ML9 [사례 연구, 하이테크] 주요 기술 서비스 기업의 Kafka 및 AI로의 이동 주요 기술 서비스 기업은 디지털 시대에 경쟁하기 위해 어떻게 준비하고 있습니까? 그리고, 고객의 비즈니스 전망을 크게 향상시킬 수 있는 탁월한 서비스를 제공합니까? 동시에, 복잡성을 줄이고 비용을 절감하며, 경우에 따라 SLA를 10배 이상 강화할 수 있습니까? 이러한 기업의 경우 해결책은 Kafka 및 SingleStore를 사용하여 실시간 운영 분석을 제공하는 것입니다. 이 기업에서는 데이터가 여러 데이터 저장소를 통과하고 관계형 SQL 데이터베이스에서 배치 쿼리 처리를 위해 NoSQL 데이터 저장소로 이동하고, BI, 앱 및 애드혹 쿼리를 위해 다시 SQL로 이동되었습니다. 이제 데이터는 Kafka를 통해 바로 SingleStore로 흐릅니다. Airflow는 오케스트레이션을 제공합니다. Bef.. 2021. 8. 30. [사례 연구, 금융] 머신러닝기반 실시간 이상거래 탐지(미국 메이저 은행) 이 사례 연구는 SingleStore의 제품 마케팅 수석 이사인 Mike Boyarski가 웨비나 세션의 일부로 발표했습니다. Mike는 웨비나를 통해 수십 년 동안 축적된 기술 솔루션을 보유하고 있으며 오늘날의 요구 사항을 충족시키기 위해 인프라를 즉시 발전시켜야 하는 금융 서비스 기관이 직면한 과제에 대해 설명합니다. 웨비나에서도 설명되고 있습니다만, Mike는 주요 미국 은행이 SingleStore를 핵심으로 하는 새로운 스트리밍 데이터 아키텍처를 어떻게 작성했는지를 보여줍니다. SingleStore를 사용하여 이들은 머신러링 모델을 실시간으로 적용하면서 하룻밤 사이에 이루어지는 배치 이상거래 탐지 방식에서 "on the swipe"(실시간) 이상거래 탐지 방식으로 전환할 수 있었습니다. 그는 .. 2021. 8. 10. ML 플랫폼 "MindsDB"에서 SingleStore 데이터베이스를 통한 실시간 머신 러닝 SingleStore와 MindsDB는 최근 SingleStore 데이터베이스 내에서 머신러닝 혁신 추진과 머신러닝 기능을 제공하는 파트너십을 발표했습니다. SingleStore는 실시간 추론(Inference)을 지원하는 것 외에도 머신러닝을 위한 학습 성능을 향상시키는 다양한 기능들을 제공합니다. MindsDB Business Development 부사장 Erik Bovee가 게시한 이 블로그에는 이러한 흥미로운 통합에 대한 개요가 나와 있습니다. 이전 게시물에서는 데이터 계층의 머신러닝, 스트림 데이터에 대한 머신러닝 및 대량의 다변수 시계열 과 같은 어려운 머신러닝 문제 해결에 대해 살펴본 적이 있으며, SingleStore 데이터베이스는 이전에 살펴본 활용 사례의 모든 영역에서 머신러닝을 강.. 2021. 6. 29. 실시간 시스템 구현을 위한 SingleStore SingleStore를 통한 실시간 시스템 활용 사례 실시간 애플리케이션과 분석이 마이크로 초 단위로 응대를 해야 한다는 것은 모두가 알고 있습니다. 하지만 실시간 시스템은 최근까지 주목 받기 어려웠습니다. “SingleStore”의 도래로 더 많은 조직과 애플리케이션에 개방된 완전히 새로운 실시간 분석 사례들이 나오고 있습니다. 이 블로그는 몇몇 새로운 활용 방안과 사례를 조사해서 여러분들에게 향후 적용 가능한 아이디어를 제공하고자 합니다. 이 성공적인 활용 사례 리스트들은 실시간 대시보드와 분석에 상당한 이점을 제공한다는 점에서 다양한 영감을 줄 수 있을 것입니다. 과거 실시간 시스템 적용 분야의 한계 실시간 컴퓨팅은 운영체제에서 시작되었고, 그 후 실시간을 위한 특별한 소프트웨어 비용으로 인해 .. 2020. 12. 10. [사례 연구, Thorn] 더 빠른 인신매매 아동 식별을 위해 SingleStore Managed Service(Helios)로 데이터 구축 Thorn의 아동 성매매 조사 도구인 Spotlight는 성매매 사이트에서 정보를 수집하여 인신 매매 피해자를 빨리 찾을 수 있는 도구를 법 집행 기관에 제공합니다. (위스콘신 인신 매매 전담반 특별 요원은 스포트라이트를 다음과 같이 설명합니다. “인신 매매와의 싸움에서 우리가 가지고 있는 가장 큰 도구입니다.”) SingleStore를 사용하는 것이 그 중 하나입니다. SingleStore는 SQL 지원을 포함하여 Thorn의 요구 사항인 빠른 쿼리 응답 시간; 기계 학습 및 AI 지원; 크고 확장 가능한 동시 사용자 수; 수평적 스케일 아웃을 충족시키는 강력한 솔루션입니다. 