Tempo商業(yè)智能平臺(tái)
Tempo人工智能平臺(tái)
Tempo數(shù)據(jù)工廠平臺(tái)
Tempo指標(biāo)平臺(tái)
Tempo數(shù)據(jù)資產(chǎn)管理平臺(tái)
Tempo主數(shù)據(jù)管理平臺(tái)
首頁(yè)Tempo大數(shù)據(jù)分析平臺(tái)內(nèi)嵌200余種數(shù)據(jù)挖掘分析方法，涉及數(shù)據(jù)處理、統(tǒng)計(jì)圖表、回歸、聚類、分類、關(guān)聯(lián)規(guī)則、時(shí)間序列、綜合評(píng)價(jià)、文本分析等九大類別。基于大數(shù)據(jù)的分布式挖掘應(yīng)用算法引擎，Tempo平臺(tái)實(shí)現(xiàn)了100余種分布式方法，支持海量數(shù)據(jù)的快速處理分析。
Tempo大數(shù)據(jù)分析平臺(tái)中涵蓋視覺(jué)聚類、L1/2稀疏迭代、稀疏時(shí)間序列和信息抽取等10余種美林獨(dú)創(chuàng)領(lǐng)先世界的數(shù)據(jù)挖掘算法。其中：
視覺(jué)聚類算法。基于人類視覺(jué)原理模擬數(shù)據(jù)逐級(jí)聚類分析，過(guò)程包含了數(shù)據(jù)的一系列分群，最終將視覺(jué)存活周期最大時(shí)的分群作為最佳聚類結(jié)果。視覺(jué)聚類算法的優(yōu)點(diǎn)在于，它既不依賴任何初值，也不涉及整體優(yōu)化問(wèn)題，可克服傳統(tǒng)算法對(duì)初值敏感、難以找到最優(yōu)聚類，難以確定聚類個(gè)數(shù)等缺陷。
應(yīng)用案例：數(shù)據(jù)時(shí)代，數(shù)據(jù)安全對(duì)于企業(yè)而言非常重要，一旦數(shù)據(jù)被外部人員竊取，后果將十分嚴(yán)重。傳統(tǒng)小數(shù)據(jù)量的環(huán)境下，管理員依靠設(shè)置一些基礎(chǔ)的安全策略，基本上能滿足數(shù)據(jù)安全保護(hù)。在大數(shù)據(jù)環(huán)境下，面對(duì)海量實(shí)時(shí)數(shù)據(jù)流和多元化用例場(chǎng)景，有限數(shù)量的規(guī)則策略已經(jīng)不能保證數(shù)據(jù)的絕對(duì)安全。將視覺(jué)聚類引入識(shí)別新的網(wǎng)絡(luò)入侵，通過(guò)分析每個(gè)用戶的特征信息和操作行為信息，如請(qǐng)求時(shí)間、IP地址、訪問(wèn)的時(shí)間周期、訪問(wèn)頻率、是否為增加操作、是否刪除操作、是否為查詢操作、提交任務(wù)的資源需求、提交任務(wù)執(zhí)行時(shí)長(zhǎng)等，自動(dòng)確定聚類個(gè)數(shù)（即用戶數(shù)據(jù)訪問(wèn)行為分群），能夠快速分析并發(fā)現(xiàn)正常訪問(wèn)、已有入侵行為和新入侵行為之間的特征差異，為實(shí)現(xiàn)用戶訪問(wèn)行為監(jiān)控、非法入侵和違法安全規(guī)則監(jiān)控提供輔助決策支撐。
L1/2稀疏迭代算法。L1/2稀疏迭代算法是基于極小化損失函數(shù)與關(guān)于解的1/2范數(shù)正則項(xiàng)的高效稀疏算法。L1/2稀疏性高，在求解回歸問(wèn)題和分類問(wèn)題時(shí)，面對(duì)冗余、高維變量，在保留原始數(shù)據(jù)信息不損失情況下能更快速地找到關(guān)鍵影響因素，大大提升整個(gè)分析計(jì)算的效率和性能。
應(yīng)用案例：某鋼鐵企業(yè)在硅鋼生產(chǎn)線上，由于多種復(fù)雜因素的作用，成品表面有時(shí)會(huì)形成一種稱為縱條紋的瓦楞狀缺陷?？v條紋缺陷不僅影響產(chǎn)品的外觀效果，而且對(duì)產(chǎn)品的物理性能有著直接的影響。縱條紋缺陷鋼占生產(chǎn)量的30%左右，每年給企業(yè)帶來(lái)巨大的經(jīng)濟(jì)損失。對(duì)硅鋼縱條紋質(zhì)量故障進(jìn)行診斷，通過(guò)收集硅鋼在鍋爐冶煉、熱軋粗軋、熱軋精軋、酸洗、軋制、退火及涂層和剪切等過(guò)程的多個(gè)特征數(shù)據(jù)，如連鑄中包溫度、連鑄拉速、各種元素的鑄坯成分、粗軋出口溫度、精軋出口溫度、卷取溫度等，利用L1/2算法尋找到鑄坯硅成分、鑄坯鋁成分、粗軋出口溫度、精軋出口溫度等關(guān)鍵少數(shù)的幾個(gè)影響因素，同時(shí)尋找到硅鋼質(zhì)量良好生產(chǎn)的控制策略，為硅鋼縱條紋的故障檢測(cè)和質(zhì)量診斷提供輔助依據(jù)，直接為企業(yè)挽回每年近千萬(wàn)的經(jīng)濟(jì)損失。
