Nous avons le plaisir de vous annoncer la dernière version d'Alteryx Machine Learning. Les nouvelles améliorations apportées aux Séries temporelles vont considérablement accroître la puissance de prédiction de notre outil phare de machine learning. Cette version offre également une interface utilisateur repensée, avec de nouvelles options d'évaluation de modèles qui rendent le processus de développement de modèles plus intuitif et plus simple que jamais.
Depuis son lancement, Alteryx Machine Learning s'est révélé être un outil puissant pour aider les analystes de tous niveaux et les knowledge workers, peu importe leur domaine, à acquérir des compétences en machine learning. C'est ce qui en fait un élément clé de notre plateforme Analytics Cloud. Cela se fait via un produit AutoML cloud natif, intuitif et facile à utiliser, avec un guide contextuel qui permet d'apprendre la méthodologie d'analytique avancée et les meilleures pratiques tout au long du processus. En proposant également un produit AutoML entièrement guidé qui s'appuie sur les meilleurs modèles, Alteryx Machine Learning permet de produire plus vite de la valeur lors de la création de modèles tout en formant l'utilisateur.
Notre produit actuel fournit une solution robuste pour réduire la charge de travail des équipes de data science et permettre aux analystes métier de la finance, des RH et du marketing d'exploiter le machine learning pour leurs problématiques spécifiques. Le département finance de notre client eBay utilise le machine learning pour la classification fiscale des produits. Cela lui permet de réduire de 50 % les tâches manuelles nécessaires pour le reporting et les audits. En peu de temps, Alteryx peut aider ses clients à passer de la démonstration à la création de modèles, puis au déploiement de la data science dans toute l'entreprise.
Visibilité et facilité d'utilisation maximales pour la création de modèles
L'interface d'Alteryx Machine Learning a été conçue pour que chaque étape du processus AutoML soit claire, visible et intuitive. Chaque étape de ce processus est entièrement guidée via des onglets lisibles qui permettent de passer facilement d'une étape à l'autre. Dans cette version, nous avons ajouté un onglet pour la configuration du modèle. Il aidera l'utilisateur à comprendre tous les composants utilisés pour la création du modèle et permettra de mieux le contextualiser. Lorsque des modèles de régression de séries temporelles sont sélectionnés, cette étape de configuration du modèle décompose clairement les composants de la série.
Dans cette vue, les utilisateurs peuvent facilement visualiser un modèle abstrait des données et ainsi comprendre clairement tous les problèmes présents, les concepts, les tendances et la saisonnalité. Cette vue comporte les éléments énumérés ci-dessous.
- Les données des séries temporelles observées, qui sont simplement une représentation directe des valeurs observées sur une période donnée.
- La saisonnalité de leurs données pour tenir compte des pics d'achats de fin d'année ou des variations d'activité entre la semaine et le week-end.
- Les tendances à long terme, à la hausse ou à la baisse, séparées des fluctuations à court terme.
- Les éléments résiduels, qui donnent un aperçu de la façon dont un modèle s'adapte aux données et permettent l'optimisation en utilisant des modèles autres que des séries temporelles.
Évaluation et opérationnalisation des modèles simplifiées
Une fois qu'un modèle est créé, Machine Learning simplifie les étapes de sa mise en production. Pour l'évaluation du modèle de séries temporelles, cela inclut le test automatique de ses performances par rapport aux données d'exclusion et un aperçu clair de la façon dont le modèle se comporte par rapport aux données observées.
Cela permet d'ajuster et de corriger facilement les modèles sur la même plateforme.Les utilisateurs peuvent ensuite exporter des graphiques de prévision sous forme de séries temporelles, ce qui leur permet de visualiser et de communiquer facilement les prévisions. Cela inclut les données des tendances observées et les valeurs prédites.
Réservez dès aujourd'hui une démo sur les séries temporelles
Alteryx Machine Learning a transformé la façon dont les entreprises développent et mettent en œuvre des modèles de machine learning en fournissant les fonctionnalités, les méthodes et les modèles nécessaires aux utilisateurs métier. Les projets de ML ne sont plus confiés aux équipes de Data Science surchargées. De ce fait, quiconque ayant une bonne connaissance du secteur et de l'activité peut trouver des réponses à ses problématiques métier les plus urgentes.
Nos clients peuvent expérimenter les nouveautés de l'interface utilisateur et les améliorations apportées aux séries temporelles dès aujourd'hui. Mais si vous souhaitez savoir comment Alteryx peut vous aider à booster les compétences Data Science et ML de vos équipes et à développer de puissants modèles de machine learning, demandez une démo dès aujourd'hui.