Frontiers by Slack 2017 – Intelligence at Work: How Google Leverages AI and Machine Learning

– 좋아, 얘들 아, 손을합시다 나를 위해서가 아니야

확실히, 슬랙을 위해서,하자 멋진 직장, 멋진 직장을 위해 여기에 제발, 제발 Edge에서 전체 Slack 팀까지의 첫 번째 회의에서 우리는 슬랙이하고있는 구글에서 행복하다 훌륭한 직업과 우리의 파트너십은 번창하고 있습니다 다시 한번, 위대한 일군들, 첫번째 회의를 위해 훌륭한 직업 나는 그들이 이보다 더 많은 일을하고 나를 초대하기를 바랍니다

얘들 아, 나는 Apoorv Saxena이다 저는 Cloud at Google의 제품 관리자입니다 저는 직장에서 지능에 관해 이야기하기 위해 왔습니다 항상 AI에 대해 이야기하는 것은 재미 있습니다 개발자 잠재 고객의 동료 인 리오 (Rio)와 함께 이야기하겠습니다

Google이 기계 학습을 사용하는 방법에 대해 AI를 내부적으로 노출 시키지만 일부 노출도 우리가 도구를 만들기 위해 배우는 교훈 중 Google 클라우드 서비스의 일부로 기계 학습 서비스 그래서 얘기하자 왜 우리가 신경을 쓰나요? 왜 구글은 클라우드와 AI에 그렇게 많은 돈을 투자하고 있습니까? 그 이유는 그것이 바로 우리의 사명으로 연결되기 때문입니다 Google의 사명은 전 세계의 정보를 정리하는 것입니다 보편적으로 액세스 할 수 있고 유용하게 만들 수 있습니다

이것은 농부들 모두에게 적용됩니다 캘리포니아에서 케냐의 중소기업 소유주에게 그들이 정보를 찾고있을 때, 우리는 더 낫다 이해가된다면 Google은 서비스를 제공 할 수 있습니다 그들이 무엇을 찾고, 어떤 정보, 정보 란 무엇인가, 이미지 란 무엇인가, 텍스트는 무엇인가? 그 정보 뒤에, 그리고 이것은 어디에 기계 학습 및 인공 지능이 제공됩니다 그러면 Google에서 AI를 어떻게 정의합니까? 많은 사람들에게 AI는 아무것도 아닙니다

매우 복잡한 패턴 일치, Google에서는 그 이상이라고 생각합니다 인공 지능, 정교한 인공 지능 시스템의 많은 자기 학습 있습니다 그들은 이전 상호 작용에서 배우고 시간이 지남에 따라 향상됩니다 그것은 사용자 행동, 사용자 입력 검색 창에있는 텍스트 또는 카메라의 사진, 다음 단계는 이해입니다 이미지 뒤에 무엇이 있는지, 텍스트 뒤에 무엇이 있는지

이전에 배웠던 pretrained 또는 preinformation 사용 지금 되돌려주는 일련의 행동을 함께하십시오 응답 형식으로 사용자에게 응답에 기초하여 사용자는 다시 상호 작용하며, Google 검색과 마찬가지로 루프가 계속됩니다 당신이 그것과 상호 작용할 때마다 더 좋아지며, 인공 지능 시스템은 시간이 지남에 따라 스스로 학습하고 향상됩니다 이것이 우리가 AI에 흥미를 느낀 이유입니다 우리는 얼마나 흥분합니까? 이 차트는 우리가 얼마나 흥분했는지 보여줍니다

그래프에 숫자가 표시됩니다 Google의 심층 학습 프로젝트를 지난 3 ~ 4 년 동안 보시다시피, 성장은 엄청난 기하 급수적입니다 깊은 학습은 이제 거의 힘을 얻고 있습니다 Google이 만드는 모든 제품 상황에 맞는, 의미있는, 사용자에게 풍부한 경험을 제공합니다

사실 Google은 AI가 컴퓨팅의 다음 패러다임 변화 PC, 인터넷, 클라우드 및 모바일과 같습니다 우리의 CEO 인 Sundar Pichai는 이제 Google을 AI 첫 번째 회사라고 부릅니다 우리가이 복잡한 심층 학습 시스템을 구축 할 때, 내부적으로, 우리는 세 가지를 배웠습니다 하나, 깊은 학습, 그리고 많은 깊은 학습 경쟁이 매우 치열합니다

2 번, 많은 관리 데이터가 필요합니다 데이터 처리 방법 및 세 번째, 매우 확장 가능한 플랫폼이 필요합니다 이 모든 것들은 개발자에게 당신을 데려오고 있습니다 Google 클라우드 시스템 학습 서비스의 일부로 그리고 우리는이 이야기에서 그 중 일부에 대해 이야기 할 것입니다 따라서 직장에서 AI가 눈에 잘 띄는 사례 중 하나를 이야기 해 봅시다

휴대 전화로 얼마나 많은 사람들이 Google 포토를 사용합니까? 거의 내가 너에게 반쯤 말할거야 나머지 절반은 빠져있다 (웃음) 그리고 이유는, 내가 말해 줄께, Google 포토는 2 년 전 출시되었습니다 매우 흐리게 만든 사진에서 모바일 사진 앱 시장 가장 널리 사용되는 모바일 사진 앱이되었습니다

사진 정리, 그런 놀라운 일을하는 이유는 근본적인 AI의 일부 때문입니다 예를 들어, 당신이 방금 돌아 왔다고 상상해보십시오 알래스카 여행에서 확실히 상상할 수 있습니다 그리고 당신은이 놀라운 빙하 호수를 방문했습니다 그 사진을 친구와 공유하고 싶습니다

많은 경우에 당신은 아마도 수많은 사진, 수십만 장의 사진을 통해 그 이미지를 얻으려면 지금해야 할 모든 일, Google 포토 사용시 검색 창에 "빙하"가 입력됩니다 그리고 밖으로이 빙하의 이미지가 나온다 그리고 그것은 매우 간단한 경험, 강력한 경험, 단순함 뒤에는 정교함이 많이 있습니다 예를 들어, 권력의 주요 이해 Google 포토 이미지 검색은 이해해야합니다 이 이미지는 객체가 아니거나이 객체 눈 덮인 산이 아니라 실제로 빙하

그것은 파란색, 흰색, 푸른 호수, 그것은 빙하의 호수 다 그리고 그 종류 정보가 쉽게 오지 않는다 빌드하려고하는 개발자 인 경우 앱에서와 동일한 강력한 이미지 이해, Google Cloud mission API를 사용하여 오늘 할 수 있습니다 그것이 같은 알고리즘이기 때문에 그것이 Google 포토에 힘을 불어 넣고 있습니다 다른 예를 들어 봅시다

다시 말하면 10 억 명이 Google 번역을 사용하며, 당신이 foregin 나라에 있다면 월 단위로, 이것은 아마 생명의 은인, 당신이해야 할 모든 것, 모바일 앱에서 Google 번역, 사진을 찍으면 번역하는 데 도움이됩니다 다시 말하지만, 이와 같은 것을 가져 오려면 앱에는 많은 일들이 진행되고 있습니다 가장 중요한 세 가지가 있습니다 특히이 예에서는 주요 이해, 이해하는 전공, 인공 지능은이 이미지가 문자를 가지고 있다는 것을 이해해야합니다 그 문자들을 텍스트로 변환하고, 번역 엔진을 사용하여 변환합니다

그 텍스트를 다른 언어로 번역하고, 그리고이 모든 것은 휴대 전화를 통해 이루어져야합니다 인터넷에 연결되어 있지 않을 수도 있습니다 개발자로서 어떻게하면 이렇게 할 수 있을까요? 제공하는 경우 Google Cloud를 제공합니다 비전 API는 내가 말했듯이, 우리 OCR을 위해, 두 번째는 번역 할 API이며, 모바일에서의 흐름을 알려주며 귀하의 알고리즘을 최적화하고 모바일 플랫폼을 위해 최적화하십시오 한 가지 더 많은 예를 들어보세요

자연 언어 이해 Gmail 사용자 및 Gmail 사용자 인 경우 전화를 걸고 입력하고 싶지 않은 경우, 많은 사람들이 그렇게합니다, 특히 짧은 응답, 응답을 생성하는 스마트 회신 대화 컨텍스트를 기반으로합니다 다시 말하면, 모바일에서 짧은 응답의 거의 10 % 이 자동 생성 인공 지능으로 구동되지 않습니다 그러나 이것 뒤에는 많은 정교함이 있습니다 우리는 AI를 이해해야합니다

이것은 대화가 무엇인지에 관한 것이 아니라, 또한 어떤 음색을 이해하는지 이 대화는 음색이 매우 형식적이라면, 선택 사항 인 봇, AI가 제공하는 선택 사항 톤이 매우 형식적이라면 매우 비 형식적입니다 그것은 다른 방향입니다 시간이 지남에 따라 맞춤 설정도 가능합니다 안녕, 안녕하세요 이것이 바로 복잡성 수준입니다

이 모든 것을 가져오고 싶다면 다시 Cloud 자연 언어 API로 시작합니다 그러나 이것이 전부는 아니며, 우리는 훨씬 더 많이하고 있습니다 새롭고 흥미 진진한 것들에 대해 이야기하기 그게 다가오고있어, 너를 넘겨 줄거야 제 동료 인 아카사카 리오에게 이야기하겠습니다

새로운 발표의 일부에 대해서 고마워 (박수) 고마워, 아 푸르 프 안녕 모두, 제 이름은 리오입니다, 저는 제품 매니저입니다 Google 드라이브에서 볼 수 있으며, Google에서 인공 지능을 진지하게 받아들입니다

그리고 여러분 모두를 여기에서 보게되어 정말 기쁩니다 그것이 당신의 관심사를 보여주기 때문에, 아마도 AI를 사용하여 오늘 앱을 개발할 것입니다 알고 계시 겠지만 Google과 Slack이 각각 시도하고 있습니다 지능적인 일을하는 해결책을 제안하고 인생이나 직장에서 우리는 이것이 우리가 일하는 방식을 변화시킬 수 있다고 생각합니다

