GridGain Systems выпустила новую версию GridGain Professional Edition 2.4

Интеграция Системное ПО
мобильная версия

GridGain Systems, компания-разработчик корпоративных решений для переноса вычислений в оперативную память на базе Apache Ignite, объявила о выпуске GridGain Professional Edition 2.4. Это корпоративная версия Apache Ignite 2.4 с всесторонней поддержкой от GridGain Systems. В новую версию добавлен фреймворк для непрерывного обучения, включающий в себя машинное обучение и многослойный перцептрон (нейронную сеть, которая позволяет компаниям запускать алгоритмы машинного и глубокого обучения на петабайтах операционных данных в режиме реального времени). Компании могут создавать и непрерывно обновлять модели — с огромной скоростью, которую обеспечивают вычисления в оперативной памяти, а также с возможностью горизонтального масштабирования. GridGain Professional Edition 2.4 также позволяет увеличить эффективность работы Apache Spark благодаря API для фреймов данных Spark (добавлен к ранее существовавшей поддержке RDD в Spark).

GridGain Professional Edition 2.4 — это первая версия, которая полностью поддерживает интегрированное машинное обучение и многослойный перцептрон Apache Ignite. Таким образом, непрерывное машинное/глубокое обучение будет напрямую доступно в GridGain. Оптимизируя библиотеки машинного обучения для массово-параллельных вычислений, новая версия может значительно ускорить машинное обучение на больших объемах данных. Обработка данных напрямую в кластере GridGain позволяет обеспечить непрерывный процесс обучения: больше не нужно перемещать транзакционные данные в отдельную базу перед обучением модели. Результат — обучение в реальном времени, а также непрерывное обучение с меньшей сложностью и сниженными затратами по сравнению с традиционными подходами.

Новый фреймворк непрерывного обучения GridGain — это структурный элемент для внутрипроцессных приложений, использующих гибридную транзакционно-аналитическую обработку данных (HTAP). В таких приложениях информационная модель постоянно обучается на основе входящих данных. Благодаря внутрипроцессным HTAP-вычислениям приложения нового поколения могут пользоваться преимуществами обучения в реальном времени. Различные бизнес-приложения смогут принимать более эффективные решения в реальном времени — предотвращать мошенничество, давать рекомендации в сфере электронной коммерции, одобрять кредиты, управлять логистикой и обслуживанием транспортных систем.

Теперь GridGain может использоваться для хранения и управления фреймами данных Spark. Поддержка фреймов данных расширяет поддержку Spark, которая и ранее была наиболее полной среди in-memory платформ. GridGain по-прежнему включает в себя GridGain RDD API для доступа к данным GridGain как к изменяемым RDD, а также файловую систему Ignite (IGFS), которая позволяет использовать GridGain как in-memory реализацию распределенной файловой системы Hadoop (HDFS).

Spark может использоваться для обработки данных в GridGain как фреймов данных или RDD, а также для сохранения фреймов данных или RDD в GridGain для последующей обработки. Эти возможности позволяют Spark-разработчикам использовать GridGain как in-memory хранилище для доступа, сохранения и обмена данными между задачами Spark. GridGain поддерживает ANSI-99 SQL, включая индексирование данных, так что Apache Spark может использовать распределенный SQL платформы GridGain для повышения производительности нерегламентированных запросов до 1 тыс. раз. Разработчики Spark могут также использовать фреймворк непрерывного обучения для автоматизации решений и постоянного обновления моделей с целью улучшения результатов в реальном времени.

«Компаниям, которые стремятся автоматизировать более интеллектуальный процесс принятия решений, необходимо привести к постоянному сотрудничеству две стороны цифрового мозга — машинное обучение и систему автоматического принятия решений, — сказал Эйб Кляйнфелд, президент и гендиректор GridGain Systems. — С выходом новой версии GridGain стало возможным непрерывное обучение информационных моделей в реальном времени на больших массивах данных, со скоростью и масштабом in-memory вычислений, с меньшими сложностями и расходами. Это первый шаг к тому, чтобы внутрипроцессные HTAP-приложения управляли приложениями непрерывного обучения, которые, в свою очередь, обеспечат реализацию инициатив по цифровой трансформации и внедрению омниканальности».