Posts

Cloudera und Hortonworks vollenden geplante Fusion

Kombiniertes „ Open-Source-Powerhouse” wird die branchenweit erste Enterprise Data Cloud vom Netzwerk-Rand (Edge) bis hin zu künstlicher Intelligenz bauen.

München, Palo Alto (Kalifornien), 03. Januar 2019 – Cloudera, Inc. (NYSE: CLDR) hat den Abschluss seiner Fusion mit Hortonworks, Inc. bekanntgegeben. Cloudera wird die erste Enterprise Data Cloud bereitstellen, die die ganze Macht der Daten freisetzt, welche sich in einer beliebigen Cloud vom Netzwerk-Rand (Edge) bis zur KI bewegen –  all dies basierend auf einer hundertprozentigen Open-Source-Datenplattform. Die Enterprise Data Cloud unterstützt sowohl hybride als auch Multi-Cloud-Deployments. Unternehmen erhalten dadurch die nötige Flexibilität, um Machine Learning und Analysen mit ihren Daten, auf ihre Art und Weise und ohne Lock-in durchzuführen.

„Heute startet ein aufregendes neues Kapitel für Cloudera als führender Anbieter von Enterprise Data Clouds”, so Tom Reilly, Chief Executive Officer von Cloudera. „Das kombinierte Team und Technologieportfolio etabliert das neue Cloudera als klaren Marktführer mit der Größe und den Ressourcen für weitere Innovationen und Wachstum. Wir bieten unseren Kunden eine umfassende Lösung, um die richtige Datenanalyse für Daten überall dort bereitzustellen, wo das Unternehmen arbeiten muss, vom Edge bis zur KI, mit der branchenweit ersten Enterprise Data Cloud”.  

Ergänzend dazu stellte das Forschungsunternehmen Forrester fest1, dass „diese Fusion … die Messlatte für Innovationen im Big-Data-Bereich höher legen wird, insbesondere bei der Unterstützung einer durchgehenden Big-Data-Strategie in einer Hybrid- und Multi-Cloud-Umgebung. Wir glauben, dass dies eine Win-Win-Situation für Kunden, Partner und Lieferanten ist.”

Cloudera wird weiterhin unter dem Symbol „CLDR” an der New Yorker Börse gehandelt. Die Aktionäre von Hortonworks erhielten 1,305 Stammaktien von Cloudera für jede Aktie von Hortonworks.

Das Cloudera-Management wird am 10. Januar 2019 um 19:00 Uhr ein Online-Meeting veranstalten, um zu diskutieren, wie das neue Cloudera Innovationen beschleunigen und die erste Enterprise Data Cloud der Branche liefern wird. Registrieren Sie sich jetzt. Die Veranstaltung wird am 14. Januar 2019 um 14:00 Uhr auch für die EMEA-Region stattfinden. Registrieren Sie sich hier für dieses Webinar.

1 „Cloudera And Hortonworks Merger: A Win-Win For All”, Beitrag von Noel Yuhanna im Forrester-Blog (4. Oktober 2018)

Über Cloudera

Bei Cloudera glauben wir, dass Daten morgen Dinge ermöglichen werden, die heute noch unmöglich sind. Wir versetzen Menschen in die Lage, komplexe Daten in klare, umsetzbare Erkenntnisse zu transformieren. Cloudera stellt dafür eine Enterprise Data Cloud bereit – für alle Daten, jederzeit, vom Netzwerkrand (Edge) bis hin zu künstlicher Intelligenz. Mit der Innovationskraft der Open-Source-Community treibt Cloudera die digitale Transformation für die größten Unternehmen der Welt voran. Erfahren Sie mehr unter  de.cloudera.com/.

Cloudera und damit verbundene Zeichen und Warenzeichen sind registrierte Warenzeichen der Cloudera Inc. Alle anderen Unternehmen und Produktnamen können Warenzeichen der jeweiligen Besitzer sein.

Cloudera beschleunigt die KI-Industrialisierung mit Cloud nativer Machine-Learning-Plattform

Neues Cloudera-Angebot vereinfacht Machine-Learning-Workflows mit einer einheitlichen Erfahrung für Data Engineering und Data Science auf Kubernetes.

München, Palo Alto (Kalifornien), 5. Dezember 2018 – Cloudera, Inc. (NYSE: CLDR) hat eine Vorschau auf eine neue, Cloud-basierte Machine-Learning-Plattform der nächsten Generation auf Basis von Kubernetes veröffentlicht. Das kommende Cloudera Machine Learning erweitert das Angebot von Cloudera für Self-Service Data Science im Unternehmen. Es bietet eine schnelle Bereitstellung und automatische Skalierung sowie eine containerisierte, verteilte Verarbeitung auf heterogenen Rechnern. Cloudera Machine Learning gewährleistet auch einen sicheren Datenzugriff mit einem einheitlichen Erlebnis in lokalen, Public-Cloud- und hybriden Umgebungen.