지난 12 월에 많은 사람들이 알고있을 것입니다 우리는 두 제품 간의 긴밀한 통합을 발표했습니다 그 발표에서, 우리는 발표했다 그 똑똑한 소프트웨어는 팀을 하나로 모을 수 있습니다 나는 똑똑한 소프트웨어 비트를 고르고 싶다

Apoorv가 방금 이야기 한 내용에서, AI 및 Google에서 AI 작성 방법에 관해 당신은 그것의 특징에 익숙 할 것입니다, 조금 있습니다, 숨겨져 있지만 Google 드라이브에서 호출되었습니다 활동 스트림, 그것은 연대기이다 일어난 모든 중요한 사건들 당신이 소유하고있는 파일들로 문서에 댓글을 달았다면 사람들은 그 문서를 공유하면 사람들이 그 문서를 옮길 수 있습니다 사용자는 정말 좋아합니다 변경된 사항을 추적하십시오

그들은 그들이 놓친 것만 큼 채울 수 있습니다 하지만이 기능을 선보이는 모든 사용자는 다음과 같이 말합니다 이거 대단해, ​​나에게 모든 정보를 보여주고있어 내가 아는 한, 생산적으로 사용하고, 하지만 치명적인 결함이 있습니다 단지 너무 많은 정보 일뿐입니다

정보 작업자로서 나를 어떻게 도울 수 있습니까? 결정하고 결정하기위한 지식 근로자 가장 중요한 사건은 무엇입니까? 100 가지가 아니라 1 가지를 말해주세요 작년 한 해 동안 실제로 시도했습니다 이를 해결하기 위해 다음과 같은 기능을 사용할 수도 있습니다 익숙한, 빠른 액세스라고합니다 지금 이것은 정말로 시원합니다

왜냐하면 그것은 무엇을하기 때문에, 우리가 생각하는 4 ~ 5 개의 문서를 선택합니까? 열려고 Google 드라이브에 왔습니다 실제로이 기능 뒤에는 두 가지 인공 지능 모델이 있습니다 하나는 Google에 열어 볼 문서를 예측하는 것입니다 또 다른 이유는 왜 당신에게 아마 그 문서를 열려고합니다 첫 번째로 생각하십시오

알다시피, 우리가 말할 수있는 가장 중요한 사건입니다 인공 지능 모델은 많은 기능을 가지고 있습니다 저는 공개적으로 세 가지에 대해 이야기 할 수 있습니다 하나는 사실입니다 문서를 꽤 규칙적으로 열어 보았을 것입니다

예를 들어, 월요일 아침 모임이 있습니다 그 문서를 열 가능성이 높습니다 매주 월요일, 그럴만한 이유가 있습니다 왜 그 문서를 원하니? 드라이브에서 가장 먼저 확인해야 할 사항입니다 두 번째로, 문서가있을 수 있습니다

그건 정말 인기가 많아요 불고 있어요 많은 사람들이 논평하거나 공유하고 있습니다 그것은 중요한 지표입니다

우리가 사용자 당 모델을 가지고 있지 않다면, 우리는, 당신은 아마도 특정 속성을 가지고있을 것입니다 어떻게하면 문서와 상호 작용하는지, 아마도, 예를 들어, 나는 관리자로부터 온 문서를 열고, 거의 즉각적으로, 나는 알고있다 아마도 내가주의해야 할 부분 일 겁니다 그래서 그것들은 당신이 상상할 수있는 단지 세 가지 특징입니다 다른 기능의 전체 호스트 결정할 때,이 문서들 중 어느 것이 그러한 주요 부동산에 등재된다

너에게이 멍청이를 나눠주고있어 Slack과의 향후 통합 중 하나는 다음과 같습니다 이 경우를 생각해 봅시다 저는 Slack에서 일하고 있습니다 그것은 문서에서 일어나는 많은 대화입니다 맞아, 이제 나는 드라이브로 돌아 간다

나는 전혀 모른다 그 활발한 대화가 일어나고 있는지, 나는 밖으로 빠져 나간다 그래서 우리가 그걸 해결할 수 있다면, 쇼 케이싱 (show casing)에 의해, 동일한 AI 모델에서, 그 서류들 중 당신이 알고있는 것은, Slack 내에서 대화가 일어나고 있습니다 우리는 Slack 내에서 동일한 이벤트를 사용하여 전시해야합니다 12 월의 발표로 돌아 가자

작년에 내가 말할 수있는 동안 생각하기 때문에 우리가 만들고있는 것에 대해 당신에게 모의 이야기를합니다 미래에는 정말로 관심이 있습니다 우리가 오늘 당신에게 제공하는 것 그 성명서의 다른 부분은, 지난 12 월에 우리가 공유 한 것은 그 일이었습니다 대화는 원활하게 이루어져야합니다

한 곳에서 사용할 수 있습니다 이제 이것은 매우 직설적 인 구절처럼 보입니다 하지만 실제로 그것은 나에게 중요합니다 우리가 원치 않는 사실을 보여주기 때문에 통합을 만들면 사용자가 우리 각자의 제품에 그것은 여전히 ​​유효한 통합이 될 것이며, 우리는 사용자가 작업을 완료해야한다고 생각합니다

그들이있는 곳에서 끝내야 해 알았어 특히 Google, 우리는 사용자 경험과 매력적인 사용자 경험을 중요시하며, 당신은 크리스티나가 같은 감정을 가지고있는 것을 듣습니다 어제도 그래서 우리는 우리가 정말 좋은 회사에서, 여기

오늘 오늘 저는 당신과 함께 나누게되어 기쁩니다 바로 이전에 기조 연설에서 들었던 내용의 미리보기, Slack 내에서 Drive 알림 통합 이제 비디오는 항상 사물을 설명하는 더 좋은 일을합니다 그래서 비디오 롤을 보겠습니다 (낙관적 인 음악) (박수) 슬랙 (Slack)의 친구들 덕분에 우리는 현재 소규모 팀으로 배포되며 앞으로 몇 주 동안 계속해서 홍보 할 것입니다 우리가 왜 생각하는지 보여주는 방법의 일부로서 이것은 실제로 매우 가치있는 통합이라는 것입니다

개발을 위해 지난 12 월에 통계를 공유했습니다 나는 꽤 놀랍다 고 생각했다 Google 드라이브 파일을 슬랙에 가져옵니다 계산이 정확하면 약 1 번 매일 14 초, 하루 60,000 회

오늘 당신과 공유하게되어 기쁩니다 그 숫자는 거의 네 배로 증가했다 실제로 4 배 이상입니다 수백만 개의 Google 드라이브 파일 매일 Slack 내에서 공유됩니다 백만 분의 일의 기회입니다

중요한 순간을 사용자가 알 수 있도록 그들의 문서에서 일어난 일입니다 그래서 우리가이 여정에서 시작한 비전, 12 월에 우리는 사용자가있는 곳으로 가고 싶었습니다 우리는 그들이 생산적인지 확인하고 싶습니다 어디에 있든 상관없이 드라이브는 파일이 저장되는 위치이며, 공유, 슬랙은 대화가 일어나는 곳입니다 맞아, 그리고 우리가 공유 한 통계에 따르면, 명확하게 시연 된 사용자 요구 사항입니다

따라서 Drivebot은이 방향의 첫 번째 단계입니다 이제 Drivebot은 내가 사용할 이름입니다 사실이 프리젠 테이션 중, 나머지는 Google 드라이브입니다 Slack 내에서의 통합은 단일 응용 프로그램입니다 이제 이것은 실제로 중요한 세부 사항입니다

사용자가 기존의 드라이브 통합, 새로운 봇에 대한 압박, 우리는 실제로 그것을 통합하고 있습니다 끊김없는 사용자 경험, 지금, 이 프레젠테이션을하는 동안 나에게 조금 더 쉽습니다 말하는 대신 Google 드라이브 통합 슬랙 (Slack) 내에서 드라이브 봇 (Drivebot) 하지만 먼저 사용자를 배치함으로써 실제로 그들이 이것을 생각할 수 있도록 만들었습니다 기능 세트로의 확장 현재 리치 미리보기처럼 사용할 수 있습니다 정보 공유 및 검색 내 색인 생성

Drivebot은 네 가지 알림 유형을 지원합니다 문서에 대한 의견이있을 때마다 먼저 네가 걱정하는 것, 아마도 네가 언급 된 것일 수도 있고, 또는 귀하가 소유하고있는 문서 둘째, 팀의 누군가가 당신이 작업하고있는 문서에 접근하려면, 너는 그들과 공유하고 싶었다 메시지를 전달하고 쉽게 전달하도록하겠습니다 Slack 내의 DMs

새로 공유 된 파일, 안녕, Soma, 여기에 내가 당신과 공유해야 할 문서가 있습니다 좀 봐 줄래? 우리의 마지막이지만 확실한 것은 아닙니다 우리는 그것이 꽤 복잡한 부분이라고 생각합니다 Google 드라이브 사용 경험, 우리는 당신이 다 떨어지면 저장 장치를 사용하면 작업을 수행 할 수 있습니다 Drivebot은 첫날부터 Enterprise Grid를 준비했습니다

그리고 이것은 우리가 많이 알고 있기 때문에 중요합니다 귀하는 Enterprise Grid 로의 마이그레이션을 고려하고 있습니다 이미 거기 있고, 당신이 원하는 마지막 것 걱정할 것은 Google 드라이브가 있는지 여부입니다 마이그레이션을 지원할 수 있습니다 드라이브 봇은 GCP 위에 구축되며, 다시 말하지만, 이것은 앱을 개발하는 사용자에게 중요합니다

