adam121 - stock.adobe.com
BigML: Kostenlose Cloud-Plattform für Machine Learning
Bei BigML handelt es sich um eine Cloud-Plattform für das Automatisieren und Verwalten von Machine-Learning- und KI-Projekten. Der Einstieg ist kostenlos.
BigML ist eine Plattform, mit der Entwickler Machine-Learning- und KI-Projekte umsetzen, automatisieren und bereitstellen können. Der Einstieg in BigML ist kostenlos. Wer allerdings größere Projekte umsetzen möchte, muss die kostenpflichtigen Optionen von BigML nutzen.
BigML richtet sich vor allem an kleine und mittlere Unternehmen, Non-Profit-Organisationen und Behörden, die keine teure Infrastruktur für Machine-Learning-Projekte aufbauen wollen oder können. Allerdings muss darauf geachtet werden, dass die Oberfläche nur in englischer Sprache zur Verfügung steht.
BigML unterstützt Unternehmen dabei, datengesteuerte Entscheidungen zu treffen und KI-Projekte umzusetzen. Die Vorteile der Plattform sind vor allem der günstige Preis, eine schnelle Bereitstellung und die einfache Bedienung. In BigML ist eine Auswahl an Algorithmen für maschinelles Lernen enthalten, die über ein standardisiertes Framework eingebunden werden.
Bei der Arbeit mit BigML gibt es keine Abhängigkeiten von verschiedenen Bibliotheken, was die Komplexität des Projektes verringert und die Wartungskosten niedrig hält. Im Fokus von BigML stehen Predictive-Anwendungen, Klassifizierung und Regression (Trees, Ensembles, lineare Regressionen, logistische Regressionen) sowie Zeitreihenprognosen.
KI- und ML-Projekte mit BigML umsetzen
KI- und ML sind für Unternehmen in vielen Branchen wertvolle Technologien. KI-Lösungen können die Lösung von Aufgaben vereinfachen, automatisieren und Analysen erstellen. Die Studie Machine Learning 2021 zeigt, dass bereits 73 Prozent der großen Unternehmen mit mehr als 10.000 Beschäftigten auf KI-Technologien setzen. Bei den kleineren Firmen sind es 59 Prozent.
Die Unternehmen profitieren schnell vom Einsatz von KI und Machine Learning. Laut der Studie konnten 62 Prozent der Unternehmen schon nach drei Monaten erste Erfolge einfahren. Allerdings sind die Einstiegshürden hoch und der Aufbau einer eigenen Infrastruktur komplex und teuer. BigML soll diese Hürde überwinden.
Einstieg in BigML
Machine-Learning-Projekte verlangen Know-how und Einarbeitung. BigML möchte die notwendige Infrastruktur hierfür zur Verfügung stellen. Nach der Registrierung mit einer E-Mail-Adresse ist die Aktivierung des Kontos notwendig, danach lässt sich BigML im Webbrowser starten.
In zahlreichen Lernvideos stehen Anleitungen zur Verfügung, die unter anderem den Einstieg in die Benutzeroberfläche, die Anbindung von Datenquellen sowie Anomalieerkennung und Vorhersagen mit BigML beschreiben.
Die kostenlose Version erlaubt Tasks mit bis zu 16 MB, kann zwei Tasks parallel ausführen und ist auf einen Benutzer beschränkt. Für die Entwicklung komplexer Machine-Learning-Projekte sind allerdings in der Regel mehr Ressourcen notwendig. Auf der Website wird aufgelistet, was die weiteren Pläne mit den benötigten Ressourcen kosten.
Nach der Registrierung und der Anmeldung steht das Dashboard von BigML zur Verfügung. Hier lassen sich die verschiedenen Komponenten des Machine-Learning-Projekts steuern. Wer Unterstützung braucht, kann sich 24/7 an den Online- oder Live-Support wenden – abhängig von den gebuchten Support-Optionen und dem verwendeten Abonnement. Eine API ist ebenfalls verfügbar, mit der sich Informationen importieren oder Daten exportieren lassen.
Daten zu BigML übertragen
Über den Menüpunkt Sources können die Daten für das ML-Projekt angebunden werden. Standardmäßig sind Vorlagen und Beispieldaten auf der Seite zu finden. Über Sources ist die Anbindung anderer Datenquellen möglich. BigML unterstützt zum Beispiel die Integration von Elasticsearch, PostgreSQL, MySQL, Microsoft SQL Server und Apache Hive. Über Das Cloud-Icon stehen die Funktionen zur Verfügung, mit denen sich Daten aus Google Drive, Google Cloud Storage und Dropbox abrufen lassen. Das Hochladen einzelner Dateien wird von BigML ebenso unterstützt.
Basis von Machine-Learning-Projekten sind eigene Skripte, mit denen sich Daten analysieren, vorbereiten oder verarbeiten lassen. Im Dashboard ist es möglich, für die einzelnen Bereiche eigene Skripte zu implementieren. Dazu erfolgt ein Klick auf das Menü mit den drei Punkten.
Sind die Datenquellen angebunden, lassen sich Datensätze erstellen. Die Verwaltung der Datensätze erfolgt über das Menü Datasets im oberen Bereich. Für verschiedene Projekte lassen sich parallel unterschiedliche Quellen und Datasätze nutzen. Neue Projekte werden über das Menü mit den drei Punkten erstellt. Die Tasks für das Projekt werden über den Menüpunkt Tasks verwaltet. Hier ist außerdem zu sehen, wie lange ein Task gedauert hat, ob er abgeschlossen ist und welche Daten benötigt wurden.