Im Gegensatz zu Data-Science-Tools, die nur Teile des Machine-Learning-Workflows adressieren oder nur für die Public Cloud verfügbar sind, kombiniert Cloudera Machine Learning Data Engineering und Data Science, auf beliebigen Daten und überall. Darüber hinaus werden Datensilos aufgelöst, um den kompletten Machine-Learning-Workflow zu vereinfachen und zu beschleunigen. Unternehmen können ab sofort hier Zugang zu einer Vorabversion von Cloudera Machine Learning anfragen.

Container und das Kubernetes-Ökosystem ermöglichen die Agilität der Cloud in verschiedenen Umgebungen mit einer konsistenten Erfahrung und ermöglichen die Bereitstellung skalierbarer Services für die IT in hybriden und Multi-Cloud-Implementierungen. Gleichzeitig sind Unternehmen bestrebt, komplette Machine-Learning-Workflows zu operationalisieren und zu skalieren. Mit Cloudera Machine Learning können Unternehmen Machine Learning von der Forschung bis zur Produktion beschleunigen. Benutzer sind in der Lage, Umgebungen einfach bereitzustellen und Ressourcen zu skalieren und müssen so weniger Zeit für die Infrastruktur und können mehr Zeit für Innovationen aufwenden.

Zu den Fähigkeiten gehören:

  • Nahtlose Portierbarkeit über Private Cloud, Public Cloud und Hybrid Cloud auf Basis von Kubernetes.

  • Schnelle Cloud-Bereitstellung und automatische Skalierung.

  • Skalierbares Data Engineering und Machine Learning mit nahtloser Abhängigkeitsverwaltung durch containerisiertes Python, R und Spark-on-Kubernetes.

  • Hochgeschwindigkeits-Deep-Learning mit verteiltem GPU-Scheduling und Training.

  • Sicherer Datenzugriff über HDFS, Cloud Object Stores und externe Datenbanken hinweg.

„Teams produktiver zu machen, ist entscheidend für die Skalierung von Machine Learning im Unternehmen. Modelle konsistent über eine hochskalierbare, transparente Infrastruktur zu erstellen und einzusetzen und dabei überall auf Daten zuzugreifen, erfordert aber eine neuartige Plattform”, sagt Hilary Mason, General Manager, Machine Learning bei Cloudera. „Cloudera Machine Learning vereint die kritischen Funktionen von Data Engineering, kollaborativer Exploration, Modelltraining und -bereitstellung in einer Cloud-basierten Plattform, die dort läuft, wo Sie sie benötigen – mit den integrierten Sicherheits-, Governance- und Managementfunktionen, die unsere Kunden nachfragen.”

„Bei Akamai haben wir ausgereifte Web-Sicherheitssysteme auf der Grundlage einer umfassenden Datenanalyse und -verarbeitung aufgebaut. Dabei ist uns bewusst geworden, dass Geschwindigkeit und Skalierbarkeit entscheidend für die Erkennung von Anomalien im Internet sind”, sagt Oren Marmor, DevOps Manager, Web Security bei Akamai. „Die Agilität, die Docker und Kubernetes Apache Spark verleihen, ist für uns ein wichtiger Baustein, sowohl für Data Science als auch für Data Engineering. Wir freuen uns sehr über die Einführung der kommenden Cloudera Machine Learning Plattform. Die Möglichkeit, mit der Plattform das Abhängigkeitsmanagement von Betriebssystemen und Bibliotheken zu vereinfachen, ist eine vielversprechende Entwicklung.”


Matt Brandwein, Senior Director of Products bei Cloudera, erläutert im Video, wie die neue Cloudera Plattform Teams in die Lage versetzt, Machine Learning im Unternehmen zu entwickeln und einzusetzen.

Mit Cloudera Machine Learning sowie der Forschung und fachkundigen Beratung durch die Cloudera Fast Forward Labs bietet Cloudera einen umfassenden Ansatz zur Beschleunigung der Industrialisierung von KI.

Um Kunden dabei zu unterstützen, KI überall zu nutzen, hat das Applied Research Team von Cloudera kürzlich Federated Learning eingeführt, um Machine-Learning-Modelle von der Cloud bis zum Edge einzusetzen, gleichzeitig den Datenschutz zu gewährleisten und den Aufwand für die Netzwerkkommunikation zu reduzieren. Der Bericht bietet eine detaillierte, technische Erläuterung des Ansatzes sowie praktische technische Empfehlungen, die sich mit Anwendungsfällen in den Bereichen Mobilfunk, Gesundheitswesen und Fertigung befassen, einschließlich IoT-gesteuerter Predictive Maintenance.

„Federated Learning beseitigt Hindernisse für die Anwendung von Machine Learning in stark regulierten und wettbewerbsorientierten Branchen. Wir freuen uns sehr, unseren Kunden helfen zu können, damit Starthilfe für die Industrialisierung der KI zu erhalten”, so Mike Lee Williams, Forschungsingenieur bei Cloudera Fast Forward Labs.


