Blog

In der Google Cloud ist Vertex AI das MLOps-Framework. Es ist sehr flexibel und kann grundsätzlich mit jedem beliebigen Modellierungs-Framework verwendet werden. Einige sind jedoch etwas einfacher zu nutzen als andere: TensorFlow, XGBoost und scikit-learn beispielsweise werden mit vorgefertigten und durchaus hilfreichen Container-Images unterstützt. nDieser Blogbeitrag zeigt, wie Du andere Frameworks einsetzen kannst. Wir verwenden ein LightGBM-Modell als Beispiel, der Arbeitsablauf kann aber recht leicht auf jedes andere Modellierungspaket übertragen werden.

Als Data Scientists trainieren wir regelmäßig unterschiedliche Machine-Learning-Modelle in der Cloud. Wie Du Dein Modelltraining mithilfe von Python Packages nun strukturierst, erfährst Du hier. Denn obwohl jedes Modell seinen eigenen, individuellen Anwendungszweck hat, fällt irgendwann auf, dass Codeschnipsel von einem Projekt in das andere kopiert werden. Bei mir ist es häufig Code für das Einlesen von Daten aus einer Datenbank oder für einen Preprocessing-Schritt. Um genau dieses Kopieren von Code zu vermeiden, sind Python-Pakete ideal geeignet – oft genutzte Funktionen lassen sich an einem Ort sammeln. Dies bringt viele Vorteile bei der Wartung und dem Testing des Codes.Im folgenden Blogartikel wollen wir uns ansehen, wie ein Python-Paket in der GCP nutzbar gemacht und in einen Vertex-AI-Training-Job eingebunden werden kann.

Nachdem wir in den ersten Artikeln einen Ausflug in die Welt von Ray gemacht haben, wollen wir uns jetzt Vertex AI – dem Schlüsselbereich aller Machine Learning Services in GCP – widmen. Pipelines sollen das Leben in der Machine-Learning-Welt einfacher machen. Sie versprechen, durch ein hohes Maß an Automatisierung Entwicklungszyklen zu verkürzen. Außerdem soll das Team durch eine Abstraktion der Infrastruktur keine Expertise mit Microservices etc. benötigen und kann sich stattdessen auf seine Kernkompetenzen fokussieren.

In diesem Blogbeitrag wollen wir uns an einem einfachen Beispiel ansehen, wie eine Machine Learning Pipeline in Vertex AI aufgesetzt werden kann.

Die SAP Data Warehouse Cloud bietet Nutzer:innen neue Wege, um Daten im Unternehmen zu verarbeiten und zu nutzen. Mit der „SAP BW Bridge for SAP Data Warehouse Cloud“ wird es Kund:innen mit einem On-Premise-SAP-BW nun erleichtert, den Schritt in die Cloud zu gehen. Wir zeigen Dir hier, was die BW Bridge ausmacht und wodurch sie Dich auf der Reise in die Cloud unterstützt!

Zehn Jahre ist es nun her, dass der SQL Server 2012 das Licht der Welt erblickte. Zehn Jahre, und nun soll Schluss sein – zumindest, was den Extended Support betrifft. Bevor wir darüber sprechen, was das bedeutet und wie Deine Optionen aussehen, möchte ich den Anlass nutzen, um nochmal eben diese zehn Jahre zurückzublicken: auf Dinge, deren Grundstein damals gelegt und die heute Standard in der Datenbanklandschaft und speziell im BI-Kontext sind.

Für spezifische Anwendungsfälle, wie das Deckungsbeitragsschema, ist die Darstellung von Kennzahlen in einer Dimensionstabelle anstelle der klassischen Faktentabelle sinnvoll. In diesem Beitrag zeigen wir Dir Charakteristika und einen Implementierungsansatz in Power BI.

Immer öfter wird Power BI nicht nur als Self-Service-Tool eingesetzt, sondern bildet auch die Grundlage von operationalisierten Analytics-Anwendungen vieler international agierender Unternehmen oder sogar im B2B-Bereich. Gerade hier entsteht der Bedarf, Power BI Reports in mehreren Sprachen anzuzeigen. Nun muss man sich entscheiden: Erstelle ich einen Report pro Sprache oder versuche ich, meinen Report nach einer Sprache filterbar zu gestalten? Wir wollen uns in diesem Beitrag letzteren Ansatz anschauen

In diesem Beitrag wird es nun um die Protegrity-Plattform im Detail und das Zusammenspiel mit Exasol gehen. Die Protegrity-Plattform hat den Anspruch, einen weitreichenden Schutz der Daten entlang verschiedener Applikationen und Datenspeicher End2End zu realisieren.

Genauso, wie die meisten von uns in der Musik harmonische Akkorde Dissonanzen vorziehen, so erreicht man auch erst mit der Harmonisierung von Data Strategy, Data Organization und Data Governance maximale Effekte in der Wertschöpfung. Wir beantworten die wichtigsten Fragen und zeigen erfolgreiche Beispiele.

Wenn wir einfache deskriptive Analysen durchführen, beschränken wir uns nur selten auf die Mittelwerte. Häufiger werfen wir einen Blick auf die ganze Verteilung, sehen uns Histogramme, Quantile und Ähnliches an. Mittelwerte allein führen oft zu falschen Schlussfolgerungen und unterschlagen wichtige Informationen. Warum vergessen wir das, sobald wir Vorhersagemodelle erstellen? Diese zielen meist nur auf Mittelwerte – und die lügen.

Wenn Du Dich für die SAP Analytics Cloud entscheidest, wirst du schnell mit der Frage konfrontiert sein, welche Fähigkeiten Benutzer:innen zur Verfügung gestellt werden sollen. Die Antwort darauf wird im Betriebskonzept festgehalten. Wir zeigen Dir hier, was dabei zu beachten ist!

Bei der Auswahl des Verbindungstyps sind verschiedene Aspekte zu beachten. Erfahre hier, welche dies sind und welche Szenarien mit den jeweiligen Verbindungen abgedeckt werden können!