왜냐하면 우리는이 앱을 개발하는 데 지름길이 없었기 때문입니다 내부 기술을 사용하지 않았습니다 이 봇을 만들기 위해 Google에 제공됩니다 봇은 App Engine에서 Java를 사용하여 빌드되며, 슬랙 (Slack)과 드라이브 (Drive)에서 사용자 간의 매핑 Cloud 데이터 저장소에 저장되며 모든 SPII 또는 일종의 암호화 가능한 정보가 클라우드 KMS에 저장됩니다 많은 사람들이 앱 개발자이며 당신이 알고 싶었던 피드백, 어떤 배움은 무엇입니까? 코스를 통해 배운 것들 지난 6 개월에서 9 개월 사이에 내가 너와 나눌 수있는 것, 너희들은 빼앗을 수있어

나만의 건물에 그래서 나는 갈거야 그들 중 네 명을 통해 잠깐 무엇보다 먼저 Slack은 실시간 커뮤니케이션 앱입니다 그게 주어진거야, 그렇지? 그러나 통지는 그렇지 않습니다

알림은 지능적으로 묶을 수 있으며, 그들은 지연 될 수 있습니다 우리의 통지가 똑똑 할 수도 있지만 때로는 너무 똑똑 할 수도 있습니다 사용자가 실시간 댓글과 정보를 기대할 때 슬랙 (Slack)을 통해 들어오고, 그들은 스스로 관리 할 수 ​​있습니다 슬랙은 시도의 정말 놀라운 일을하고 있습니다 중요한 내용과 중요하지 않은 내용을 필터링 할 수 있습니다

따라서 우리는 그렇게 할 필요가 없으므로 코멘트 알림 우리는 그들이 사용할 수 있음을 알게 되 자마자 당신에게옵니다 우리는 브랜드 균형을 맞추기가 힘들었습니다 Slack과 Google의 정체성 슬랙은 멋진 사용자 경험 패러다임을 가지고 있습니다 존중하고 싶었지만 작업의 친숙 함을 가지고 Google 제품으로 그래서, 이것들은 매우 간단한 예입니다

나는 앞으로 많은 기회가 있다고 생각한다 예를 들어 그것을 Drivebot이라고 부르도록 지시 받았다 Google 드라이브의 이름과 친숙 함을 유지했습니다 생각하지 않아도 돼, 오, 이거 어떻게 든 Google과 관련이 있습니다 확실하지는 않습니다

Google 드라이브입니다 그러나 우리는 그 작은 재미를 주입합니다 메시지 첨부 색상을 사용하여 친숙 함 저것은 우리가 가지고있는 것과 같은 로고 색을 존중합니다 네 가지 색상에 대한 네 가지 알림 유형 이제 알림 유형이 더 많으면 어떻게됩니까? 나는 아직 너에게 답이 없다 그러나 이점은 사용자가 실제로 알림 유형간에 상당히 차별화됩니다

특히 빨간색으로 저장됩니다 저장 용량이 부족한 경우 Google 드라이브를 사용할 수 있습니다 셋째, 흥미로운 통찰력이 있습니다 이해하는 동안 조금 시간이 걸렸습니다 이메일이나 기기를 통해받는 알림 정말로 당신이 반응 할 것으로 기대하지 마십시오

어쩌면 당신은 빠른 행동을 취할 수 있습니다 어쩌면 너는 그것을 쓸어 낼 수 있지만, 기대는 없다 말할 수있는 것, 헤이, 나는 무엇인가하고 싶다 나는 이것에 대답하고 싶다 봇은 우리에게 그 자산을 준다

그리고 우리는 여전히 초기 단계에 있습니다 그러나 지금 우리가하고있는 것은 컨트롤을 제공하는 것입니다 Slack 내에서 드라이브 설정을 관리 할 수 ​​있습니다 이것은 중요합니다 Slack 설정을 관리하지 않습니다

반영하는 것과 동일한 설정을 관리하고 있습니다 드라이브 UI 내에서 간단한 답장 사용 on, off, 이상적으로, 당신이 환상적 일 것이라는 피드백을 줄 수 있다면 마지막으로, 그러나 확실히 중요한 것은, 이것은 harkens back 크리스티나가 어제에 대해 말한 것들 먼저 사용자를 넣으십시오 우리는 생각하는 상호 작용이 많습니다

사용자가 알기에 중요합니다 왜 쉽게 만들지 않겠습니까? 우리가 할 수있는 가장 쉬운 일은 무엇입니까? 다시 이것은 매우 간단하고 직설적이다 데모는 있지만 주위의 기능 액세스 권한 부여는 귀하를 필요로하지 않습니다 Google 드라이브로 이동하여 실제로 액세스 권한 부여 팀원을위한 문서로 당신은 메시지 액션 내에서 그것을 할 수 있습니다, 그 핵심 애플 리케이션 내에서 그래서 우리는 시연 된 사용자 요구에 대해 이야기했습니다

우리는 사용 가능한 기술에 대해 이야기했습니다 직장을 더 생산적으로 만들기 위해, 디자인 고려 사항에 대해 이야기했습니다 이러한 상호 작용을 최대한 원활하게합니다 이것이 왜 Drivebot이 내 마음 속에서 첫 번째 단계인지 이유입니다 그 지능적이고 협업적인 작업 공간을 향해, 미래를 염두에두고 네가 이전에 너와 나누었던 자, 이것이 구글과 슬랙 스토리의 시작입니다

개발자로서, 당신은 똑같은 것을 개발하려고 열심입니다 일종의 마법 사용자 경험, 그래서 나는 말로 물건을 감쌀 것이다 Apoorv가 방금 언급 한 도구들 중 일부에 대해서, 당신이 당신의 손끝에 가지고 있습니다 귀하의 안락함과 친숙 함에 따라 GCP를 구축 할 플랫폼이되기를 희망합니다 상당히 간단한 요구 사항

다음은 할 수있는 다른 것들입니다 인공 지능과 당신이 연구원이라면, 정말로 원하는 사람 잡초에 들어가서 흥미 진진한, 지능형 모델은 우리는 아직 우리가 필요하다는 것을 모른다 TensorFlow는 당신을위한 해결책입니다 모델을 가진 데이터 과학자라면 하지만 자네는 능력으로 고투하고있어

많은 양의 데이터에 대비하여 진실 또는 가양 성을 결정합니다 MLEs, machine learning engine이 당신의 솔루션입니다 당신이 앱 개발자이고 코딩을 좋아한다면 주말에 혼자서도, 두 모델 중 어느 모델을 다루고 싶지는 않습니다 또는 훈련 세트를 사용하면 이러한 사전 패키지 된 제품을 사용할 수 있습니다 말하기, 번역, 시각 및 MLP 용 API 측면에서 우리가 해낸 일과 똑같은 것을 만들어라 사진과 번역

물건을 감싸고, 왜 내가 특히, 일종의 흥분, 나는 일반적으로 낙천적 인 종류의 남자, 하지만 왜 내가이 통합에 흥분했는지 우리가 실제로 가지고있는 것을 보여주기 때문입니다 우리는 일반적으로 우리 자신의 조언에주의를 기울였습니다 우리 개발자에게 제공하십시오 우리는 많은 양의 데이터로 작업하고 있으며, 그리고 당신도, 우리는 제품에 정보를 통합하려고 노력하고 있습니다 우리는 간단한 통지를 시작합니다

더 확장, 우리는 또한 이점을 이용하고 있습니다 우리의 개방형 플랫폼 및 생태계 진정으로 더 큰 것을 만드는 것 그 부분의 합보다 큽니다 이것은 우리가 슬랙을 사용한 한 가지 방법입니다 흥미 진진한 것을 만들기 위해 우리는 당신은 흥미 진진한 건물의 예로서 이것을 사용할 것입니다 다음 몇 달 및 몇 주 동안의 새로운 것들, 고맙습니다

(박수) 나는 우리가 조금 시간이 있다고 믿는다 Q & A를 위해, Apoorv는 돌아올 수 있습니다 당신이 가지고있는 모든 질문에 행복하게 대답하십시오 너와 점심 사이에 우리가 서있는 것을 나는 안다 그러나 나는 당신이 가지고있는 질문에 흥분한다

시원한 네 손을 들라 – [청중 회원] 나는 에 관한 질문이있다 – 오, 미안, 네 – [잠재 고객 회원] 안녕하세요, 질문이 있습니다 당신은 장기간의 시력을 조금 나누어 들일 수 있습니다 슬랙, 드라이브, 드라이브 자체에, 예를 들어, 누군가, 우리는 누군가가 새로운 파일을 만들고 공유하고 있음을 보여줍니다

누군가가 그것에 대해 논평하고 싶다면, 슬랙 (Slack) 안에서, 또는 더 복잡한 상호 작용을 할 수도 있습니다 파이프 라인에서 이와 같은 것을 얻을 계획이 있습니까? – 그래서 문제는 우리의 미래 계획은 무엇입니까? 통합을 위해서는 무엇보다 풍부한 상호 작용이 필요합니다 우리는 우리가 제공 할 수 있다고 생각합니다 번호 하나 의견은 기꺼이하고, 또는 회신하여 의견을 말할 수 있기를 바란다 우리가 보내는 메시지에 우리는 그것이 정말로 중요한 특징이라고 생각합니다

불행히도 타임 라인에 대해서는 언급 할 수 없습니다 그러나 그것은 우리가 적극적으로 고려하고있는 것입니다 실제로 많은 것들이 있습니다 통합 타임 라인에서 실제로 앞으로 볼 블로그 게시물을보십시오 우리가 만들고있는 것, 특히 통합의 다음 단계, 드라이브 내에서 환상적인 경험을 제공 할 수 있습니다

슬랙 (Slack) 데이터를 사용하고 실제로 우리가 가지고있는 것을 사용하여이 모든 것을 함께 팀 드라이브라고하는 Google의 경우, 이제 팀 드라이브는 팀 구성 드라이브 내에 파일을 저장할 수 있습니다 Slack과 Slack 내의 채널과 팀을 생각합니다 그것과 매우 유사합니다 그래서 나는 기대합니다 정말로 이것을 다음 단계로 가져 오는 통합 Slack에 대한 팀 개념이 실제로 시작되는 곳 드라이브 내에서 노출되고 그 반대도 마찬가지입니다