Mike Lee Williams, Research Engineer bei den Cloudera Fast Forward Labs, erklärt im Video, wie Machine-Learning-Systeme mit Hilfe von Federated Learning ohne direkten Zugriff auf Trainingsdaten aufgebaut werden können. 

Über Cloudera

Bei Cloudera glauben wir, dass Daten morgen Dinge ermöglichen werden, die heute noch unmöglich sind. Wir versetzen Menschen in die Lage, komplexe Daten in klare, umsetzbare Erkenntnisse zu transformieren. Wir sind die moderne Plattform für Machine Learning und Analysen, optimiert für die Cloud. Die größten Unternehmen der Welt vertrauen Cloudera bei der Lösung ihrer herausforderndsten, geschäftlichen Probleme. Weitere Informationen finden Sie unter de.cloudera.com/.

Interview – Die Bedeutung von Machine Learning für das Data Driven Business

Um das Optimum aus ihren Daten zu holen, müssen Unternehmen Data Analytics vorantreiben, um Entscheidungsprozesse für Innovation und Differenzierung stärker zu automatisieren. Die Data Science scheint hier der richtige Ansatz zu sein, ist aber ein neues und schnelllebiges Feld, das viele Sackgassen kennt. Cloudera Fast Forward Labs unterstützt Unternehmen dabei sich umzustrukturieren, Prozesse zu automatisieren und somit neue Innovationen zu schaffen.

Alice Albrecht ist Research Engineer bei Cloudera Fast Forward Labs. Dort widmet sie sich der Weiterentwicklung von Machine Learning und Künstlicher Intelligenz. Die Ergebnisse ihrer Forschungen nutzt sie, um ihren Kunden konkrete Ratschläge und funktionierende Prototypen anzubieten. Bevor sie zu Fast Forward Labs kam, arbeitete sie in Finanz- und Technologieunternehmen als Data Science Expertin und Produkt Managerin. Alice Albrecht konzentriert sich nicht nur darauf, Maschinen “coole Dinge” beizubringen, sondern setzt sich auch als Mentorin für andere Wissenschaftler ein. Während ihrer Promotion der kognitiven Neurowissenschaften in Yale untersuchte Alice, wie Menschen sensorische Informationen aus ihrer Umwelt verarbeiten und zusammenfassen.

english-flagRead this article in English:
“Interview – The Importance of Machine Learning for the Data Driven Business”


Data Science Blog: Frau Albrecht, Sie sind eine bekannte Keynote-Referentin für Data Science und Künstliche Intelligenz. Während Data Science bereits im Alltag vieler Unternehmen angekommen ist, scheint Deep Learning der neueste Trend zu sein. Ist Künstliche Intelligenz für Unternehmen schon normal oder ein überbewerteter Hype?

Ich würde sagen, nichts von beidem stimmt. Data Science ist inzwischen zwar weit verbreitet, aber die Unternehmen haben immer noch Schwierigkeiten, diese neue Disziplin in ihr bestehendes Geschäft zu integrieren. Ich denke nicht, dass Deep Learning mittlerweile Teil des Business as usual ist – und das sollte es auch nicht sein. Wie jedes andere Tool, braucht auch die Integration von Deep Learning Modellen in die Strukturen eines Unternehmens eine klar definierte Vorgehensweise. Alles andere führt ins Chaos.

Data Science Blog: Nur um sicherzugehen, worüber wir reden: Was sind die Unterschiede und Überschneidungen zwischen Data Analytics, Data Science, Machine Learning, Deep Learning und Künstlicher Intelligenz?

Hier bei Cloudera Fast Forward Labs verstehen wir unter Data Analytics das Sammeln und Addieren von Daten – meist für schnelle Diagramme und Berichte. Data Science hingegen löst Geschäftsprobleme, indem sie sie analysiert, Prozesse mit den gesammelten Daten abgleicht und anschließend entsprechende Vorgänge prognostiziert. Beim Machine Learning geht es darum, Probleme mit neuartigen Feedbackschleifen zu lösen, die sich mit der Anzahl der zur Verfügung stehenden Daten noch detaillierter bearbeiten lassen. Deep Learning ist eine besondere Form des Machine Learnings und ist selbst kein eigenständiges Konzept oder Tool. Künstliche Intelligenz zapft etwas Komplizierteres an, als das, was wir heute sehen. Hier geht es um weit mehr als nur darum, Maschinen darauf zu trainieren, immer wieder dasselbe zu tun oder begrenzte Probleme zu lösen.

Data Science Blog: Und wie können wir hier den Kontext zu Big Data herstellen?