또한 SingleStore는 온프레미스 설치 및 모든 주요 퍼블릭 클라우드를 포함하여 거의 모든 곳에서 실행됩니다. Thor.. 2020. 5. 26. 예측분석에 기반한 글로벌 공급망 관리를 위한 SingleStore 사물 인터넷(IoT)은 매일 엄청난 양의 데이터를 생성합니다. 이 데이터에 대한 실시간 분석은 오늘날의 상시 경제에서 소비자의 요구를 해결하는 데 도움이 됩니다. 공급망 관리는 IoT가 제조 산업에 미치는 영향을 보여줍니다. 차량, 선적 컨테이너 , 패키지 등 다수의 이동 부품이 데이터 소스로 기능하고 있는 가운데, 기업은 IoT 데이터를 수집하고 분석하기 위한 보다 발전된 방법이 필요합니다. 대부분의 기업은 묘사 분석(Descriptive Analysis)을 사용하지만, Gartner의 위 통계는 묘사 만으로는 더 이상 충분하지 않다고 강조합니다. 데이터 분석은 예측 분석(Predictive Analysis)으로 발전하고 있으며, 결국 이를 훨씬 넘어 처방 분석(Prescriptive Ana.. 2019. 9. 3. Webinar: ML/AI 운영 시대의 데이터 레이크(Data Lake)의 발전 Data Science Central의 Bill Vorhies와 SingleStore의 Rick Negrin은 최근 데이터 레이크(Data Lake)에 대한 Webinar와 인공지능(AI) 및 머신러닝(ML) 운영 시대의 Hadoop 사용에 대한 Webinar를 제공했습니다. 이 블로그 게시물에서는 Webinar의 미리보기로 Webinar의 주요 요점을 요약합니다. 언제라도 녹화된 Webinar를 볼 수 있습니다. 기업은 최상의 의사 결정을 내리기 위해 데이터에 유연하게 액세스해야 합니다. 불행히도 오늘날 사용되는 시스템은 복잡성과 구조적으로 지연을 초래합니다. ANSI SQL을 지원하는 빠르고 확장 가능한 관계형 데이터베이스인 SingleStore는 데이터 처리 아키텍처를 단순화하고 의사 결정 속도를 .. 2019. 8. 19. Webinar: SingleStore로 예측 및 ML 애플리케이션 운영 예측 분석, 머신 러닝 및 AI는 대화 형 쿼리와 뛰어난 고객 경험을 실시간으로 강화하여 회사의 비즈니스 방식을 변화시키는 데 사용됩니다. SingleStore는 최신 데이터에 빠르게 액세스하고, 새로운 정보와 기존 정보를 결합하는 빠른 처리 및 빠른 쿼리 응답이 필요한 고급 애플리케이션을 지원하는 데 널리 사용됩니다. 이 Webinar에서 SingleStore의 수석 제품 관리자인 Eric Hanson은 SingleStore 고객이 최신 애플리케이션에서이 빠르고 확장 가능한 SQL 데이터베이스를 어떻게 사용하고 있는지 보여줍니다. 다음, 요약을 읽고 전체 이야기를 얻을 수 있는 Webinar 및 Slides를 확인하십시오. 개발 및 배포에 SingleStore 매핑 Eric은 머신 러닝 모델을 구축.. 2019. 8. 12. ML을 위한 3가지 SingleStore 활용 영역 머신러닝이란? 머신러닝(ML)은 트레이닝 데이터에서 자동으로 작성되거나 "학습된" 분석 모델을 사용하여 데이터를 분석하는 방법입니다. 그 아이디어는 더 많은 데이터 포인트를 공급할수록 모델이 더 좋아져서 알고리즘이 시간이 지남에 따라 자동적으로 더 나아질 수 있게 한다는 것입니다. 머신러닝에는 학습(Training) 및 운영(Operationalization) 두 단계가 있습니다. 트레이닝은 이미 많이 알고 있는 데이터 셋(트레이닝 셋라고 함)를 확보하고, 패턴을 찾기 위해 데이터 셋를 탐색하여 모델을 개발합니다. 모델을 개발하면 운영화 단계로 넘어갑니다. 모델을 운영 시스템(Production System)에 배포(Deployment)하여 새로운 데이터를 스코어링하고, 시스템은 사용자에게 결과 값을.. 2019. 8. 6. 이전 1 다음