稀疏時(shí)間序列。稀疏時(shí)間序列將L1/2正則化理論引入到AR時(shí)間序列中，建立了基于L1/2約束的稀疏時(shí)間序列模型，較之自回歸移動(dòng)平均模型（ARMA），該算法將定階和求解過(guò)程統(tǒng)一，解決了傳統(tǒng)時(shí)間序列算法定階難問(wèn)題，提高了定階和預(yù)測(cè)速度。
應(yīng)用案例：準(zhǔn)確地預(yù)測(cè)出地區(qū)的月售電量，對(duì)于電力公司決策者合理地確定銷售電量總定額、分解售電量銷售指標(biāo)、做好電力企業(yè)的經(jīng)營(yíng)有著重要實(shí)際意義。月度售電量受區(qū)域宏觀經(jīng)濟(jì)、區(qū)域電力需求及各種不同類型用戶的構(gòu)成比例等多重因素影響，因而預(yù)測(cè)難度較大。在某電力公司售電量預(yù)測(cè)應(yīng)用中，依據(jù)“讓歷史告訴未來(lái)”的思路，考慮歷史售電量的發(fā)展特點(diǎn)和變化規(guī)律，包括周期性、趨勢(shì)性、季節(jié)性、隨機(jī)擾動(dòng)性等，進(jìn)行未來(lái)一段時(shí)間的售電量預(yù)測(cè)。利用稀疏時(shí)間序列的自動(dòng)定階和快速預(yù)測(cè)優(yōu)勢(shì)，使得月度售電量預(yù)測(cè)相對(duì)誤差由原來(lái)的5%以上降低在1%以下，同時(shí)大大提高了預(yù)測(cè)效率，為電力公司開(kāi)展電費(fèi)管理、電價(jià)管理、電力需求側(cè)管理等工作提供基礎(chǔ)輔助支撐。
信息抽取。該算法通過(guò)設(shè)計(jì)特定的語(yǔ)法規(guī)范，構(gòu)建規(guī)則模板引擎，提供給用戶靈活的信息抽取接口。相比其他數(shù)據(jù)挖掘算法，用戶在利用平臺(tái)的信息抽取算法時(shí)，只需要按照語(yǔ)法規(guī)范編寫規(guī)則，就可以完成指定信息的快速抽取與結(jié)構(gòu)化內(nèi)容的準(zhǔn)確輸出。
應(yīng)用案例：某金融服務(wù)機(jī)構(gòu)向客戶發(fā)送的短信息是文本形式的（如逾期、房貸、申請(qǐng)等具體業(yè)務(wù)內(nèi)容），需要從這些文本短信中分析出有價(jià)值的信息等，以有效支撐其客戶關(guān)系維系和運(yùn)營(yíng)管理。對(duì)于歷史短信量達(dá)到TB級(jí)，且每個(gè)月以2億條的增加增速在增加，通過(guò)模糊查詢搜索匹配相關(guān)關(guān)鍵字篩選出有價(jià)值的信息（如逾期相關(guān)信息），一是需要人工梳理大量的關(guān)鍵字以窮舉所有可能的情況，耗費(fèi)大量的時(shí)間和人力成本，且可擴(kuò)展性差，二是匹配的內(nèi)容精準(zhǔn)度差，準(zhǔn)確性難以保障。在金融信貸類短信分析中，利用信息抽取算法通過(guò)編寫規(guī)則模板，可以從海量文本中抽取有價(jià)值信息，分析每個(gè)用戶的借款機(jī)構(gòu)、是否逾期、逾期時(shí)間、借款金額等信息的精準(zhǔn)抽取，有效地發(fā)現(xiàn)短信客戶的失信風(fēng)險(xiǎn)，有利于金融機(jī)構(gòu)進(jìn)行風(fēng)險(xiǎn)控制防范。
用戶可以靈活地使用Tempo平臺(tái)內(nèi)嵌的獨(dú)創(chuàng)數(shù)據(jù)挖掘算法，實(shí)現(xiàn)大數(shù)據(jù)高級(jí)分析，準(zhǔn)確性和響應(yīng)速度等性能明顯優(yōu)于同類經(jīng)典算法，能更快速、更直觀地洞悉數(shù)據(jù)特征，發(fā)現(xiàn)企業(yè)業(yè)務(wù)和流程中潛在、隱藏的規(guī)律和價(jià)值。
陜公網(wǎng)安備 61019002000171號(hào)
服務(wù)熱線
400-608-2558
咨詢熱線
15502965860