왜 그런지 말하기가 조금 어렵습니다 Slack 측에서 통합이 어떻게 작동하는지 그것은 정말로 양쪽 모두에 있어야하기 때문에, 그러나 그 코멘트 특징에 관하여 더 많은 뉴스를 곧 기대해라 감사 – [청중 회원] 고마워 나는 실제로 질문을했다

끊김없는 인증, 나는 Slack을 사용한다 내 Slack 계정을 읽은 다음 Drivebot을 호출합니다 당신은 단지 파일의 일부 이벤트에 대한 알림을 얻는 것을 알고 있습니다 봇이 내 Google 계정을 필요로합니까? 그리고 내가 누구인지 어떻게 알 수 있습니까? 예를 들어, 누군가 Sarah에 대한 액세스 권한을 부여 받았고, 하지만 그것은 Sarah 's Slack 계정이었습니다 어떤 Google 계정인지 어떻게 알 수 있습니까? 사라를위한거야, 만약 네가 정교 할 수만 있다면 조금

– 당연하지 그래서 우리가 알고있는 방법 Slack에있는 사용자이며 Google에서 실제로 두 가지 모두에 대해 인증하도록 요구함으로써, 그래서 이미 익숙 할 수도 있습니다 오늘날 우리가 가지고있는 통합, 당신이 불황에서 가면, 당신은 복사하고 붙여 넣습니다 드라이브 링크, 슬랙 봇을 클릭하면 헤이, 풍부한 미리보기를 원하십니까? 권한 부여 및 색인 생성, 예를 클릭하면, Google, 이제이 봇은 실제로 같은 일을 할 것입니다 Google 인증을 요청합니다

슬랙에 접근하고, 우리는 그 맵핑을 통해 슬랙 앤드 드라이브 (Slack and Drive) DM으로 메시지를 보내면, 우리는 그들을 채널로 보내지 않습니다 – 우리는 부스에있다 – 응 – 와서 우리 랑 같이가 Google 그룹에 대해 더 많은 질문이있는 경우, 귀하의 질문에 대한 답변을 드리고자합니다

고맙습니다 – 고마워, 안녕

SorI/O – Machine Learning plays Streets of Rage 2

안녕하세요, 나는 당신에게 2 개의 거리를 노리는 기계를 선물합니다 그렇게하기 위해 미리 프로그램 된 것은 아니 었습니다

그것은 그 자체로 모든 것을 배웠다 많은 시간 게임이 실제로 어떻게 보이는지조차 알지 못합니다 모든 숫자는 숫자입니다 기계의 센서입니다

그들은 플레이어 뒤에 또는 앞에 적들이있는 것과 같은 것을 나타냅니다 그러나 기계는 각 센서가 무엇인지 알지 못합니다 이 번호로 무엇을 할 것입니까? 음, 1로 전환되는 번호가 있으면 아마 일부 버튼을 누르십시오 그리고 무슨 일이 일어나는 지 보지, 그렇지? 결과가 좋으면 다음 번에 볼 수 있습니다 그것은 당신이 동일한 버튼을 시도하고 그렇지 않다면 당신은 좋은 옵션이 아니라는 것을 알게됩니다

시행 착오예요 결국 숫자 사이의 패턴을 이해하고 어떤 버튼을 누를지를 알기 시작합니다 유전자 알고리즘으로 진화하는 신경망입니다 기계는 센서와 출력 버튼 사이에 임의 연결을 생성합니다 최상의 성과를 만들어 내고 조합하는 조합을 선택합니다

더욱 복잡한 네트워크를 만드는 법 이 프로그램은 원래 슈퍼 마리오 게임을하기 위해 몸부림 치기로 만들었습니다 MarI / O라고합니다 방금 Stage of Rage에 적용하여 SorI / O라고했습니다 마리오에 대해 생각해 보면, 아주 쉽게 플레이 할 수 있습니다 방금 이동해야합니다

적과 함정을 피하십시오 마리오는 24 시간 안에 그것을하는 법을 배웠다 분노의 거리 (Streets of Rage)에 대해 생각하면 꽤 복잡합니다 배우기까지 1 주일이 걸렸습니다 이 그래프는 시간 동안의 성능을 보여줍니다

결국 안정화되기 전에 몇 가지 단점이 있음을 알 수 있습니다 학습은 첫 번째 장면을 보통 난이도에서 반복적으로 연주하고, 바 입구까지 반복됩니다 그것이 잭을 이길 때마다 프로그램이 다시 시작됩니다 Axel로이 장면을 여러 번 여러 번 재생 한 후 나는 SorI / O에게 말했다 : 이제 쉬운 어려움이있는 블레이즈로 전체 게임을 해보려고한다 결과는 아주 놀랍습니다

그것은 불꽃과 함께 연주하지 못했다 블레이즈와 게임 한 적이 없으며 게임의 사장과 직면 한 적도 없습니다 다음 비디오에서 전체 게임을보십시오 안녕

하품하다가 담 결려서 죽을뻔 함 충격 먹어서 …

하품하다가 담 결려서 죽을뻔 함 충격 먹어서 헬스 끊고왔다 요즘 뭐만 하면 담이 결림 하품하다 담 결리고 기지개 켜다 담 결리고 쉬붕 운동 3년 쉬면서 엄청 많이 먹고 안 움직였더니 살도 12 쪘는데 계속 상승해서 안되겠음 확실히 운동을 해야 스스로한테 자신감도 생기고 성취감 때문에 활력이 생기는 것 같다 다시 살 빼고 복근 회복할테다 퐈이아 365

Performance patterns for machine learning services in SQL Server – BRK3261

저는 cql 서버 팀의 프로그램 관리자입니다 >> 얼마나 많은 사람들이 cql 서버를 사용합니까? 2017? [들리지 않음]

>> 파이썬을 사용하는 사람이 있습니까? >> 그래서 왜, 그리고 왜 cql에 하나의 슬라이드 이 새로운 사람들을위한 컨텍스트를 설정하기 만하면됩니다 우리는이 통합에 고유 한 cql 서버의 기능을 살펴볼 것입니다 우리는 그것을 통과 할 것이고 결국에는 우리는 약간의 자원 그리고 우리는 의문을 제기 할 것입니다 그렇다면 왜 cql을 배우는가? 첫째, 데이터를 컴퓨터로 옮기는 문제입니다

이 경우에는 분석 서버 또는 노트북에서 우리가 어떻게 이런 것들을 보여줄지 실제로 문제가되는 이유는 데이터와 상호 작용하고 빌드하는 방법을 다루기위한 데이터 세트 모델을 사용하여 데이터 베이스 일단 모니터를 빌드하면 모든 응용 프로그램에서 쉽게 사용할 수 있습니까? 모델을 구축하고 자바 애플리케이션 또는 대시 보드를 어떻게 노출 시키나요? 정보를 대시 보드에 아주 쉽게? 우리가 고객을 많이 찾음 자신의 언어로 관련 및 재 구현 그것은 우리가 여기에 넣음으로써 제거하려고하는 것입니다 Cql 서버를 사용하면 cql API를 사용할 수 있습니다

우리는 엔터프라이즈 규모의 날짜 기반 플랫폼을 가지고 있습니다 사용 가능한 보안 그것은 다른 구성을 특징으로합니다 이제 임무 배우기 스크립트를 사용하여이를 활용할 수 있습니다 즉, ml 스크립트를 실행할 수 있습니다

그래서 많은 ml 스크립트가 기능을 사용할 수 있습니다 스크립트를 실행할 수 있습니다 이제 azure cql을 실행할 수 있습니다 어떤 관리 플랫폼입니다 이것은 세 가지 영역이지만 우리는 이 문제들을 어떻게 해결할 수 있는지는 알 수 없습니다

우리가 보여주는 패턴 중 일부는 그 중 하나를 만질 것입니다 >> 나는 그것이 다른 세션이라고 생각한다 나는 그것이 다른 쪽에서 온 것 같아 세션, 내 생각 엔 Sorrilet

그래서 높은 수준의 아이디어를 제공합시다 지금 통합 실제로 cql 서버 외부에서 시작합니다 이것은 우리가해야 할 일입니다 보안상의 이유 그래서 우리는 cql 서버 프로세스

나는 세부 사항에 들어 가지 않을거야 이것에 대한 설계 및 아키텍처 그리고 현재의 통합 메시지는 일괄 가중치 연산이라고 부르는 것 선교 학습을 보면 당신은 모델을 만들고이 값을 특별한 역할 그것은 거래 일 수도 새로운 일 수도 있습니다

대출 지원서 그것들은 단일 거래입니다 그리고 현재의 것은 적합하지 않습니다 왜냐하면 당신이 매번 프로세스를 시작해야합니다 그러나 여전히 그것을 사용하십시오

그렇게 할 것입니다 – 우리는 2017 년에 서버에서 사용 가능합니다 보다 처음 일 때마다 우리는 cql server compute와 비슷한 이야기를합니다 데이터 과학자가 우리 스튜디오와 같을 수 있습니다 그들은 데이터베이스의 데이터와 상호 작용하고 빌드하려고합니다

일부 미션 학습 모델 이 경우 cql 서버 일반적으로 데이터 액세스 API를 사용합니다 전시 데이터 액세스 코드 그래서 너는 다른 어떤 것과 같이 달릴거야

cql 클라이언트와 같은 데이터 데이터를 당긴 후 모델 이 경우, 기본적으로 모든 일이 일어나는 선형을 만듭니다 워크 스테이션 일단 당신이 출력 – 고객이 고객에게 제공 한 것을 보았습니다

In hub source 이것은 일반적인 작업 흐름과 같습니다 문제는 데이터 이동으로 돌아가는 것과 같습니다 1 테라 바이트의 데이터로 작업해야한다면 어떻게해야할까요? 그러면 문제가 생깁니다 노트북이 작동하지 않을 수도 있습니다

