Sage Studio
                      模型調研與開發工具
                      產品價值
                      低門檻
                      可視化建模方式,簡單拖拉拽即可進行建模
                      低門檻
                      多維度
                      兼容多種機器學習計算框架,提供適用于不同專業背景的建模方式
                      全面
                      高性能
                      多種自研高性能算法和技術做支撐,計算效率可達Spark數百甚至數千倍
                      高性能
                      端到端
                      覆蓋從數據到模型再到應用,直至應用部署上線全流程
                      端到端
                      可拓展
                      集成Notebook服務,支持交互式模型調研和算法包擴展
                      可拓展
                      產品功能
                      • 模型調研IDE
                        close
                        多樣化開發方式
                        • 基于可視化計算圖(DAG)的模型開發

                          通過Python等編程語言建模的方式門檻高且不直觀,業務人員很難勝任??梢暬嬎銏D(DAG)將模型訓練的全流程用可視化、易理解的方式進行展示,用戶通過簡單的拖拉拽即可進行建模,無需繁瑣的代碼調試,可以更加聚焦于業務。

                        • 基于Notebook的交互式模型開發

                          用戶可以基于Notebook一站式、交互式地完成代碼編寫、運行、數據可視化、結果反饋的過程。能力覆蓋數據清理、統計分析、數據可視化、構建機器學習模型、等開發流程。

                        豐富多元算法覆蓋
                        • 自主研發的超高維AI算法

                          建模IDE內集成了自主研發的多個超高維AI算法,模型維度可達萬億,打破市面上大多數機器學習算法在大數據量下效果平平的現狀,充分挖掘大數據的潛在價值、發揮數據規模的優勢。算法包括效率提升百倍的邏輯回歸、可解釋性強的GBDT、自研大規模離散稀疏神經網絡DSN、協助某頭部銀行獲評科技創新獎的He-Treenet、線性分型分類器。

                        • 深度學習能力

                          自研高維稀疏深度神經網絡DSN;Tensorflow、Pytorch等深度學習框架集成;擁有分布式高性能計算能力。

                        全流程價值提供
                        • 低門檻、高性能、線上線下統一特征工程

                          通過開源工具進行特征工程,需要用戶擁有豐富的建模經驗,較強的編程能力和對業務的深刻理解。Studio的特征工程引擎內置了建模專家多年的經驗,提煉抽象了強大的特征工程方法,用戶可用簡單易學的函數表達形式調用,使用門檻低,且擁有時序特征處理能力和強大的計算能力,以及線上線下一致的運行態簡單部署,線上部署運行代碼開發便捷,大大縮短開發周期,提升開發效率。

                        • 多維度、全方位的模型評估指標

                          模型效果評估在模型開發過程中不可避免。應用開發IDE提供了豐富的組件,用清晰直觀的圖形將AUC/ROC、準確率、召回率等多類評估指標進行全方位的呈現,大幅提升模型效果評估的效率。

                      • 應用開發IDE
                        close
                        • 自學習應用

                          模型自學習過程是AI應用中高門檻的環節之一。第四范式獨創“機器學習圈”理論,打通AI應用閉環系統,覆蓋AI應用構建全流程。用戶通過簡單的圖形及表單配置即可快速構建自學習應用,大幅減少開發過程中的代碼量,顯著縮短自學習應用的開發周期,實現模型與業務變化同步的自我迭代,降低模型效果衰減風險。

                        • 批量預估應用

                          在自學習應用的支持下,針對實時性要求不高的場景,Studio提供了便捷的批量預估應用開發方式,用戶通過簡單的圖形及表單配置即可快速構建批量預估應用。

                        • 實時預估應用

                          在第四范式自研高性能內存時序數據庫RTIDB的支持下,Studio也適用于實時性要求高的場景,如實時高維機器學習、實時深度學習,用戶通過簡單的表單配置即可快速開發實時預估應用,大幅減少模型“調研轉生產”過程中的重復開發工作。

                      中国国产一级毛卡片