Dataiku저는 현재 Dataiku를 사용하고 있는 잠재 고객과 협력하고 있습니다. Dataiku는 엔터프라이즈 제품에 더 가깝지만 JMP가 Dataiku와 어떻게 다른지 직접적으로 설명할 수 있어야 합니다. 이 제품에 대한 경험이 있고 우리가 어떻게 차별화할 수 있는지 이야기할 수 있는 사람이 있습니까? 감사해요.
Re: Dataiku우리는 SEEQ와 JMP에 대한 대화를 시작했고 그들은 Dataiku에 대해서도 이야기했습니다. 결론적으로 실시간 모니터링 기능을 위해서는 SEEQ나 Dataiku가 필요한 것으로 보인다. JMP는 SEEQ에 비해 더 나은 모델 개발 기능을 제공하지만 Dataiku에 비해 더 쉬운 방법을 제공합니다. Dataiku는 AI/ML 기능이 뛰어나지만 더 높은 기술이 필요합니다.
Re: Dataiku@Emmanuel_Romeu는 제가 위에서 언급한 고객 상호작용에 대한 추가 정보를 제공할 수도 있습니다. 통화를 통해 일부 중복되는 부분이 있지만 Dataiku와 JMP의 조직적 사용 사례는 다를 것이라는 점을 깨달았습니다. JMP Live는 특히 JMP 17 이상에서 서버측 데이터 새로 고침 기능에 대한 계획과 관련하여 Dataiku와 더 큰 중복이 있습니다.
Re: Dataiku우리는 방금 다른 고객에게서 그들을 만났습니다. 내 인상은 여기와 꽤 비슷하다. 다양한 작업을 위한 다양한 도구. 추가 비용이 드는 데이터 과학 번들을 사용한 제한된 분석은 Python을 통한 기계 학습 및 데이터 마이닝을 허용합니다. 일반적인 문제 해결 도구인 JMP와 비교하여 특정 사용 사례에 맞게 모든 것을 구성하고 개발해야 하는 것처럼 보입니다. 이 고객 상호 작용에서는 실제로 Dataiku를 JMP 분석에 앞서 데이터 정리 및 웨어하우징 작업(라이브 데이터 소스에 연결)에 사용할 수 있다는 제안이 있었기 때문에 이것은 확실히 둘 중 하나 또는 둘 중 하나의 대화가 아닙니다.
Re: Dataiku아마도 NXP Hackathon 에 대한 최근 스레드를 보셨을 것입니다. FWIW, 'DataIku'는 NXP가 표준화한 것으로 보이는 도구입니다. 저는 심사위원으로서 여러 가지 데모를 보았습니다. 이 프로젝트에 참여한 다른 사람들은 각자의 논평을 가지고 있을 수 있지만, 제 요약은 JMP가 DataIku와 공존(시너지적으로...)할 수는 있지만 결코 DataIku를 대체할 수 없다는 것입니다.
Re: Dataiku안녕 피터,
잠재 고객에 대한 업데이트가 있는지 궁금합니다.
현재 국내에는 데이터이쿠(Dataiku)가 DX(Digital Transformation), 즉 AI 이니셔티브 툴로 확산되고 있다.
그래서 그게 궁금해요.
감사해요!
Re: DataikuXGBoost 및 Torch 추가 기능이 AI/ML 이니셔티브를 위한 JMP Pro 수준을 높여준다는 점을 언급하고 싶었습니다. 이미 Torch를 사용하여 Python으로 모델을 구축하고 배포하는 고객이 있습니다.
인사 메모: Kelci Miclaus는 지난 몇 년 동안 Dataiku의 AI/ML 생명과학 글로벌 책임자로 재직했습니다. 그녀는 이전에 스타 인턴이었고 그 후 JMP LIfe Sciences R&D 팀의 코더이자 관리자였습니다. 그래서 그들은 확실히 우리를 잘 알고 그에 따라 포지셔닝하고 있습니다. Torch 추가 기능은 올해 막 출시되었으며 이제 그들은 JMP Pro를 Python 래퍼로 수행하는 작업에 대한 직접적인 경쟁으로 간주할 것입니다.
Re: Dataiku귀하의 의견에 감사드립니다, @russ_wolfinger !
최근 많은 한국 기업이 AI/ML 기술을 포함한 DT(Digital Transformation) 이니셔티브를 채택하고 구현하는 것을 보았습니다. "진정한 변혁적" DT의 좋은 예는 IoT, EV 자동차와 관련된 Tesla의 시도가 아닐까 생각합니다.
한편, 당신과 같은 데이터 과학자를 키우는 데는 오랜 시간이 걸리기 때문에 기업에서는 모든 과학자, 엔지니어를 단기간에 시민 데이터 과학자로 양성하려고 노력하고 있습니다. 동시에 노코드 또는 로우코드로 데이터 분석을 가능하게 하는 도구를 찾습니다. R이나 Python을 배우고 이를 업무에 잘 적용하는 것은 일반적으로 과학자와 엔지니어에게 너무 큰 부담입니다. 따라서 도구는 인공지능과 머신러닝을 보다 쉽게 수행할 수 있어야 합니다. 최근 한국 대기업의 Dataiku 사용자와의 인터뷰에서 Dtaiku는 이러한 점에서 그들의 요구 사항을 대체로 충족시킨 것으로 보입니다. 데이터 수집, 정리부터 모델링까지 AI/ML 프로젝트 프로세스 전체의 워크플로를 JMP의 신뢰성 블록 다이어그램과 파일 및 테이블의 다양한 기능을 기반으로 한 것처럼 시각적으로 한눈에 볼 수 있도록 하는 것이 특징입니다. DB 접근 및 데이터 구성, Graph Builder 시각화, Torch Add-in을 이용한 분석 및 모델링까지 유연하게 통합하는 것으로 보입니다. 또한, Dataiku의 협업 기능은 JMP의 프로젝트 기능과 JMP Live의 통합에 해당하는 것과 유사한 것 같습니다.
Re: Dataiku@saradoudt JMP와 비교하여 Dataiku의 기능에 관해 고객/잠재 고객과 점점 더 많은 대화를 나누는 것 같습니다. Dataiku에 대한 경쟁업체 판매 시트(Minitab에서 사용할 수 있는 것과 유사)가 있으면 유용할 것입니다. 경쟁사 페이지( JMP 경쟁사 - Dataiku )에서 Dataiku에 대해 캡처한 세부 정보만으로는 팀이 이러한 논의를 준비하는 데 충분하지 않다고 생각합니다.
Re: Dataiku그 이후로 팀이 바뀌었고 더 이상 해당 고객과 협력하지 않습니다. 그럼에도 불구하고 저는 반도체 분야에서 Dataiku를 자주 접하고 있습니다. 몇 주 전에 나는 SemiconWest에 참석했는데 참석한 강연에서 Dataiku에 대한 언급이 그렇지 않은 것보다 더 많이 언급되었습니다. JMP와 Dataiku를 차별화하고 보완성을 확인하기 위해서는 경쟁업체를 자세히 이해하고 요점을 개발해야 합니다. Dataiku는 빠르게 확장되고 있으며 보완성의 각도 없이는 Dataiku가 확립된 곳에 진출하기가 점점 더 어려워질 것이라고 생각하며, 이는 해당 도구의 기업적 특성으로 인해 더욱 강조됩니다.