그 또는 더 큰 서버를 찾아야합니다 어떻게하면 더 쉽고 간단하게 만들 수 있을까요? 드라이브에 cql 서버 2016 또는 2017이 있습니다 우리는 거기에 설치된 선교 학습 서비스를 가지고 있습니다 당신이 할 수있는 일은 compute contest라고 불리는 것을 만드는 것입니다 이 코드는 코드와 거의 같습니다

그래서 당신은 연결 문자열을 설정합니다 이 경우이 함수를 사용합니다 이것은 물류 침략의 구현입니다 그리고이 예제에서 무엇을 일을 설정하면 컨텍스트를 서버로 밀어 넣습니다 그 말은 당신이 데이터 이동

이제 모델을 실행합니다 회전 과정 그리고 마지막에 당신은 다시 출력하십시오 그래서 그들은 같은 것을 얻고 있습니다 다른 것을하지 않습니다

당신이 할 수있는 다른 것들은 – 그들은 저장할 수 있습니다 결과 우리는 당신이 쉽게 관리 할 수 ​​있도록 이런 일 작업 흐름과 비슷합니다 그리고 그게 무슨 뜻입니까? 그것은 당신이 사용할 수있는 것입니다

아무것도 그것은 기능 당신이 그 기능을 볼 때 구현의 핵심 이점은 다음과 같습니다 클라이언트에서 큰 서버로 푸시 할 수 있습니다 그리고 나서 데이터 이동 문제를 제거하고 다른 것은 기본적으로 리소스 활용

그래서 제가 여기있는 것은 먼저 우리가 1 층을 통해 일하는 것입니다 데이터를 얻는 용도로 사용하십시오 그래서 이것이 우리의 도구입니다 같은 코드가 우리 스튜디오에서 작동합니다 그래서 일반적으로 당신이 연결 -이 경우 내가 사용하는 것처럼 – 내가로드 도서관

그런 다음이 특정 데이터베이스는 tpc 벤치 마크의 데이터베이스 큰 벤치라고합니다 작업 부하가있는 벤치 마크입니다 문제 해결을 위해 선교 학습을해야합니다 이것은 그것의 구현입니다

여기에 쿼리가 있습니다 기본적으로 – 당신은 사용자 그것은 다른 것을 보게 될 것입니다 사용자의 카테고리 및 인구 통계 정보 에 그럴거야

그것을보십시오 그럼 이 작업을 수행 여기에 함수가 있습니다 내가 너 한테 말했던 부분이야 기본적으로 cql에 연결하기 만하면됩니다

섬기는 사람 내 데이터를 가져 오는 쿼리를 실행하면 휴대용 퍼스널 컴퓨터 그런 다음 우리는 사업을 구축합니다 모델 따라서 실제로 저장하는 것이 처음입니다

함수 이제이 코드 조각은 사우스 캐롤라이나에서 데이터를 가져 오는 중 – cql 서버 및 그것은 내 노트북에서 실행됩니다 아마 이상한 일일거야 프로세스가 있습니다 약 13 초입니다

이제는 득점 할 때와 똑같은 일을 할 수 있습니다 여기에 1 테라 바이트가 있습니다 살펴 보겠습니다 행 그리고 실제로 샘플을 만들었습니다

단순한 1 억 만원 그래서 그것이 제가 여기있는 것입니다 >> 이제 노트북에서 실행할 것입니까? >> 나는 같은 코드를 더 큰 데이터베이스 다시 여기로와 보자 이것은 – 만약 당신이 – 약 360 기가

그리고 이건 약 4 기가 있습니다 나는 다음과 같은 예를 만들었다 데모 용으로 1 억 개처럼 이제 나는 당신에게 상황과 행동 방식을 보여줄 것입니다 이것은로드하지 않고도 데이터베이스에서 내 노트북으로 데이터

그것에 대해 자세히 이야기하겠습니다 지금은 무시하겠습니다 그렇게 똑같은 나는 같은 질문을했습니다 이것을 제외하면이 테라 바이트 데이터베이스

이제 여기에 차 당신은 계산 컨텍스트를 설정합니다 기본적으로 연결입니다 바로 cql 서버로 그 후에 무슨 일이 일어나는가? 본질적으로 함수는 그 계산 컨텍스트를 사용하여 코드 조각

실제로이 함수를로드 해 봅시다 그리고 우리는 이것을 실행합니다 그리고 우리는 실제로 여기 서버와 우리가 자세하게 보입니다 이것은 약 240 cpus를 제공합니다 여기서 시작하는 것들을 보게 될 것입니다

그것은 기본적으로 당신의 프로세스입니다 여기에 오면 달리는 것처럼 보일 것입니다 이러한 프로세스 그리고 그것은 달리고, 약 20 초 걸립니다 그래서 30 초

그래서 1 억 데이터 세트에서 30 초 만에 내 노트북 나는 기계를 사용한다 학위는 8 살이었고 원할 경우 학위를 줄일 수있었습니다 기기에 충분한 메모리가있는 경우 즉, 다른 빠른 데모 많은 데이터 세트를 사용하지 않고도 다시 노트북으로 돌아 가기

>> 사용 가능한 기능에 대해 이야기 해 봅시다 얼마나 많은 사람이 있는지 모르겠다 그것에 익숙하다 그것은 기본적으로 절차입니다 그렇게하면 외부 스크립트를 실행할 수 있습니다

서버에서 그래서 그것은 특별한 절차입니다 그것은 당신이 기능으로 사용할 수있는 매개 변수를 가지고 성능을 향상시키는 데 활용하십시오 우리는 하나씩 소개 할 것입니다 그들을 사용하는 방법 언제 사용 하는가? 그리고 몇 가지 예제와 예제 그럼 결국 우리는 돌아가서 당신이 컨텍스트를 활용할 수 있습니다

그래서 약간 복잡합니다 우리가 먼저 이야기 할 것은 실제로 할 수있는 것입니다 필요한 데이터를 제공하는 외부 스크립트를 제공하십시오 훈련을 위해서 이후 외부 스크립트에는이 데이터가 필요합니다

그것을 제공하는 방법 이 슬라이드에있는 데이터를 푸시함으로써 기본적으로 우리는 당신이 쿼리 중, 외부에 입력하고 있습니다 기본적으로 나중에 표시 할 데이터에로드되는 스크립트입니다 이런 종류의 작업을 수행하기위한 요구 사항 밀고 – 미안해 즉, 당신이받을 수있는 충분한 메모리가 필요하다는 것을 의미합니다

>>> 데이터이므로 예를 들어 작은 데이터를 사용할 때 사용하도록 권장합니다 설정을 참조하거나 언급 된 기능을 사용하지 않는 경우 전에 다른 유형의 오픈 소스 또한 메모리에 묶여있다 데이터가 메모리에 들어 가지 않으면 할 수 없습니다

그것을 메모리에 저장하거나 처리하십시오 그리고 나서 우리는 또 다른 동시성과 관련된 단점 이 제한이 왜 존재합니까? >> 예를 들어, 메모리를 저장하고 처리해야하는 데이터 세트, 이제는 모델을 실행하거나 그 모델을 사용하여 무언가를하고 싶습니다 동시에 오는 연결 이 경우 100 기가를 의미합니다

그것은 그 중 하나입니다 자원이 제한되어 있습니다 그래서 어느 날 당신은 우리는 -에 대해 이야기했다 이것은 당신이 어떻게 할 것인지를 보여주는 것입니다 이

결과를 어떻게 내 보이게합니까? 이런 결과에요 입력 데이터라는 매개 변수가 있습니다 당신이하는 일은 기본적으로 거기에 쿼리를 넣는 것입니다 그리고 데이터 프레임에 푸시됩니다 r의 경우 코드 예제를 살펴 보겠습니다

거기에 주황색 텍스트가 보입니다 기본적으로 입력 데이터 세트입니다 일반화 된 선형 침략 모델을 훈련하는 데 사용됩니다 그래서 매우 간단합니다 나는 많은 사람들이 그들은 이것들이 약간 두려워하는 것을 본다

당신은 매개 변수 이것은 기본적으로 어떻게 작동하는지입니다 어떤 쿼리라도 그 쿼리에 넣을 수 있고 r에 밀어 넣을 수 있습니다 스크립트 컴퓨팅 컨텍스트를 활용할 수 있습니다

여기이 사건에서 일어나는 것은 이것이 데이터는 기본적으로 가져올 필요가 없습니다 데이터는 기본적으로 데이터를 측량합니다 작은 데이터 세트가있는 경우 그리고 당신은 당신이 볼 수있는 성능 측정을합니다 데이터를 푸시하는이 방법은 예를 들어, 데이터를 연결하고 페치하려고합니다 데이터가 데이터 프레임에로드되지 않기 때문입니다

스크립트의 실제 실행 시간 동안 작은 데이터 세트를 저장하면 조금 절약 할 수 있습니다 시간이야 자, 이제부터 살펴 보도록하겠습니다 우리가 훈련 할 데모즘 함수 사용 우리는 모델을 훈련 할 것입니다

지금 흥미로운 점은 실제로이 일을하고 있다는 것입니다 azure cql에서이 작업을 수행 할 것입니다 미리보기가 있습니다 제한된 지역이지만 하늘빛에서는 시사 우리는 그것이 재미있을 것이라고 생각했습니다

거기에 데모를 보여주십시오 내가 무엇을하기 전에 먼저하자 Else가 이것을 실행하기 시작하면 코드를 볼 수 있습니다 그동안 우리는 여기 절차

이 호출을 외부 스크립트에 임베드합니다 여기에 언어가 있습니다 이 경우에는 r입니다 그리고 저는 이것이 실제로 예측이라고 봅니다 다른 대본을 보여 드리죠

나는 당신에게 훈련을 보여주고 싶었다 이제 예측을 실행하고 있습니다 따라서 같은 방식으로 우리는 외부 스크립트 호출을 내장했습니다 여기서 glm 함수를 호출 할 것입니다 그것은 여기서 일어나고 있습니다