Theoretisch gesehen gibt es Data Science ja bereits seit Jahrzehnten. Die Bausteine für modernes Machine Learning, Deep Learning und Künstliche Intelligenz basieren auf mathematischen Theoremen, die bis in die 40er und 50er Jahre zurückreichen. Die Herausforderung bestand damals darin, dass Rechenleistung und Datenspeicherkapazität einfach zu teuer für die zu implementierenden Ansätze waren. Heute ist das anders. Nicht nur die Kosten für die Datenspeicherung sind erheblich gesunken, auch Open-Source-Technologien wie etwa Apache Hadoop haben es möglich gemacht, jedes Datenvolumen zu geringen Kosten zu speichern. Rechenleistung, Cloud-Lösungen und auch hoch spezialisierte Chip-Architekturen, sind jetzt auch auf Anfrage für einen bestimmten Zeitraum verfügbar. Die geringeren Kosten für Datenspeicherung und Rechenleistung sowie eine wachsende Liste von Tools und Ressourcen, die über die Open-Source-Community verfügbar sind, ermöglichen es Unternehmen jeder Größe, von sämtlichen Daten zu profitieren.

Data Science Blog: Was sind die Herausforderungen beim Einstieg in Data Science?

Ich sehe zwei große Herausforderungen: Eine davon ist die Sicherstellung der organisatorischen Ausrichtung auf Ergebnisse, die die Data Scientists liefern werden (und das Timing für diese Projekte).  Die zweite Hürde besteht darin, sicherzustellen, dass sie über die richtigen Daten verfügen, bevor sie mit dem Einstellen von Data Science Experten beginnen. Das kann “tricky” sein, wenn man im Unternehmen nicht bereits über Know-how in diesem Segment verfügt. Daher ist es manchmal besser, im ersten Schritt einen Data Engineer oder Data Strategist einzustellen, bevor man mit dem Aufbau eines Data Science Team beginnt.

Data Science Blog: Es gibt viele Diskussionen darüber, wie man ein datengesteuertes Unternehmen aufbauen kann. Geht es bei Data Science nur darum, am Ende das Kundenverhalten besser zu verstehen?

Nein “Data Driven” bedeutet nicht nur, die Kunden besser zu verstehen – obwohl das eine Möglichkeit ist, wie Data Science einem Unternehmen helfen kann. Abgesehen vom Aufbau einer Organisation, die sich auf Daten und Analysen stützt, um Entscheidungen über das Kundenverhalten oder andere Aspekte zu treffen, bedeutet es, dass Daten das Unternehmen und seine Produkte voranbringen.

Data Science Blog: Die Zahl der Technologien, Tools und Frameworks nimmt zu, was zu mehr Komplexität führt. Müssen Unternehmen immer auf dem Laufenden bleiben oder könnte es ebenso hilfreich sein, zu warten und Pioniere zu imitieren?

Obwohl es generell für Unternehmen nicht ratsam ist, pauschal jede neue Entwicklung zu übernehmen, ist es wichtig, dass sie mit den neuen Rahmenbedingungen Schritt halten. Wenn ein Unternehmen wartet, um zu sehen, was andere tun, und deshalb nicht in neue Entwicklungen investiert, haben sie den Anschluss meist schon verpasst.

Data Science Blog: Global Player verfügen meist über ein großes Budget für Forschung und den Aufbau von Data Labs. Mittelständische Unternehmen stehen immer unter dem Druck, den Break-Even schnell zu erreichen. Wie können wir die Wertschöpfung von Data Science beschleunigen?

Ein Team zu haben, das sich auf ein bestimmtes Set von Projekten konzentriert, die gut durchdacht und auf das Geschäft ausgerichtet sind, macht den Unterschied aus. Data Science und Machine Learning müssen nicht auf Forschung und Innovation verzichten, um Werte zu schaffen. Der größte Unterschied besteht darin, dass sich kleinere Teams stärker bewusst sein müssen, wie sich ihre Projektwahl in neue Rahmenbedingungen und ihre besonderen akuten und kurzfristigen Geschäftsanforderungen einfügt.

Data Science Blog: Wie hilft Cloudera Fast Forward Labs anderen Unternehmen, den Einstieg in Machine Learning zu beschleunigen?

Wir beraten Unternehmen, basierend auf ihren speziellen Bedürfnissen, über die neuesten Trends im Bereich Machine Learning und Data Science. Und wir zeigen ihnen, wie sie ihre Datenteams aufbauen und strukturieren können, um genau die Fähigkeiten zu entwickeln, die sie benötigen, um ihre Ziele zu erreichen.

Data Science Blog: Zum Schluss noch eine Frage an unsere jüngeren Leser, die eine Karriere als Datenexperte anstreben: Was macht einen guten Data Scientist aus? Arbeiten sie lieber mit introvertierten Coding-Nerds oder den Data-loving Business-Experten?

Ein guter Data Scientist sollte sehr neugierig sein und eine Liebe für die Art und Weise haben, wie Daten zu neuen Entdeckungen und Innovationen führen und die nächste Generation von Produkten antreiben können.  Menschen, die im Data Science Umfeld erfolgreich sind, kommen nicht nur aus der IT. Sie können aus allen möglichen Bereichen kommen und über die unterschiedlichsten Backgrounds verfügen.

