Erstellen und verwalten Sie Machine Learning Modelle skalierbar auf verteilten Systemen unter Gewährleistung von Datenschutz und Privatsphäre.
Demo anfragenErstellen und verwalten Sie Machine Learning Modelle skalierbar auf verteilten Systemen unter Gewährleistung von Datenschutz und Privatsphäre.
Demo anfragenmlx ermöglicht on-the-edge Machine Learning über unternehmensübergreifende Systeme hinweg durch einen Paradigmenwechsel:
Modellaustausch statt Datenaustausch.
Individuelles Machine Learning
für jeden Kunden
Modelle lernen voneinander
ohne Daten auszutauschen
Einfach integrierbar
in bestehende Infrastruktur
mlx Features
Leistungsstarke ML Modelle auf Basis der Federated Learning Technologie für herausragende Ergebnisse. mlx entwickelt und verbessert ML Modelle automatisch über dezentrale Datenspeicher hinweg (On-Premise, Private Cloud, Hybrid Cloud, ..).
Vergleichen Sie die Evaluationsergebnisse der eingesetzten ML Modelle und behalten Sie die Performance-Metriken im zentralen Dashboard in Echtzeit im Blick.
Zustand der lokalen ML Modelle, Leistung, Aktualität und Austausch können zentral verwaltet und koordiniert werden, über alle Instanzen hinweg.
Die Konfiguration der ML Modelle in den lokalen Umgebungen kann mithilfe von Docker eingerichtet werden und ermöglicht so das remote Deployment in wenigen Minuten. Anschließend lassen sich Hardware und Performance des Leafs im zentralen mlx Dashboard überwachen.
Zustand der lokalen ML Modelle, Leistung, Aktualität und Austausch können zentral verwaltet und koordiniert werden, über alle Instanzen hinweg.
Die Konfiguration der ML Modelle in den lokalen Umgebungen kann mithilfe von Docker eingerichtet werden und ermöglicht so das remote Deployment in wenigen Minuten. Anschließend lassen sich Hardware und Performance des Leafs im zentralen mlx Dashboard überwachen.
Organisieren und Managen Sie benutzerdefinierte ML Jobs: Integrieren Sie maßgeschneiderte Pre-Processing Schritte, erstellen oder verwenden Sie vorhandene ML Modelle und aktivieren Sie die Pipeline mit wenigen Klicks.
Veränderungen in den lokalen Datensätzen bleiben im Blick, bei signifikaten Änderungen werden die Modelle automatisch erneut trainiert. Datenschemas lassen sich direkt aus dem Dashboard managen und verwalten.
Integrieren Sie FedML nahtlos in Ihre bestehende Umgebung und binden Sie Keras Bibliotheken mit nur wenigen Code Snippets in mlx ein.
The full monty the wireless bog-standard bevvy
lurgy David, mufty Oxford blatant A bit of how’s
your father.
Module in Docker Containern erlauben mithilfe von REST APIs eine einfache Integration in vorhandene IT Landschaften.
mlx erlaubt es, alle gängigen Frameworks zu integrieren, um eine lokale und dezentrale Funktion zu gewährleisten.
“Organizations that want to share data, but are concerned about privacy, should explore a federated learning approach. This allows data to be shared yet not revealed across organizations. […] There is a small yet growing list of vendors using various approaches in that space, including […] prenode.” (Gartner, 2019)
Copyright © 2020 prenode