우리는 그 공식을 줄 것입니다 우리가 원하는 것 – 그것이 무엇인지 우리가이 모델을 훈련하기를 원한다면 우리는 이 경우 기본적으로 예측하려고하는 것은 뉴욕입니다 new York 데이터 세트 네가 그걸 잘 알고 있는지 나는 모른다 고객이 팁을 주는지 여부를 예측하려고합니다

아니 그래서 다른 스크립트가 – 나는 다른 스크립트가 우리가 시작할 수 있도록 스크립트가 실행되었습니다 우리에게 제한이 있습니다 여러 스크립트를 동시에 실행할 수 없도록 미리보기가 있습니다 그래서 지금 이것은 훈련을 수행하고 있습니다

그리고 앞으로 갈 모델 이것의 결과가 나오면 결과물은 모델이 될 것입니다 그리고 우리는 그 모델을 데이터 베이스 우리는 또한 대시 보드를 가지고 있습니다 더 나은 개요를 얻는 데 사용할 수있는 맞춤 보고서 예를 들어, 기본적으로 모달 할 경우 우리가 가지고있는 모델과 그 모델의 개요를 관리하고 우리가 가진 버전 이것은 또한의 가치 중 하나입니다 데이터베이스에서이 기계 학습을하는 것은 당신이 취할 수있는 것입니다

Cql 서버의 장점은 모델 관리를 통해 할 수 있습니다 물론 올바른 버전을 사용하고있을 때 예를 들어, 생산 및 자주 재교육 스크립트로 돌아가서 스크립트가 여전히 작동하는지 확인해 보겠습니다 실행 중 >> 조금 걸립니다

데이터를 스크립트로 푸시하는이 입력 쿼리를 볼 수 있습니다 입력 쿼리를 통해 여기에 있습니다 >> 사용할 수있는 CPU에 대해주의 할 사항 클라우드와 최신 프로세서가 있습니다 이것은 내가 가지고있는 더 큰 서버보다 훨씬 빠릅니다 다른 하나는 CPU와 메모리 것입니다

>> 그리고 우리가 예측을 저장해두면 지금 테이블 기본적으로 우리는 그들을 만들고 있습니다 모든 응용 프로그램에서 사용할 수 있습니다 이것은 또 다른 큰 가치입니다 이전보다 더 많은 잠재 고객에게 제공되는 정보

자, 이제 가보자 되돌릴 수 있을까요? 이제 우리는 이야기 할 것입니다 우리가 스트리밍이라고 부르는 것에 대해 이것과 아무런 관련이 없다 netflix 및 cql 서버에서 스트리밍 비디오

순전히 청크로 데이터를 처리 할 수있는 것입니다 그것이 우리가 스트리밍에 관해 말할 때 의미하는 바입니다 따라서 sp를 사용하여 스트리밍하면 외부 스크립트가 실행되고 매개 변수는 주로 권장되거나 의도 된 매개 변수입니다 사용 된 함수 이것은 어떤 기능으로도 활용할 수있는 것입니다

요구 사항은 역할간에 종속성을 가져서는 안됩니다 예를 들어 교육을하고 있다면 최종 제품은 모델이 될 것입니다 그리고 훈련 기계 학습 스크립트는 올바른 데이터를 생성하기 위해 전체 데이터 세트를 필요로합니다 모델은 패턴과 학습에서 배우기 때문에 해당 데이터 집합 그래서 당신이 그것을 덩어리로 준다면 모델이 올바른 모델이 아닐 수도 있습니다

그래서 우리가 이런 식으로 스트리밍에 관해 이야기 할 때 우리는 주로 예측을하는 것을 의미하는 채점 시나리오에 초점을 맞 춥니 다 그리고 왜 사용해야하는지에 대한 아주 좋은 이유가 있습니다 스트리밍 스트리밍 할 수 있다는 의미입니다 기본적으로 스크립트에 처리 할 수있는 기회를줍니다

한 번에 조각 그리고 내가 언급했듯이 이것은 또한 함수를 위해 활용 될 수 있습니다 그렇다면 컴퓨팅 컨텍스트를 활용하여 활용할 필요가 있습니다 그것과 우리는 나중에 그것을 다시 할 것입니다 스트리밍 방식을 살펴 보겠습니다

실제로 작동합니다 우리는 15,000의 데이터 세트를 가지고 있습니다 행 우리는 가고있다 이걸 5 천 덩어리로 잘라 우리는 당신이 기본적으로 내가 스트리밍하길 원한다고 말하는 매개 변수를 가지고 있습니다

해당 매개 변수를 추가하고 개수를 정의합니다 한 번에 스트리밍하려는 행입니다 그래서 우리는 처음 5,000 줄을 보내기 시작할 것입니다 이 경우 스크립트가 시작되므로 스크립트가 시작됩니다 방법

이것은 예측입니다 이 첫 번째 5,000 개의 행에서 실행됩니다 위가 5,000 개의 첫 번째 배치를 실행하는 동안 우리는 다음 5,000을 보내기 시작하십시오 두 번째 배치를 처리하기 시작할 때 우리는 세 번째 데이터 덩어리 그리고 실행 시간 동안 무엇인가 일어난다

우리는 또한 결과가 있습니다 우리는 어떻게 그들을 돌려 보내야합니까? >> 이것을 다중으로 생각하십시오 플레 싱 모델 각각 보낼 수 있습니다 동시에 데이터 하나는 다음 스크립트가 실행 중입니다

동시에 스크립트에서 보낼 수 있습니다 모든 데이터 가져 오기 -이 작업을 처리하고 한 번에 한 행 씩 채점하려는 데이터 세트입니다 할당 된 메모리로 계속 수행 할 수 있습니다 >> 정확하게 코드를 살펴 보겠습니다

어떻게 사용 하시겠습니까? 꽤 간단합니다 읽기 매개 변수 당 행이 있습니다 배치 크기를 설정하면됩니다 거기에서 원한다 입력 쿼리, 입력 데이터로 분류 될 데이터 조각들

그리고 나서 예측이라고 부릅니다 스트리밍 기능과 활용 그 코드 행은 당신이 쓰는 것과 같은 것입니다 한 행 또는 백만 행의 채점 여기서 당신이 어떻게 많은 행 우리는 이것을 달성하기 위해 통합을 활용하고 있습니다

스트리밍 데모를 살펴 보겠습니다 이것이 예측 시나리오가 될 것입니다 우리가 갈 첫 번째 데이터 세트를 살펴 보겠습니다 용도 우리가 할 행은 340,000 행입니다

여기에서 스트리밍하십시오 다시 말하지만, 나는 저장 프로 시저를 가지고있다 그리고이 쿼리를 제공합니다 우리는 데이터를 스트리밍 할 예정입니다 다시 한번 당신이 패턴을 보길 바랍니다

우리는 여기서 스크립트의 끝으로 가서 매개 변수를 참조하십시오 그래서 여기에 우리가 가지고있는 것을 볼 수 있습니다 한 번에 100,000 행의 배치 크기를 정의했습니다 이것이 우리가 스트리밍을 어떻게 할 것인가입니다 이 경우

이제부터는 결과는 여기에 있습니다 강조해야 할 한 가지는 이것은 이것을 실행하는 단일 프로세스입니다 나는 그것을 안다 일들이 평행하게 돌아가고 있습니다 이것은 실제로 모든 것을 하나의 단일 프로세스로 실행합니다

출력에서 확인할 수 있습니다 너는 그것이 동일하다는 것을 볼 수있다 프로세스 iD 우리가 돌아 왔어 우리가 볼 수 있도록 인쇄물을 만들었습니다 우리가 전송하는 각 화면의 실제 크기

스트림 당 100,000 행입니다 우리에게는 340,000 가지가 있었으므로 우리는 세 개의 스트림을 가지고 10 만 개를 만들 것입니다 나머지 부분은 결국 작은 조각으로 처리됩니다 이것은 하늘빛에서도 달리고 있습니다 전제 조건과 작업 조건 모두에서 작동하는 것이 재미 있습니다

구름 속에서 병렬 처리에 대해 이야기 해 보겠습니다 혜택을 얻고 싶다면 이러한 통합 중 핵심 기능 중 하나는 사실 마비 된 기계 학습 스크립트를 실행하십시오 이 병렬 실행을 수행하는 두 가지 다른 방법이 있습니다 rx 함수를 사용하는 경우 컨텍스트를 계산 한 다음 작업을 설정할 수 있으며 일반적으로 rx 함수의 깊이

병렬 처리를 활용하면 이것이 우리가 이야기는 변덕스러운 paraalism입니다 우리가 그 이유라고 부르는 이유는 어떤 역할이 어떤 프로세스로 이동합니다 기본적으로 우리는 제어 할 수 있습니다 하지만 병렬 질의가 있다면 보내고있는 입력 쿼리를 계획하십시오 외부 스크립트 및 행간에 종속성이 없습니다

당신은 예측에 이것을 할 수 있고 이것을 활용할 수 있습니다 그리고 언급 된 기능을 위해서 또 다른 방법이 있습니다 레버리지에 대한 추천 그리고 거기에서 당신은 할 수 있습니다 병렬 교육이 매우 좋습니다

따라서 기본적으로 더 큰 데이터 세트로 확장하는 데 도움이됩니다 더 큰 데이터 세트는 더 짧아 질 수 있기 때문에 크기를 조정하십시오 처리 시간 할 수 있기 때문에 실행할 수 있습니다 병렬로 실행하십시오

여러 개의 CPU를 활용할 수 있습니다 또한 서버 병렬 실행과 통합됩니다 이제는 일괄 작업을 수행 할 수있는 새로운 기능이 추가되었습니다 열 저장 데이터 처리 이 경우 실제로 도움이 될 수 있습니다

>> 그래서 일괄 처리 모드에서 Cql 서버 이것은 기본적으로 두 가지입니다 전통적으로 일반적인 cql 서버가 실행되고 작동합니다 한 번에 한 행씩 따라서 인덱스에서는 일괄 처리의 개념입니다