Interview – The Importance of Machine Learning for the Data Driven Business

To become more data-driven, organizations must mature their analytics and automate more of their decision making processes for innovation and differentiation. Data science seems like the right approach, yet is a new and fast moving field that seems to have as many dead ends as it has high ways to value. Cloudera Fast Forward Labs, led by Hilary Mason, shows companies the way.

Alice Albrecht is a research engineer at Cloudera Fast Forward Labs.  She spends her days researching the latest and greatest in machine learning and artificial intelligence and bringing that knowledge to working prototypes and delivering concrete advice for clients.  Prior to joining Fast Forward Labs, Alice worked in both finance and technology companies as a practicing data scientist, data science leader, and – most recently – a data product manager.  In addition to teaching machines to do cool things, Alice is passionate about mentoring and helping others grow in their careers.  Alice holds a PhD from Yale in cognitive neuroscience where she studied how humans summarize sensory information from the world around them and the neural substrates that underlie those summaries.

Read this article in German:
“Interview – Die Bedeutung von Machine Learning für das Data Driven Business“

Data Science Blog: Ms. Albrecht, you are a well-known keynote speaker for data science and artificial intelligence. While data science has arrived business already, deep learning seems to be the new trend. Is artificial intelligence for business already normal business or is it an overrated hype?

I’d say it isn’t either of those two options.  Data science is now widely adopted but companies still struggle to integrate this new discipline into their existing businesses.  As for deep learning, it really depends on the company that’s looking into using this technique.  I wouldn’t say that deep learning is by any means part of business as usual- nor should it be.  It’s a tool like any other and building a capacity for using a tool without clearly defined business needs is a recipe for disaster.

Data Science Blog: Just to make sure what we are talking about: What are the differences and overlaps between data analytics, data science, machine learning, deep learning and artificial intelligence?

Here at Cloudera Fast Forward Labs, we like to think of data analytics as collecting data and counting things (mostly for quick charts and reports).  Data science solves business problems by counting cleverly and predicting things with the data that’s collected.  Machine learning is about solving problems with new kinds of feedback loops that improve with more data.  Deep learning is a particular type of machine learning and is not itself a separate concept or type of tool.  Artificial intelligence taps into something more complicated than what we’re seeing today – it’s much broader than training machines to repetitively do very specialized tasks or solve very narrow problems.

Data Science Blog: And how can we add the context to big data?

From a theoretical perspective, data science has been around for decades. The building blocks for modern day machine learning, deep learning and artificial intelligence are based on mathematical theorems  that go back to the 1940’s and 1950’s. The challenge was that at the time, compute power and data storage capacity were simply too expensive for the approaches to be implemented. Today that’s all changed.. Not only has the cost of data storage dropped considerably, open source technology like Apache Hadoop has made it possible to store any volume of data at costs approaching zero. Compute power, even highly specialised chip architectures, are now also available on demand and only for the time organisations need them through public and private cloud solutions. The decreased cost of both data storage and compute power, together with a growing list of tools and resources readily available via the open source community allows companies of any size to benefit from data (no matter that size of that data).

Data Science Blog: What are the challenges for organizations in getting started with data science?

I see two big challenges when getting started with data science.  One is ensuring that you have organizational alignment around exactly what type of work data scientists will deliver (and timing for those projects).  The second hurdle is around ensuring that you have the right data in place before you start hiring data scientists. This can be tricky if you don’t have in-house expertise in this area, so sometimes it’s better to hire a data engineer or a data strategist (or director of data science) before you ever get started building out a data science team.

Data Science Blog: There are many discussions about how to build a data-driven business. Is it just about using data science to get a better understanding of customer behavior?

No, being data driven doesn’t just mean better understanding your customers (though that is one way that data science can help in an organization).  Aside from building an organization that relies on data and analytics to help them make decisions (about customer behavior or otherwise), being a data-driven business means that data is powering your core products.

Data Science Blog: The number of technologies, tools and frameworks is increasing. For organizations this also means increasing complexity. Do companies need to stay always up-to-date or could it be an advice to wait and imitate pioneers later?

While it’s not critical (or advisable) for organizations to adopt every new advancement that comes along, it is critical for them to stay abreast of emerging frameworks.  If a business waits to see what others are doing, and therefore don’t invest in understanding how new advancements can affect their particular business, they’ve likely already missed the boat.

Data Science Blog: Global players have big budgets just for doing research and setting up data labs. Middle-sized companies need to see the break even point soon. How can we accelerate the value generation of data science?

Having a team that is highly focused on a specific set of projects that are well-scoped and aligned to the business makes all the difference.  Data science and machine learning don’t have to sacrifice doing research and being innovative in order to produce value.  The biggest difference is that smaller teams will have to be more aware of how their choice of project fits into emerging frameworks and their particular acute and near term business needs.

