Exasol kündigte Espresso AI auf der TDWI Transform 2024 mit der Einführung von drei neuen Funktionen für künstliche Intelligenz (KI) an, die Unternehmen helfen sollen, Datenanalysen schneller, kosteneffizienter und flexibler durchzuführen. Mit diesen neuen Funktionen gibt Espresso AI Unternehmen die Werkzeuge an die Hand, die sie benötigen, um die Leistungsfähigkeit ihrer Daten für fortschrittliche KI-gestützte Einblicke und Entscheidungsfindung zu nutzen. Durch den Einsatz von Espresso AI sind Datenteams in der Lage, geschäftskritische Anforderungen wie Nachfrageprognosen, Betrugserkennung und Abwanderungsprognosen zu erfüllen.

Exasol hat seine vielseitige Abfrage-Engine Exasol Espresso mit Espresso AI erweitert und bringt damit KI und Business Intelligence (BI) zusammen, um bessere BI-Berichte mit prädiktiven Machine Learning (ML)-Modellen zu ermöglichen. Espresso AI nutzt die Expertise von Exasol in den Bereichen Datenmanagement und -analyse und optimiert die Prozesse der Datenextraktion, des Ladens und der Transformation, um Anwendern die Flexibilität zu geben, sofort mit neuen Technologien in großem Umfang zu experimentieren, unabhängig von den Einschränkungen der Infrastruktur - ob vor Ort, in der Cloud oder als Hybridlösung. Anwender können die Kosten und den Aufwand für die Datenbewegung reduzieren und gleichzeitig neue Technologien wie große Sprachmodelle (LLMs) mit nur wenigen Klicks in ihre Datenbank integrieren.

Durch die Rationalisierung wichtiger Datenvorbereitungsschritte können Unternehmen ihren Weg zur Implementierung von KI- und ML-Lösungen beschleunigen und gleichzeitig die Qualität und Zuverlässigkeit ihrer Daten sicherstellen. Espresso AI ist ab sofort für Exasol Espresso-Kunden verfügbar und bietet tief integrierte KI-Funktionen und ML-Tools, darunter: evoML-Integration: Mit diesem autoML-Tool von TurinTech können Anwender die Leistung durch den Einsatz von ML-Modellen direkt in ihrer Datenbank maximieren; Exasol AI Lab: Eine neue Container-basierte Lösung, die es Datenwissenschaftlern ermöglicht, die In-Memory-Analyse-Datenbank von Exasol in ihr bevorzugtes Data-Science-Ökosystem zu integrieren, um optimierte KI-Modelle schneller zu erstellen und sie in großem Umfang einzusetzen; Veeoo-Integration: Diese jüngste Erweiterung von Espresso ermöglicht es Kunden, einfach Fragen in natürlicher Sprache zu stellen, um ihre Datenbank abzufragen und sofort vertrauenswürdige Antworten aus Milliarden von Datenzeilen zu erhalten. Die KI-Funktion von Vee bietet intelligente Vorschläge für Folgefragen, um die Datenexploration zu leiten und die Datenanalyse in eine ansprechende, interaktive Erfahrung zu verwandeln.

Exasol und TurinTech: Automatisch KI-Modelle erstellen, optimieren und einsetzen: Exasol hat seine Plattform nativ mit dem preisgekrönten evoML-Produkt von TurinTech integriert, so dass Kunden einen größeren Nutzen aus ihren Daten ziehen können. Durch die Kombination der Stärken beider Plattformen können Unternehmen die Vorteile der fortschrittlichen Datenanalyse mit KI nutzen, um schneller tiefere Einblicke zu gewinnen, die Zeit bis zum Erreichen von Ergebnissen von Wochen auf Tage zu verkürzen und die Produktivität sowohl der technischen als auch der geschäftlichen Teams zu steigern. All dies geschieht mit leicht verständlichen Visualisierungen und Modellcode. Exasol AI Lab - Erstellen Sie optimierte KI-Modelle schneller und setzen Sie sie in großem Maßstab ein: Exasol AI Lab, eine neue vorkonfigurierte Container-basierte Lösung, ermöglicht es Datenwissenschaftlern, die In-Memory-Analytik-Datenbank von Exasol nahtlos und schnell in ihr bevorzugtes Data Science-Ökosystem zu integrieren.

Das AI Lab ist der ideale Ausgangspunkt für Benutzer, um KI-Anwendungsfälle für Exasol zu implementieren, da es jede beliebige Data-Science-Sprache unterstützt und eine umfangreiche Liste von Technologie-Integrationen bietet, darunter PyTorch, Hugging Face, scikit-learn, TensorFlow, Ibis, Amazon SageMaker, Azure ML, Jupyter und mehr. Mit dieser neuen Funktion können Datenwissenschaftler Exasol problemlos für KI-bezogene Aufgaben wie das Laden von Daten, die Datenaufbereitung, das Modelltraining, die Modelloptimierung und die Modellbereitstellung verwenden.