GridGain Systems, компанія-розробник корпоративних рішень для перенесення обчислень в оперативну пам'ять на базі Apache Ignite, оголосила про випуск GridGain Professional Edition 2.4. Це корпоративна версія Apache Ignite 2.4 із всебічною підтримкою від GridGain Systems. У нову версію доданий фреймворк для безперервного навчання, що включає машинне навчання і багатошаровий перцептрон (нейронну мережу, яка дозволяє компаніям запускати алгоритми машинного і глибокого навчання на петабайтах операційних даних в режимі реального часу). Компанії можуть створювати та безперервно оновлювати моделі — з величезною швидкістю, яку забезпечують обчислення в оперативній пам'яті, а також із можливістю горизонтального масштабування. GridGain Professional Edition 2.4 також дозволяє збільшити ефективність роботи Apache Spark завдяки API для кадрів даних Spark (доданий до існуючої підтримки RDD в Spark).

GridGain Professional Edition 2.4 - це перша версія, яка повністю підтримує інтегроване машинне навчання та багатошаровий перцептрон Apache Ignite. Таким чином, безперервне машинне/глибоке навчання буде доступне безпосередньо в GridGain. Оптимізуючи бібліотеки машинного навчання для масово-паралельних обчислень, нова версія може значно прискорити машинне навчання великих обсягах даних. Обробка даних безпосередньо в кластері GridGain дозволяє забезпечити безперервний процес навчання: більше не потрібно переміщувати транзакційні дані до окремої бази перед навчанням моделі. Результат — навчання в реальному часі, а також безперервне навчання з меншою складністю та зниженими витратами, порівняно з традиційними підходами.

Новий фреймворк безперервного навчання GridGain - це структурний елемент для внутрішньопроцесних додатків, що використовують гібридну транзакційно-аналітичну обробку даних (HTAP) У таких програмах інформаційна модель постійно навчається на основі вхідних даних. Завдяки внутрішньопроцесним HTAP-обчисленням, додатки нового покоління можуть користуватися перевагами навчання в реальному часі. Різні бізнес-додатки зможуть приймати ефективніші рішення в реальному часі — запобігати шахрайству, давати рекомендації у сфері електронної комерції, схвалювати кредити, керувати логістикою та обслуговуванням транспортних систем.

Тепер GridGain може використовуватися для зберігання та керування кадрами даних Spark. Підтримка кадрів даних розширює підтримку Spark, яка і раніше була найповнішою серед in-memory платформ. GridGain як і раніше включає GridGain RDD API для доступу до даних GridGain як до змінюваних RDD, а також файлової системи Ignite (IGFS), яка дозволяє використовувати GridGain як in-memory реалізацію розподіленої файлової системи Hadoop (HDFS).

Spark може використовуватися для обробки даних у GridGain як кадрів даних або RDD, а також для збереження кадрів даних або RDD в GridGain для подальшої обробки. Ці можливості дозволяють Spark-розробникам використовувати GridGain як in-memory сховище для доступу, збереження та обміну даними між завданнями Spark. GridGain підтримує ANSI-99 SQL, включаючи індексування даних, тому Apache Spark може використовувати розподілений SQL платформи GridGain для підвищення продуктивності нерегламентованих запитів до 1 тис. разів. Розробники Spark можуть також використовувати фреймворк безперервного навчання для автоматизації рішень та постійного оновлення моделей з метою покращення результатів у реальному часі.

Компаніям, які прагнуть автоматизувати більш інтелектуальний процес ухвалення рішень, необхідно привести до постійної співпраці дві сторони цифрового мозку — машинне навчання та систему автоматичного ухвалення рішень. З виходом нової версії GridGain стало можливим безперервне навчання інформаційних моделей у реальному часі на великих масивах даних, зі швидкістю та масштабом in-memory обчислень, з меншими складнощами та витратами. Це перший крок до того, щоб внутрішньопроцесні HTAP-додатки керували програмами безперервного навчання, які, у свою чергу, забезпечать реалізацію ініціатив з цифрової трансформації та впровадження омніканальності.