Data Science Blog: How does Cloudera Fast Forward Labs help other organizations to accelerate their start with machine learning?

We advise organizations, based on their particular needs, on what the latest advancements are in machine learning and data science, how to build and structure their data teams to develop the capabilities they need to meet their goals, and how to quickly implement custom forward-looking solutions using their own data and in-house expertise.

Data Science Blog: Finally, a question for our younger readers who are looking for a career as a data expert: What makes a good data scientist? Do you like to work with introverted coding nerds or the data loving business experts?

A good data scientists should be deeply curious and have a love for the ways in which data can lead to new discoveries and power the next generation of products.  We expect the people who thrive in this field to come from a variety of backgrounds and experiences.

Events

Data Science at its best with Cloudera, Microsoft & The Unbelievable Machine

Ein Event über den Einsatz von Data Science. Bitte melden Sie sich über diesen Link zum Event an.

Agenda

08:30 – 09:00: Registrierung und Frühstück

09:00 – 09:15: Herzlich Willkommen

09:15 – 09:45: Vorstellung von Open Source auf Azure

09:45 – 10:30: Cloudera auf Azure: Cloudera Director / Altus, Cloudera Data Science Workbench

10:30 – 10:45: Kaffeepause

10:45 – 11:30: UM’s Data-Science-Ansatz mit Cloudera auf Azure

11:20 – 12:30: Fortgeschrittene Data Science Themen auf Azure (Kunden-Erfolgsgeschichten)

12:30 – 14:00: Mittagessen

Dies ist eine einzigartige Möglichkeit, Data-Science ganzheitlich kennenzulernen!

Wir freuen uns auf Sie!

Cloudera

Organizer of München: Data Science at its Best! (Cloudera / *um / Microsoft)

Cloudera

At Cloudera, we believe data can make what is impossible today, possible tomorrow. With Cloudera’s modern platform for machine learning and analytics optimized for the cloud, you can transform vast amounts of complex data into clear and actionable insights. The world’s leading organizations choose Cloudera to grow their businesses, improve lives, and advance human achievement. Achieve the impossible with Cloudera.

München: Cloudera’s Machine Learning & Data Science Essentials Roadshow 2018

Starten & optimieren Sie Ihre Machine Learning und Data Science Projekte

Unternehmen sind heutzutage darauf angewiesen schneller und effektiver relevante Informationen aus ihren Daten zu generieren, um nicht nur konkurrenzfähig zu bleiben sondern auch durch Innovationen neue Geschäftsfelder zu erschließen.

Traditionelle Ansätze im Bereich Business Intelligence (BI) und Analytics reichen jedoch nicht mehr aus, um die steigenden Datenmengen und -quellen zu verarbeiten und aussagekräftige Resultate zu liefern.

Um das volle Potential Ihrer Daten zu nutzen und somit bessere Geschäftsentscheidungen treffen zu können, bieten Data Science, Machine Learning und Artificial Intelligence Unternehmen nun die Chance ganzheitlich von ihren Daten zu profitieren.

Vielen Unternehmen fällt es jedoch schwer diese Chance zu nutzen. Laut einem IDC Report (2017), haben bislang nur 15% der Unternehmen in Europa Data Science Projekte gestartet oder erfolgreich umgesetzt.

Um Unternehmen den Einstieg in diese Projekte zu erleichtern oder bestehende Initiativen zu optimieren, haben wir einen interaktiven Workshop entwickelt, der sich auf die Bereiche Data Science, Machine Learning und Artificial Intelligence fokussiert und folgende Fragen beleuchtet:

  • Wie unterscheiden sich traditionelle Systeme von einer modernen Data Science Plattform?
  • Aus welchen Schritten besteht ein Data Science Workflow?
  • Welche Rolle spielt Data Science in datengetriebenen Unternehmen und wie kann dadurch welcher Mehrwert erzielt werden?
  • Welche Rahmenbedingungen benötigen Data Scientists, um effektiver und produktiver zu arbeiten?
  • Wie wird man der Datensicherheit und -kontrolle gerecht?
  • Welche Möglichkeiten stehen zur Verfügung, um noch heute starten zu können?

Registrieren Sie sich zeitnah, da die Plätze limitiert sind. Bitte melden Sie sich über folgenden Link an: https://info.cloudera.com/dse-dach

Agenda

Frankfurt am Main: Cloudera’s Machine Learning & Data Science Essentials Roadshow 2018

Starten & optimieren Sie Ihre Machine Learning und Data Science Projekte

Unternehmen sind heutzutage darauf angewiesen schneller und effektiver relevante Informationen aus ihren Daten zu generieren, um nicht nur konkurrenzfähig zu bleiben sondern auch durch Innovationen neue Geschäftsfelder zu erschließen.

Traditionelle Ansätze im Bereich Business Intelligence (BI) und Analytics reichen jedoch nicht mehr aus, um die steigenden Datenmengen und -quellen zu verarbeiten und aussagekräftige Resultate zu liefern.

