Los equipos de ingeniería y TI emplean MATLAB para crear los sistemas avanzados actuales de Big Data Analytics, que abarcan desde el mantenimiento predictivo y la telemática hasta los sistemas avanzados de conducción asistida y la analítica de sensores. Los equipos eligen MATLAB porque ofrece capacidades esenciales que no se encuentran en los sistemas de inteligencia empresarial ni en los lenguajes de código abierto.

Datos del mundo físico: MATLAB admite de forma nativa formatos de datos de sensores, imágenes, vídeos, telemetría, datos binarios y otros formatos en tiempo real. Podrá explorar estos datos mediante la funcionalidad MapReduce de MATLAB para Hadoop, así como a través de la conexión de interfaces a bases de datos ODBC/JDBC.

Machine Learning, redes neuronales, estadísticas y más: MATLAB ofrece una gama completa de funciones estadísticas y de Machine Learning (aprendizaje automático), además de métodos avanzados tales como la optimización no lineal, la identificación de sistemas y miles de algoritmos prediseñados para el procesamiento de imágenes y vídeos, el modelado financiero y el diseño de sistemas de control.

Alta velocidad de procesamiento para conjuntos extensos de datos. Las rutinas numéricas de MATLAB se adaptan directamente al procesamiento paralelo en clusters y en la nube.

Implementación online y en tiempo real: MATLAB se integra en sistemas, clusters y nubes empresariales, y se puede ejecutar en hardware embebido en tiempo real.

El concurso Netflix Prize y los sistemas de Machine Learning (aprendizaje automático) en producción: visión para iniciados

“Independientemente del sector industrial al que pertenezca el cliente e independientemente de los datos que nos pida que analicemos —texto, audio, imágenes o vídeo—, el código de MATLAB nos permite proporcionar resultados claros con mayor rapidez.”

Dr. G. Subrahamanya VRK Rao, Cognizant

 

Acceso a los datos y exploración

El primer paso para utilizar Data Analytics consiste en acceder a la enormidad de datos disponibles para explorar patrones y desarrollar un conocimiento más profundo. A partir de un entorno integrado único, MATLAB le ayuda a acceder a los datos a través de un amplio abanico de fuentes y formatos, entre los que se cuentan los siguientes:

  • Bases de datos (conformes con ODBC y JDBC), almacenes de datos y sistemas de archivos distribuidos (Hadoop)
  • Servidores de datos financieros para acceder a datos de mercado históricos y en tiempo real
  • Dispositivos de Internet of Things
  • Servidores OPC para acceder a datos históricos y en tiempo real de una planta industrial
  • E/S de archivos, incluido el contenido de texto, hojas de cálculo, XML, CDF/HDF, imagen, audio, vídeo, geoespacial y web

Preprocesamiento y extracción de datos

Cuando se trabaja con datos de diferentes fuentes y repositorios, los ingenieros y los científicos necesitan preprocesar y preparar los datos antes del desarrollo de modelos predictivos. Por ejemplo, es posible que los datos carezcan de ciertos valores o que estos sean erróneos, o bien que se utilicen diferentes formatos de marca de tiempo. MATLAB contribuye a simplificar tareas que, de otra forma, resultarían lentas, tales como:

  • Limpieza de datos que presenten errores, valores atípicos o duplicados
  • Gestión de datos ausentes mediante descarte, filtrado o imputación
  • Eliminación del ruido de los datos de sensores con técnicas avanzadas de procesamiento de señales
  • Fusión y alineación temporal de los datos con diferentes tasas de muestreo
  • Selección de características para reducir datos con un número elevado de dimensiones a fin de aumentar el poder de predicción del modelo
  • Extracción y transformación de características para reducir la dimensionalidad
  • Análisis del dominio, como procesamiento de señales, imagen y vídeo

Desarrollo de modelos predictivos

Cree prototipos de modelos predictivos y constrúyalos directamente a partir de datos a fin de pronosticar y predecir las probabilidades de resultados futuros. Puede comparar los enfoques de machine learning , tales como la regresión logística, los árboles de clasificación, las máquinas de vector soporte y los métodos combinados, así como utilizar herramientas de reducción y perfeccionamiento de modelos para crear un modelo preciso que capture mejor el poder predictivo de sus datos. Utilice herramientas flexibles para procesar datos financieros, de señales, de imagen, de vídeo y de mapeo a fin de crear analítica para diversos campos dentro del mismo entorno de desarrollo.


Integración de la analítica con sistemas

Integre la analítica desarrollada en MATLAB en entornos de producción de TI (23:19) sin tener que recodificar o crear una infraestructura personalizada. La analítica de MATLAB se puede empaquetar a modo de componentes distribuibles compatibles con una amplia gama de entornos de desarrollo, tales como Java, Microsoft .NET, Excel, Python y C/C++. Puede compartir las aplicaciones de MATLAB independientes o ejecutar la analítica de MATLAB como parte de aplicaciones web, de bases de datos, de aplicaciones de escritorio y empresariales. En el caso de las aplicaciones de producción de baja latencia y escalables, se puede gestionar la analítica de MATLAB mediante su ejecución como un servicio centralizado al que pueden acceder diversas aplicaciones.