999 행에 대한 데이터 열입니다 따라서이 데이터 배치의 장점은 고도로 압축되어 있습니다 전선을 통해 전송하는 것이 매우 효율적입니다 그래서 일반적으로 열과 같이 질의하는 경우 일괄 처리 클라이언트로 보내기 전에 행으로 변환하십시오 우리가 할 수있는 것은 우리는 배치를 r 사이트로 보낼 수 있으며 그런 다음 실제로 그것을 변환하는 우리 도서관이 있습니다

따라서 20 ~ 40 가지 혜택을 누릴 수 있습니다 16에서 17 사이의 벤치 마크에서는 40이됩니다 >>> 그럼 어떻게 활용하는지, 다른 매개 변수가 있습니다 너는 그것을 1로 설정했다 그리고 평행의 수 실행할 수있는 프로세스는 최대 설정에 따라 다릅니다

그래서이 경우 최대 도핑은 2입니다 우리는 두 가지 병렬 프로세스를 얻습니다 우리의 스크립트로 실행하면 우리는 결과를 돌려 보낼 것이다 코드를 다시 보면, 우리는 거기에 평행선을 가지고 있습니다 병렬 매개 변수를 볼 수 있습니다

그걸 1로 설정하십시오 쿼리가 병렬 계획으로 실행되고 있는지 확인하십시오 이렇게 예측을 실행할 수 있습니다 이제 실제로 스트리밍 및 사소한 데모를 보여 드리려고합니다 같은 시간에 paraalism

>> 여기서 볼 수있는 것은 매우 적습니다 당신이해야 할 일들 저장된 내용에서 많은 부분을 제어 할 수 있습니다 평행을 이루는 것 같았습니다 당신은 자동으로 병행

어떤 이유로 당신은 적은 구제책을 고수하면 스트리밍을 활성화 할 수 있습니다 이를 위해 어떤 식 으로든 논리를 변경하지 않습니다 우리가 본 빠른 스트리밍 예제를 살펴 보겠습니다 기본적으로 단일 데이터 세트처럼 실행됩니다 그래서 여기에 있습니다

많은 변화가 없습니다 이 결과물은 우리가 쓴 것입니다 여기에서 당신은 무슨 일이 일어나고 있는지 볼 수 없습니다 그리고 이것이 바로 메인입니다 최신 기능 예측 점수는 모델과 데이터를 제공합니까? 약 40 초가 걸립니다

주요 매개 변수는 다음과 같습니다 하나 나머지는 이 경우 모델을 선택하면 더 많은 내용이 표시됩니다 이것은 우리가 가지고있는 것과 같은 것입니다 각 일괄 처리, 나는 데이터를 기록했다

한 세트는 17 억 개가되었습니다 그래서 우리는 실제로 스크립트를 실행했습니다 이제 우리는 이제는 병렬로 더 많이 실행할 수 있습니다 이제 내가 여기로 돌아갈 수 있고 내가 여기에 오면 그래서이 모든 것들을 보았습니다 이들은 쿼리가 시작된 새로운 프로세스입니다

그리고 실제로 실행 중입니다 그래서 우리는 다른 세션이 실행중인 것과 같은면에서 볼 수 있습니다 >> 우리는 허브를 얻습니다 끝에 링크가 있습니다 >> 여기서 나는 메모 할 것이라고 생각한다

약 4 개가있다 실행중인 프로세스 그래서 첫 번째 과정은 36368처럼 그것은 약간의 시내를 얻을 것이다 이 경우 나는 다섯을 생각한다

다른 프로세스가 있습니다 기본적으로 데이터의 측면에서 점점 당신은 4 개의 cql을 가지고있다 병렬 실행입니다 >> 질의에 힌트를 주어야합니까? >> 아니

얼마나 많은 것을 제어하는 ​​것이 더 낫습니다이 상자에는 무엇이 있습니까? 그것은 240 정도입니다 그것은 가고있다 다른 데이터 사이트에 매우 의존합니다 나는 단지 통제하고 싶었다

그렇지 않으면 실제로 필요하지 않습니다 그래서 여기에서 우리는 두 번째 과정을 보았습니다 그리고 이것들은 모두 통제하에 있습니다 그리고 각각의 컬렉션과 컬렉션의 모든 컬렉션 또한 cql에서 수행 한 다음 다시 가져옵니다 이 창에서 다른 프로세스에서 온 경우에도 결국 당신은 이걸로 얻습니다

어쩌면 그것은 데이터베이스에서 끝납니다 – 당신은 여기에 올 수 있습니다 이 테이블을 여기에서 질의하십시오 >> 그래서 결국 우리는 기본적으로 자료 그게 전부 야 그래서 약 170 만입니다

그것이 우리가 득점 한 것입니다 그래서 그걸로하자 가기 이제 보았던 시나리오는 득점 시나리오 한 번에 한 행처럼

모델을 훈련하고 구축하려면 어떻게해야할까요? 그렇다면 이제는 계산 컨텍스트가 어떻게 실현되는지 볼 수 있습니다 서버 측에서 사용하십시오 이것은 훈련과 득점을 가능하게합니다 이전 시나리오에서와 같이 보았습니다 – 이제는 우리는 이것을 통해 다른 테이블로 바로 갈 수 있습니다 각 테이블은 같은 테이블에있을 수 있습니다

그런 식으로 당신은 실제로 r 쪽 그리고 나서 명백한 이점은 당신이 매우 효율적으로 활용하는 CPU를 활용 그래서 기능 훈련이 어떻게 작동하는지에 대한 예입니다 그래서이 예제에서는 cql 서버를 가지고 있습니다 너는 기본적으로 내가 학위를 쓸 것 같은데

여기에 삽화를위한 병렬 처리 이제 쿼리가 시작될 때 여기 두 프로세스로 이동합니다 그리고 이것은 기본적으로 많은 사람들이 Microsoft에서 구현 한 것입니다 병렬로 실행할 수있는 알고리즘 중 이제 어떻게 되나요? 결과와 각 프로세스는 모델 조각을 만듭니다

그래서 각각은 컴퓨팅입니다 그래서 그것은 선형과 같을 수 있습니다 완성 그래서 각 사람은 단편을 계산합니다 모델의

결국 당신은 다시 저장 프로 시저 그래서 결국에는 – 모든 일이 일어났습니다 그래서 이것은 병렬 교육은 기본적으로 효과가 있습니다 >> 그럼 너도 똑같이 해줄 까? 하나의 프로세스로 직렬 모드에서 작업하는 경우의 모델 만? >> 그래 이 하나 – 예를 들어 보증이 없다고해도 충분한 자원이 없기 때문에 항상 계획을 세우십시오

계획으로 전환하면 모든 것이 실행됩니다 그래서 이제 똑같은 것이 적용됩니다 이것은 정말로 힌트 일뿐입니다 Cql 서버를 실행하고 싶습니다 당신은 두 가지 또는 하나

귀하의 출력은 항상 같은 그래서 이것은 코드 조각입니다 그것은 내가 보여준 것과 정확히 같아서 당신은 계산 컨텍스트를 수행합니다 여기에서 주목할 것은 연결 문자열에 내가 사용할 것입니다 Windows는 걱정할 필요가없는 작업을 수행합니다

통합을 통해 원래 사용자를 사칭합니다 일부 데이터 세트에서 실행합니다 에 적용됩니다 연결이오고 있어요 여기 그렇게 할 필요가 없습니다 자격 증명을 입력하십시오

그래서 이것은 우리가 cql 서버에 가지고있는 통합 데모를 살펴 봅시다 그래서 여기에서 일어나는 일을 보도록하겠습니다 그래서 여기에서 우리는이 큰 테이블에서 똑같은 일을 할 것입니다 그래서이 데이터의 사본을 만들었습니다

이것은 약 31 백만입니다 큰 테이블은 1200 만입니다 방금이 사본을 가져 왔어 그것을 실행합니다

그리고 너처럼 80 샘플 등 그것이 우리가 여기서 할 수있는 것입니다 그래서 여기에있는 표 샘플을 사용하여 간단하게 작업 할 수 있습니다 씨앗 값 그리고 네가 본 것과 같은 조각 슬라이드에서 데이터 원본이라는 것을 정의합니다

그것은 마치 테이블처럼 생각하는 것과 같습니다 그럼 여기서 내 데이터가 퀴어에서 오는 것이라고 정의하십시오 그것은 테이블에서 나옵니다 이것이 당신이 정의 할 것입니다 그리고 당신은이 절차를 호출 할 것입니다

다른 주요 매개 변수는 다음과 같습니다 우리가 여기에서 말했듯이 기본적으로 당신은 cql 외부에서 값을 얻을 수있다 섬기는 사람 내가 가질 수있는이 경우에는 여기에서 그래서 당신은 이것을 실행할 수 있습니다

이리 와서 이걸 만들자 기계 아직 시작되지 않았습니다 일어나는 일 중 하나는 함수가 실제로하는 일입니다 얼마나 많은 데이터가 있는지보기위한 데이터 샘플링

그것은 그것이하는 일입니다 이것이 포털이 보여줄 다른 방법을 보지 못하는 이유입니다 실행 중인지 여부 아직도 확실하지 않습니다 한편 나는 당신에게 몇 가지 보고서를 보여줄 것입니다 고객에게 제공하는 기능 중 하나는 얼마나 많은 메모리 그것은 소비되고 있습니다

이 같은 빠른 보고서입니다 이미 이용할 수있는 것 이런 종류의 쇼가 4 테라 바이트의 메모리와 같습니다 이것은 약 1 테라 바이트를 사용하고 있습니다 최대 메모리 사용량은 약 225 기가와 같았습니다

여기에서 볼 수 있습니다 나는 여기에 실행중인 두 가지 버전의 cql을 가지고있다 17 소비가 적습니다 그래서 이것은 조각 중 하나입니다 우리가 여기있다

그래서 실제로 실행할 수 있습니다 그러면 쿼리가 표시됩니다 그래서 이것의 대부분은 이미 SQL의 일부이므로 그렇게 할 수 있습니다 얼마나 많은 메모리를 사용하고 있는지 파악하는 것만으로도 사용할 수 있습니다 그럼 시작했는지 봅시다