Um das volle Potential Ihrer Daten zu nutzen und somit bessere Geschäftsentscheidungen treffen zu können, bieten Data Science, Machine Learning und Artificial Intelligence Unternehmen nun die Chance ganzheitlich von ihren Daten zu profitieren.

Vielen Unternehmen fällt es jedoch schwer diese Chance zu nutzen. Laut einem IDC Report (2017), haben bislang nur 15% der Unternehmen in Europa Data Science Projekte gestartet oder erfolgreich umgesetzt.

Um Unternehmen den Einstieg in diese Projekte zu erleichtern oder bestehende Initiativen zu optimieren, haben wir einen interaktiven Workshop entwickelt, der sich auf die Bereiche Data Science, Machine Learning und Artificial Intelligence fokussiert und folgende Fragen beleuchtet:

  • Wie unterscheiden sich traditionelle Systeme von einer modernen Data Science Plattform?
  • Aus welchen Schritten besteht ein Data Science Workflow?
  • Welche Rolle spielt Data Science in datengetriebenen Unternehmen und wie kann dadurch welcher Mehrwert erzielt werden?
  • Welche Rahmenbedingungen benötigen Data Scientists, um effektiver und produktiver zu arbeiten?
  • Wie wird man der Datensicherheit und -kontrolle gerecht?
  • Welche Möglichkeiten stehen zur Verfügung, um noch heute starten zu können?

Registrieren Sie sich zeitnah, da die Plätze limitiert sind. Bitte melden Sie sich über folgenden Link an: https://info.cloudera.com/dse-dach

Agenda

Köln: Cloudera’s Machine Learning & Data Science Essentials Roadshow 2018

Starten & optimieren Sie Ihre Machine Learning und Data Science Projekte

Unternehmen sind heutzutage darauf angewiesen schneller und effektiver relevante Informationen aus ihren Daten zu generieren, um nicht nur konkurrenzfähig zu bleiben sondern auch durch Innovationen neue Geschäftsfelder zu erschließen.

Traditionelle Ansätze im Bereich Business Intelligence (BI) und Analytics reichen jedoch nicht mehr aus, um die steigenden Datenmengen und -quellen zu verarbeiten und aussagekräftige Resultate zu liefern.

Um das volle Potential Ihrer Daten zu nutzen und somit bessere Geschäftsentscheidungen treffen zu können, bieten Data Science, Machine Learning und Artificial Intelligence Unternehmen nun die Chance ganzheitlich von ihren Daten zu profitieren.

Vielen Unternehmen fällt es jedoch schwer diese Chance zu nutzen. Laut einem IDC Report (2017), haben bislang nur 15% der Unternehmen in Europa Data Science Projekte gestartet oder erfolgreich umgesetzt.

Um Unternehmen den Einstieg in diese Projekte zu erleichtern oder bestehende Initiativen zu optimieren, haben wir einen interaktiven Workshop entwickelt, der sich auf die Bereiche Data Science, Machine Learning und Artificial Intelligence fokussiert und folgende Fragen beleuchtet:

  • Wie unterscheiden sich traditionelle Systeme von einer modernen Data Science Plattform?
  • Aus welchen Schritten besteht ein Data Science Workflow?
  • Welche Rolle spielt Data Science in datengetriebenen Unternehmen und wie kann dadurch welcher Mehrwert erzielt werden?
  • Welche Rahmenbedingungen benötigen Data Scientists, um effektiver und produktiver zu arbeiten?
  • Wie wird man der Datensicherheit und -kontrolle gerecht?
  • Welche Möglichkeiten stehen zur Verfügung, um noch heute starten zu können?

Registrieren Sie sich zeitnah, da die Plätze limitiert sind. Bitte melden Sie sich über folgenden Link an: https://info.cloudera.com/dse-dach

Agenda

Hamburg: Cloudera’s Machine Learning & Data Science Essentials Roadshow 2018

Starten & optimieren Sie Ihre Machine Learning und Data Science Projekte

Unternehmen sind heutzutage darauf angewiesen schneller und effektiver relevante Informationen aus ihren Daten zu generieren, um nicht nur konkurrenzfähig zu bleiben sondern auch durch Innovationen neue Geschäftsfelder zu erschließen.

Traditionelle Ansätze im Bereich Business Intelligence (BI) und Analytics reichen jedoch nicht mehr aus, um die steigenden Datenmengen und -quellen zu verarbeiten und aussagekräftige Resultate zu liefern.

Um das volle Potential Ihrer Daten zu nutzen und somit bessere Geschäftsentscheidungen treffen zu können, bieten Data Science, Machine Learning und Artificial Intelligence Unternehmen nun die Chance ganzheitlich von ihren Daten zu profitieren.

Vielen Unternehmen fällt es jedoch schwer diese Chance zu nutzen. Laut einem IDC Report (2017), haben bislang nur 15% der Unternehmen in Europa Data Science Projekte gestartet oder erfolgreich umgesetzt.

