Gartner报告：正处于数据科学与机器学习工具 “大爆炸”的时代

H2O.ai 在 2 月 5 日召开了 H2O 世界大会，由于市场竞争激烈，以及客户对其能力的一些担忧，H2O.ai 从领导者象限跌落到有远见者象限中。但，其核心开源机器学习组件的性能仍然是 H2O.ai 的强项，它基于 GPU 的深度学习和无人驾驶人工智能的自动机器学习能力令 Gartner 印象深刻。但是，对于非开发人员来说，学习曲线过于陡峭，而且缺乏管理能力，数据访问和数据准备的能力也欠缺，这些都是令人担忧的问题。

据 Gartner 的说法，Mathworks 在满足以资产为中心的行业客户的需求方面有着 “惊人的力量”(该公司在制造商和工程组织中有着多年的经验)。因此，MathWorks 从挑战者象限向有远见者象限迈出了巨大的一步。它提供的 MATLAB 因其 “民间工程师” 能力而广受赞誉，而实时流媒体、深度学习和仿真的集成数据准备和支持，给人们留下了深刻的印象。Dings 很难被非工程师使用，而且不支持 Google Cloud Platform，缺乏自动机器学习能力也是其不利因素。

Microsoft 凭借基于云端的产品取得了不错的成绩，包括 Azure Machine Learning、Azure Data Factory、Azure HDInsight、Power BI。Microsoft 与第三方合作的方式，尤其是 Databricks 的 Spark 产品，对各种数据角色(包括入门级的机器学习爱好者)的支持也是一个加分项。机器学习过程中的自动化是一个问题，所有不同工具的一致性也是如此。缺乏本地化能力也限制了它的适用性。

尽管 IBM 在 2019 年仍然留在有远见者象限，但它已经失去了优势。IBM Watson Studio 产品的全面性得到了 Gartner 的称赞，该产品为专家和民间数据科学家提供服务。将 SPSS 建模器集成到 Watson Studio 中也得到了称赞。但是，IBM 重塑产品和转变战略的频率是 Gartner 关注的问题，因为获得完整的端到端功能还需要多个产品的许可授权。

Google 在数据科学和机器学习平台排名方面表现相当不错，很大程度上这要归功于 Google 的云端上广泛的可用工具。它的核心数据科学平台包括 Cloud ML Engine、Cloud AutoML、TensorFlow 和 BigQuery ML。但是 Google 也提供了独特的硬件，包括 Tensor 处理单元(Tensor Processing Unit，TPU)、Kaggle 众包以及一系列其他产品。对 Google 来说，可扩展性和速度是 Google 的优势。但是，这些工具之间缺乏端到端的一致性是个问题，而且也缺乏可用性。另外，缺少本地化产品也是个问题。

特定领域者象限

特定领域者象限有四家供应商。

SAP 的 Predictive Analytics(PA)产品与 HANA 紧密集成，使其适合 SAP HANA 客户。处理大型 HANA 数据集和江模型部署到 SAP 应用的能力是强项。SAP 对统一机器学习架构的愿景也是如此，它与 Leonardo 机器学习基金会相关。然而，产品的一致性、不断变化的人工智能战略以及客户体验，都是对这家德国巨头不利的标志。

Domino Data Lab 从有远见者象限降级，这主要反映了其感知执行能力的下降。Gartner 很欣赏 Domino 的产品战略，尤其是它专注于协作和构建端到端解决方案。它与开源和专有产品的整合能力是额外的优势，它的可扩展性也是如此。但是，根据 Gartner 的调查，Domino 侧重于专家数据科学家，这让民间数据科学家感到不满，而且它还缺乏一些数据准备、自动化和增强功能。

Anaconda 仍然属于特定领域者类别。Anaconda 产品的主要优势在于它能够接触开源 Python 社区，该社区继续推动数据科学的创新。它扩展开源 Python 的能力也是个优势。但是根据 Gartner 的说法，成功使用 Anaconda 平台所需的专业知识是一个警示，Python “丛林” 的复杂性也是一个问题。对开源社区的依赖也使客户在需要某些特定内容时处于劣势(Gartner 使用了模型操作化的示例)，整体的一致性水平也是缺点之一。

（编辑：核心网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!