아직도하고있어 그 동안 여기에 와서 이것을 보겠습니다 이제는 cql과 같은 코드 조각입니다 저장 프로 시저 그래서 당신이 볼 수있는 정확한 – 데이터는 동일합니다

마치 당신이 계산 컨텍스트처럼 설정할 수 있습니다 데이터를 설정합니다 그래서 내가 좋아하는 방법 중 하나 기본적으로이 스크립트를 복사하여 짧은 절차 다시 여기로와 보자 실행 중입니다

괜찮아 그래서 여기서 실제로 충분한 데이터가없는 것처럼 보일 수 있습니다 나는 2300 만 명이었다 러닝 병렬 처리 효과가있을 것입니다

우리는이 스크립트를 실행합니다 이 스크립트는 또한 클라이언트와 같은 일을 할 것입니다 그것은 기본적으로 시작할 것입니다 일어나는 일 중 하나가 여기 있습니다 그래서이 모든 과정 탐색기가 – 그래서 32 초 정도 요

그래서 우리는 기본적으로 8 가지 프로세스 그리고 그게 우리가 얻은 결과입니다 이제 이것은 실제로 차갑습니다 나는 여기에 올 수있다 머신 64로 설정할 수 있습니다

여기 올 수 있습니다 64 느려질 것입니다 어쩌면 내가 32를 골라 줄거야 그게 64 할 데이터가 충분하지 않기 때문입니다 아마도 10 억 개의 행이나 그 이상이 필요할 것입니다

그럼 내가 여기 올거야 >> 기본적으로 매우 편리합니다 데이터 과학자로서 당신은 필요하지 않습니다 당신의 아이디 (iD)에서 일하기 당신은 단지 그것을 아는 것을 바꿀 필요가 없습니다 이러한 유형의 기능을 활용하는 방법

>> 그 일이 시작될 것입니다 이것은 처음 오는 전화입니다 그리고 나서 붐 이 녀석은 기본적으로 여기에서 보게 될 것입니다 프로세스

해야한다 32 거기 이 각각을 볼 수 있습니다 이 보고서에 오면 끝내야합니다 >> 너무 빠릅니다 >> 너무 빠릅니다

많은 시간 나는 그것을 잊는다 그래서 이것은 – 약 32 (약 32)는 8보다 느립니다 이전 것은 약 30 초 만에 완료되었습니다 1 억 행을 위해 싸우는 것은 더 느립니다 이것은 하나의 방법입니다

귀하의 데이터 세트에 따라 이것을 실행하고 싶습니다 4 ~ 8 개, 항상 4 개로 실행하고 싶습니까? 그것이 당신이 일반적으로하는 일입니다 보고서를 사용할 수 있습니다 그건 우리가 통합을 사용하는 사람들이 다음과 같은 이유로 사용하도록 권장하십시오 이것은 당신에게 이들 모두의 매우 높은 수준을 제공합니다

얼마나 많은 메모리를 필요로하는지 알 필요가 없습니다 어떤 사람이 이처럼 실행 중인지 확인하려면 쿼리해야합니까? 예 뭐하는 거니? 파일을 읽었습니까? 그래서 그것은 당신이 배울 수있는 훈련 시나리오입니다 그리고 우리가 이야기 할 마지막 특징은 우리가 부르는 것입니다 데이터 득점

지금까지 모든 것들로 달리기 및 훈련 또는 득점 그래서 여기서 이것은 새로운 것입니다 Cql 서버 2017 우리가 뭘했는지 마이크로 소프트 알고리즘, 그것의 점수 부분과 우리는 cql 서버에 넣어 함수로서 우리는 그것을 예측이라고 부른다

기능 그래서 그 뜻은 기계 학습 모델 시나리오를 실행하려면 삽입하십시오 끝이 없다 예를 들어 신용이 있습니다 카드 거래 및 원하는 점수

친숙하게, 당신은 대출을 가지고 있습니다 당신이 데려가는 신청서 중 일부를 배정하고 싶습니다 위험 점수 그래서 그것들이 시나리오입니다 이 하나에는 의존성이 없습니다

그것은 cql에서 부정적인 학습을하기 때문입니다 그래서 너는 부르짖을 필요가 없다 그래서 훨씬 더 빠릅니다 모든 cql 쿼리에서 사용할 수 있습니다 이 모양입니다

맨 위 부분은 모델을 얻는 방법과 같습니다 cql 쿼리만큼이나 간단합니다 하단에서 강조 표시 새 테이블 함수입니다 r 함수처럼 득점에 대한 모든 r 함수가 모델 및 데이터 너도 똑같은 일을 그에게 준다

모델 및 데이터 데이터는 테이블에서 가져올 수 있습니다 아니면 쿼리 또는 cpe 수 있습니다 임시 테이블이 될 수 있습니다 그런 다음 점수를 반환하거나 분류가 될 수 있습니다

모델에 따라 다릅니다 그리고 그것은 꽤 많이 있습니다 이 예제에서 우리는 기본적으로 이것을 취하여 삽입합니다 테이블에 >> 우리가 지원하는 모델, 우리는이 모델의 모든 모델을 지원합니까? >> 그래서 이것은 내가 말했듯이, 이것은 단지 rx 모델입니다

여기에는 약 5 개의 모델이 지원됩니다 따라서 앞으로 Microsoft 모델에 대해 더 많이 배울 것입니다 어느 쪽을 훈련시킬 수 있어요 명백하게, 당신이 훈련하는 경우에 5 가지 모델을 사용하여 점수를 매길 수 있습니다 >> 이것은 실제로 다음에서 사용할 수 있습니다

Azure cql 데이터베이스 >> 이것은 lennox에서 사용할 수 있습니다 당신이 그것을 사용할 수 있습니다 >> 그럼 모델을 살펴 보겠습니다 과 득점

이건 내가 친절한 절차 야 너를 보여 줬어 나는 여기 테이블을 가지고있다 이 하나의 데이터베이스, 일부 신용 카드 거래 시나리오 그리고 우리는 kbaeblg가 데이터에 사기성이 있으면 아니

거래 키, 거래 없음 양 그런 다음 위험 값이 있습니다 이 경우에 각자에게 말하고있는 것입니다 거래는 어디서 시작된 것입니까? 이 모든 열 이것은 큰 테이블에서 비롯됩니다

이 경우에는 열의 클러스터가 있습니다 일반적인 시작 유형과 같습니다 검색어 중 >> 이제 우리가 할 일은 어디 보자 – 우리를 알게되는 곳을 점수 얼마나 빨리 보자

나는 약 35 개의 기둥을 보냈습니다 이 일의 주요 이점은 무엇입니까? >> 같은 코드가 있습니다 기본적으로 나는 데모처럼 싶다 얼마나 빨리 파기가 될 것입니다 우리가 할 일은 우리가하는 것입니다

그런 다음 성장과 함께 모델링하고 임시 테이블 그렇지 않으면 우리는 예측의 일부로 등산을 포함하십시오 우리는 그 조각을 제거 할 것입니다 나는 할 예정이다 500 회 반복과 마찬가지로 테이블을 삽입하십시오 변수에 값을 할당합니다

이것은 가장 효율적인 종류의 효율적인 방법입니다 그것을 소비하십시오 과 그런 다음 그것은 원시 Cql 함수이므로 결정적입니다 각각 24 초 정도 걸립니다 그래서 100이라면 연결은 여전히 ​​각각의 것과 같습니다

이 사람은 약 23 줄에 100 줄을 채 웁니다 그래서 나는 이것을 할 수있다 – 이제는 다른 모델입니다 이제 다른 시나리오를 선택해 보겠습니다 이것은 다른 모델을 사용하고 있습니다

방금 저장하는 복잡한 쿼리입니다 일부 행 이 경우에는 단 하나의 행 그리고 우리도 똑같이 할 것입니다 우리는 이 사건을 당신이 여기 올 수 있고 그렇게하지 마십시오

많은 일을해라 밀리 초 그것은 정말로 큰 장점입니다 그것은 cql 함수입니다 >>> 시간이 없어

당신이 원하는 종류의 것을 요약하면됩니다 당신이 얼마나 오래 있는지 알고 싶다면 레벨을 볼 수 있습니다 데이터를 보내는 등의 작업이 필요합니까? 우리 한테 당신 한테 말해줘 일반 cql처럼 당신은 얼마나 많은 시간 cql을 찾을 수 있습니다 지출하고있다

데이터를 보내는 데 걸리는 시간 위로 cql 서버 빠른 방법은 실행하지만 스크립트가 전혀 없습니다 그것이하는 일은 모두 보내는 것입니다 데이터 및 아무것도하지 않고 돌아 오는 중 그리고 나서 마찬가지로 CPU와 메모리

어떻게 둘 다 cql 서버에서 제어 할 수 있습니다 정책을 설정할 수 있습니다 이것은하기가 어렵습니다 그리고 나서 기억은 다른 것입니다 맡은 일

너는 무엇에 대한 개요가있다 기능을 사용할 수 있으며 사용 방법 및 사용시기 적용 가능합니다 우리는 cql compute contest에 대해 다루었습니다 간단한 병렬 처리와 병렬 학습 및 rx에 대한 채점 기능 및 기본 점수 그래서 당신은 정말 좋은 도구 세트를 가지고 놀 수 있습니다

그리고 당신의 기계 학습을 최적화 할 수 있기 위해서 스크립트 우리는 튜토리얼을 가지고있다 그것들은 첫 번째 예언을하는 방법을 안내 할 것입니다 모델링 시나리오 및 우리가 보여준 보고서에 대한 링크 세션 내내 >> 게시 됨

>> 마이크로 소프트 cql 서버는 허브 저장소 고맙습니다 [박수] >> 질문이 있으시면 언제든지 이메일을 보내주십시오 도달 할 수있는 무언가를 만드는 데 관심이 있다면 우리 고객을 우리 연구소로 데려 가서 성능은 ml 또는 기능 구현에서 작동합니다 우리는 항상 그렇게합니다

어떤