Um Unternehmen den Einstieg in diese Projekte zu erleichtern oder bestehende Initiativen zu optimieren, haben wir einen interaktiven Workshop entwickelt, der sich auf die Bereiche Data Science, Machine Learning und Artificial Intelligence fokussiert und folgende Fragen beleuchtet:

  • Wie unterscheiden sich traditionelle Systeme von einer modernen Data Science Plattform?
  • Aus welchen Schritten besteht ein Data Science Workflow?
  • Welche Rolle spielt Data Science in datengetriebenen Unternehmen und wie kann dadurch welcher Mehrwert erzielt werden?
  • Welche Rahmenbedingungen benötigen Data Scientists, um effektiver und produktiver zu arbeiten?
  • Wie wird man der Datensicherheit und -kontrolle gerecht?
  • Welche Möglichkeiten stehen zur Verfügung, um noch heute starten zu können?

Registrieren Sie sich zeitnah, da die Plätze limitiert sind. Bitte melden Sie sich über folgenden Link an: https://info.cloudera.com/dse-dach

Agenda

Workshop: Machine Learning & Analytics in der Cloud mit Cloudera, Microsoft & Cognizant in Zürich

Workshop: Machine Learning und Analytics in der Cloud

22. März 2018 | Wallisellen Microsoft Office, Richtistrasse 3, CH-8304 Wallisellen

Schnellere Einblicke in wachsende und sich ständig ändernde Daten zu gewinnen, ist das Fundament für jedes datengesteuerte Unternehmen. Ausgereifte Analytics helfen dabei besser und schneller Entscheidungen zu treffen und somit innovativ und konkurrenzfähig zu agieren. Unternehmen verstehen die Wichtigkeit der digitalen Transformation, um datengetrieben zu arbeiten, jedoch sind die benötigten Instrumente und Ansätze oft unklar.

Time Slots    Agenda

08:30 – 09:00   Registrierung und Frühstück

09:00 – 09:15   Willkommen und Vorstellung

09:45 – 10:30   Azure: Offene Plattform für digitale Transformation

09:45 – 10:30   Steigerung des Geschäftswerts durch Einblicke in Ihre Daten (Cloudera)

10:30 – 10:45   Kaffeepause

10:45 – 11:30   Vorstellung BigDecisions Plattform (Cognizant) – Englische Präsentation

11:30 – 12:30   Praktische Beispiele und Erfolgsgeschichten 

12:30 – 14:00  Mittagessen und Diskussionsrunde

In diesem Workshop werden Cloudera, Microsoft und Cognizant die wesentlichen Voraussetzungen im Bereich Cloud, Analytics, und Machine Learning  thematisieren. Es wird Aufschluss darüber geben, wie es datengesteuerten Unternehmen möglich ist, innovativer und strategischer zu arbeiten und eine hybride Infrastruktur es ermöglicht Applikationen und Lösungen in die Cloud zu bewegen.

Bitte melden Sie sich hier an: https://info.cloudera.com/WorkshopZurich

Webinar: Compliance mit Talend und Cloudera

DSGVO-Compliance schneller erreichen –
mit Talend und Cloudera

Webinar | 14. Dezember 2017 | 11am CET

Die Uhr läuft: Spätestens bis Mai 2018 müssen Unternehmen die DSGVO (GDPR) umsetzen. Auch für Sie wird es höchste Zeit, Ihr Datenmanagement- und Data Governance-Konzept auf den neuesten Stand zu bringen.

In diesem Webinar erfahren Sie, wie Sie eine 360-Grad-Kundensicht (inklusive Einwilligungsmanagement, Rechte der betroffenen Personen etc.) auf einer modernen Datenplattform schaffen, die lokal, in der Cloud oder in beiden Umgebungen läuft. Eine umfassende digitale Abbildung ihrer Kunden und Mitarbeiter, die den DSGVO-Prinzipien und -Kontrollen entspricht, legt darüber hinaus den Grundstein für vertrauenswürdige, datengestützte Beziehungen.

Nehmen Sie am Webinar von Cloudera und Talend teil und erfahren Sie, wie Sie:

  • die Vorgaben der DSGVO in fünf Schritten umsetzen können.
  • Verantwortlichkeiten fördern und persönliche Daten mit einer 360-Grad-Sicht auf Ihre Kunden teilen.
  • persönliche Daten in einem skalierbaren, kosteneffizienten Enterprise-Data Hub speichern.
  • persönliche Daten nachverfolgen, abgleichen, schützen und anonymisieren.
  • Kunden und Mitarbeitern die Kontrolle über ihre persönlichen Daten in einem einzigen Portal ermöglichen.

Link zur Anmeldung: http://go.cloudera.com/dach-talend-gdpr?src=data-science-blog

Speaker

Armin Wallrab

Jochen Faltermeier

Armin Wallrab

Partner Sales Manager Central EMEA – Cloudera

Director Presales Central Europe – Talend