Splunk Ups机器学习赌注
我写的是Elastic的另一天的机器学习公司Prelert以及Elastic认为这笔交易如何看出它从Splunk的市场份额,公开上市的爷爷在空间中(当然,当然,你可以拥有一个爷爷只有十年左右的空间)。
无论如何,Splunk听到了声明,而且不喜欢它。该公司周二拥有一台机器学习公告,并试图阐明超出Prelert(和其他供应商)的提供量。
总体公告是Splunk各种产品的新版本 - Splunk Enterprise,Splunk IT服务智能,Splunk Enterprise Security和Splunk用户行为分析。所有这些唯一的产品都是“升级”,最新的Splunk在机器学习中采取了机器学习,以便在特定用例内利用机器数据。
尽管有这些产品提供,但它们利用了一个共同的机器学习平台,即Splunk断言将允许非技术用户从机器学习中受益。潜入核心牢房,最新的一体化现在支持单变量和多变量异常检测。要翻译,多变体算法可以分析一组指标或KPI,这些标准或KPI预计以类似的方式行事,以便当其中一个或多个从同龄人离开时提醒组织。例如(由于这是一点点火箭科学,因此,示例使我们只有凡人才能理解),在数据中心操作的情况下,Splunk将在CPU使用率,磁盘使用和网络使用度量的组合时提醒用户基于他们的历史行为开始表现异常。
这里的潜在趋势是利用数据和学习,并将其应用于基本业务问题之一。在过去几十年中,普遍改善的管理口头禅可以自动化,更换在人类干预内容:
“数字转型改变了组织的工作方式。大秘诀在于所有的变化都是由机器数据支撑的。机器学习使组织能够从他们的机器数据中获得更深的洞察力,最终增加了客户可以从数字转型中获得的机会,“Splunk总裁兼首席执行官Doug Merritt说。“企业机器数据结构是管理和从规模中的数据管理和获取见解的基础 - 并且只有Splunk提供端到端的分析平台和生态系统支持它。”
这听起来很好,但它实际上如何适用于现实世界用例?
机器学习改变了大数据周围的对话 - 不再是它自动享受的数据,而是能够自动化学习,改进和采取部分数据可以导致的部分的能力。这是Splunk的自然延伸,他们一直是在尽可能多的数据中啜饮。公司所看到的潜在用例包括:
重点调查:通过自动检测Data.intelligent警报的异常和模式来识别和解决IT和安全事件:通过识别特定情况集的正常模式来减少警报疲劳.PREDITIVE行动:预计并对可能扰乱运营或收入的主动维护等情节作出反应。商业优化:预测需求,管理库存并通过分析历史数据和模型来改变条件。因此,这些不同的产品介绍了Splunk的机器学习的广泛平台,将它们应用于不同的业务问题 - 安全,服务管理等。Splunk的机器学习专注于三个主要区域:
聚类:占据一堆数据并将它们放入组.Classification:带来预测。发布:使用历史价值观并提出未来的预测。Splunk正在考虑广泛适用的织物,以及这里的高度特定的垂直用例。对于前者,Splunk平台提供超过20多个机器学习命令。机器学习工具包扩展了Splunk平台,利用具有超过300种不同算法的开源Python库。这些可以直接应用于特定用例的检测,警报或分析数据,无论是针对IT还是安全性。此外,ML工具包为数据科学家提供了一个导游的工作台,以建立自己的模型。
所有这些都听起来很棒,但它是机器学习橡胶的地方,真正依赖的道路。那么Splunk的平台如何在该领域中使用?一些例子:
Telus使用机器学习监测来自20,000多个小区塔的噪声增加,以提高服务和设备可用性和平均修复时间(MTTR).Zillow使用自定义异常检测来查找由于代码和配置而导致错误500S中的误差偏差的服务器池更改.Kinney Group在Indy 500中使用了Schmidt Peterson Motorsports的Splunk ML Toolkit。与Splunk,Kinney Group的支持相结合,在Indy500和合格期间监控跟踪条件和汽车性能。在活动期间,在所有三个SPM赛车上进行实时运营数据分析。mypov.
我是一个宽阔而深刻的公司的傻瓜。通过提供广泛适用的机器学习平台,Splunk提供了组织能够解决Splunk永远不会设计特定产品的所有随机业务问题。
但与此同时,它提供的各种深度垂直产品具有大量的感觉,并允许具有这些特定问题的组织的最简单的斜坡,以便开始使用机器学习。Splunk在其公开上市的皮肤上进行了良好的工作,并留在产品执行上 - 这个新平台看起来是一个很好的例子。