abgefangen.

Cloudbasierte Bereitstellung mit Kubernetes

• Sie können Ihre API On-Premises oder in der Cloud bereitstellen.
• Dank der nativen Einbindung von Kubernetes ist der Bereitstellungsprozess flexibel und reproduzierbar.
• Für Deep-Learning-Modelle ist umfassender GPU-Support verfügbar.

Leistungsstarke API-Engine für Ihre Anwendungen

• Visuelle Modelle, benutzerdefinierte Python- oder R-Modelle mit benutzerdefinierten Python- oder R-Funktionen oder SQL-Anfragen können als API bereitgestellt werden
• Eine nutzerfreundliche REST-API kann mit wenigen Zeilen Code integriert werden.
• Sofort einsatzbereite Codebeispiele können automatisch generiert werden

Feedback-Schleife für die Relevanz Ihrer Modelle

• Führen Sie mit mehreren Versionen desselben Modells zeitgleich automatisierte A/B-Tests durch.
• Verfolgen Sie, wie Ihre Daten sich im Verlauf der Zeit ändern.
• Nutzen Sie historische Logdateien, Anfragen und Prognosen, um zu überprüfen, ob die Leistung Ihrer Modelle konstant bleibt.