AutoML te permite analizar fácilmente un conjunto de datos de entrenamiento y generar analítica predictiva sobre el dataset sin requerir que te involucres en el complejo proceso de entrenamiento ML que implica seleccionar los algoritmos ML correctos para entrenar el modelo, preprocesar o perfilar los datos, o gestionar los modelos. Catalyst implementa el entrenamiento de modelos necesario y automatiza todo el proceso por ti.

QuickML, por otro lado, te brinda más control en la gestión de operaciones ML y de datos, y te permite construir, probar, desplegar y monitorear modelos ML efectivos de extremo a extremo. Podrás realizar una gran cantidad de operaciones de preprocesamiento y transformación de datos, elegir los algoritmos ML para el entrenamiento y diseñar el pipeline exactamente como lo necesites, todo sin necesidad de codificación.

Los datos de los usuarios se cifran y almacenan de forma segura cumpliendo con todas las medidas de seguridad aplicadas en Zoho. Los datos subidos no se usarán para mejorar la precisión de ninguno de los algoritmos de la plataforma QuickML. Solo se usan para entrenar el modelo del cliente previsto que el usuario configure.

Los proyectos de Catalyst están diseñados para proporcionar un aislamiento claro entre los datos que se manejan. No es posible acceder a los datos de un proyecto desde otro.

La puntuación de calidad de los datos se calcula mediante métricas internas considerando los valores inválidos y faltantes presentes en el dataset.

Usando las APIs masivas de Zoho CRM, se obtendrán un máximo de seiscientos mil registros en QuickML incluso si se configura la sincronización.

Puedes editar la opción de sincronización de un dataset en particular eligiendo la opción None en el menú desplegable de Sync Frequency en la página de detalles del dataset.

Sí. Puedes usar múltiples datasets en un solo pipeline usando la etapa Add Dataset y configurando el dataset requerido en ella.

Data Pipeline está diseñado para realizar preprocesamiento de datos en el dataset original y reutilizar el dataset para futuras creaciones de pipelines. Por lo tanto, el Data Pipeline solo tendrá operaciones de datos, mientras que el ML Pipeline contendrá tanto operaciones de datos como de ML.

El perfil en la página de detalles del dataset representa los detalles de todos los datos, pero el perfil en la etapa source representa los detalles de los datos muestreados del dataset original.

No. Una vez que la columna objetivo del pipeline se guarda, no se puede cambiar. Se deberá crear un nuevo ML Pipeline con la nueva columna objetivo para experimentar.

Las funcionalidades de Zia son modelos ML/DL internos que están pre-entrenados usando grandes datasets de código abierto para resolver casos de uso comunes e integrados en el builder para mejorar las capacidades de preprocesamiento de datos.

Todas las ejecuciones de pipelines se ponen en cola y se manejan de forma asíncrona dentro de QuickML y, según la demanda, la ejecución se llevará a cabo.

En ciertos casos, la operación podría ser más costosa en términos de computación, por lo que puede haber un retraso. Sin embargo, el estado de la ejecución del pipeline se actualizará respectivamente una vez que la ejecución tenga éxito o falle.

El modelo se creará automáticamente tras la ejecución exitosa del Model Pipeline.

Una vez que los modelos se crean, podemos ver los detalles asociados con ese modelo y pipeline en el módulo de modelos.

Cuando creamos un endpoint para un modelo, la plataforma QuickML habilita automáticamente un endpoint de API REST que sirve para probar y verificar el comportamiento del modelo, y es gratuito para 1000 invocaciones.

Después de verificar, el endpoint debe publicarse para acceder a él en el entorno de producción para integraciones de nivel productivo y se cobrará según el uso.

Hay dos modos disponibles para integrar los endpoints de QuickML.

REST API: Llamadas a la API REST autenticadas con Zoho OAuth.
QuickML SDKs: Se pueden realizar llamadas externas usando los SDKs de Catalyst para Java, Python y NodeJs.