描述
Perpetual ML Suite 被设计为一个全面的、一体化的机器学习工作室,可满足独立开发者和数据科学团队的需求。其核心价值主张是加速实现预测能力的过程,使用户能够在最短的时间内获得最佳结果。该平台通过一个直观的 Web 界面简化了复杂的 ML 工作流,该界面直接与现有数据仓库集成,确保数据安全且受治理。
关键功能包括 PerpetualBooster,这是一种在 AutoML 基准测试中被评为第一的自动模型训练算法。该套件还提供持续学习功能,通过将学习过程相对于批次数从 O(n^2) 优化到 O(n),显著减少了总训练时间。一个突出的功能是“最优业务决策”,它允许用户直接优化用户定义的业务目标,例如最大化利润或最小化风险,确保 ML 模型能够带来切实的业务成果。
为了管理 ML 生命周期,Perpetual ML 提供了强大的实验跟踪功能,可以轻松监控、比较和重现所有训练实验。模型注册表充当生产就绪模型的安全、版本控制的存储库,促进协作。监控工具可主动检测数据和模型漂移,而无需重新训练或地面实况。部署在统一平台内针对批处理和实时推理进行了优化。
Perpetual ML 强调数据原生方法,直接与 Snowflake 等数据云集成(即将支持 Databricks)。这意味着数据永远不会离开用户的数据仓库,从而利用现有的安全和治理策略。Marimo Notebooks 环境通过响应式和协作式界面进一步增强了数据探索和模型开发。这种方法使 Perpetual ML 成为寻求通过高级机器学习能力最大化其数据投资价值的组织的强大解决方案。
Perpetual ML的核心功能
使用 PerpetualBooster 自动训练
持续学习以缩短训练时间
最优业务决策
实验跟踪和比较
版本控制的模型注册表
数据漂移和模型漂移监控
批处理和实时模型部署
Marimo Notebooks 用于数据探索
原生 Snowflake 集成
数据永不离开数据仓库
如何使用 Perpetual ML?
连接数据:与您现有的数据仓库集成,从 Snowflake 开始。
自动训练模型:利用 PerpetualBooster 进行自动化模型训练。
跟踪实验:监控和比较您的所有模型训练运行。
管理模型:在模型注册表中存储和版本化生产就绪的模型。
监控性能:跟踪指标、数据漂移和模型漂移。
部署模型:无缝部署模型以进行批处理或实时推理。
持续学习:实施持续学习以进行持续优化。
Perpetual ML的使用案例
- 自动化模型训练
- 持续模型改进
- 业务驱动的 ML
- 实验管理
- 生产模型部署
- 漂移检测
- 协作式 ML 开发
- 数据仓库 ML 集成



