Eine Big-Data-Plattform ist eine Architektur für Business-Analysen, die alle Komponenten zur Unterstützung von Data Warehousing, Dateneingabe und -verarbeitung in Echtzeit, maschinellem Lernen (ML) und Entwicklung von Künstlicher Intelligenz (KI) umfasst.

Große Datenmengen lassen sich recht einfach sammeln. Entscheidend für die Entwicklung eines zielführenden Machine-Learning-Modells ist jedoch eine smarte Datenkennzeichnung. Fehler können für Anwender schnell teuer werden. Doch wie generiert man effizient hochwertige Datensätze?

Das Sammeln großer Datenmengen gestaltet sich heute relativ einfach. Entscheidend für die Entwicklung eines zielführenden Machine-Learning-Modells ist jedoch eine smarte Vorgehensweise bei der Datenkennzeichnung. Da Fehler für den Anwender kostenintensiv werden können, stellt sich die Frage: Wie generiert man möglichst effektiv hochwertige Datensätze?

Eine Big-Data-Plattform ist eine Architektur für Business-Analysen, die alle Komponenten zur Unterstützung von Data Warehousing, Dateneingabe und -verarbeitung in Echtzeit, maschinellem Lernen (ML) und Entwicklung von Künstlicher Intelligenz (KI) umfasst.

Im vergangenen Jahr hat sich Amazon verpflichtet, bis 2025 die Technikkompetenzen von weltweit 29 Millionen Menschen mit kostenlosen Cloud-Computing-Schulungen zu verbessern. Die neue Serie „Machine Learning Essentials for Business and Technical Decision Makers“ ist ein weiterer Schritt in diese Richtung.

AWS ist die Cloud-Infrastruktur mit dem größten Marktanteil. Das liegt unter anderem auch daran, dass es in der Cloudplattform umfassende Möglichkeiten zur Analyse von Daten gibt. Wir geben in diesem Beitrag einen Überblick.

Wenn mehrere Applikationen eine Datenbank verwenden, die nicht die jeweils applikationsspezifischen Anforderungen erfüllen kann, hilft das Command-Query-Responsibility-Segregation-Architekturmuster (CQRS) weiter. Es trennt schreibende und lesende Zugriffe, sodass diese voneinander getrennt und auf verschiedenen Datenbanken ausgeführt werden.

Amazon Web Services hat auf seiner Kundenveranstaltung AWS re:Invent 2020 im Dezember eine Reihe von Produkten für den Industrial IoT Markt vorgestellt. Wir haben einen näheren Blick darauf geworfen und stellen diese kurz vor.

Mit Amazon HealthLake sollen Kunden im Gesundheitswesen und in den Biowissenschaften leichter großen Datenmengen im Petabyte-Bereich analysieren können. Die neue Babelfish-Funktion für den Amazon-Aurora-PostgreSQL-Service greift das Lizenzgeschäft von Anbietern relationaler Datenbanken an und soll Kunden helfen, Lizenzgebühren zu sparen.

Heutzutage sind Daten in Unternehmen allgegenwärtig, doch nur mit ihrer schnellen Analyse können sie Prozesse beschleunigen. Bei datengetriebenen Entscheidungen muss eine hohe Datenqualität gewährleistet sein. Gleichzeitig gilt es zu verhindern, dass Ausreißer Einfluss auf wichtige Entscheidungen nehmen. Doch wie können solche Anomalien in Sensordaten von Produktionsmaschinen erkannt und verarbeitet werden?