Indem wir die Daten an der richtigen Stelle platzieren und unsere Mitarbeiter neu schulen, haben wir einen Kraftmultiplikator geschaffen. Wir nutzen maschinelles Lernen, um die Tiefe und Geschwindigkeit unserer Cyber Intelligence deutlich zu erhöhen.
Machine Learning Toolkit (MLTK)
Unterstützen Sie Citizen Data Scientists mit benutzerfreundlichen, smarten Assistenten, die Prognosen, Ausreißererkennung, Event-Clustering und Predictive Analytics ermöglichen.
Streaming Machine Learning
Nutzen Sie pragmatisch die Schnelligkeit von Online-Algorithmen, die eigens für die gängigsten Splunk Use Cases entwickelt wurden.
SMLE Labs
Eine eigenständige, Cloud-native Beta-Umgebung zum Ausprobieren neuer ML-gestützter Lösungen und zukünftiger Plattformfunktionen.
Dank smarter Assistenten und geführter Workflows wird der Einsatz von ML zum Kinderspiel.
Spezifische Referenz-Notebooks und intelligente Assistenten vereinfachen die Trenderkennung bei gängigen betrieblichen Use Cases.
Benutzerdefinierte Analysen entwerfen und entwickeln Sie in einer vertrauten Jupyter-Notebook-Umgebung mit offenen Schnittstellen und Out-of-the-Box-Support für die gängigsten Frameworks.
Referenz-Notebooks, smarte Assistenten und neue Algorithmen zur Erkennung von Ausreißern und zur Prognose von Ausfällen.
Sie arbeiten gemeinsam Innerhalb einer benutzerfreundlichen, nahtlosen Lösung und experimentieren mit Daten, Algorithmen und Modellen.
Kombinieren Sie SPL mit Code in R, Python, Scala und Drittanbieter-Laufzeiten, sodass Sie komplexe Analysen dort stattfinden lassen, wo sich die Daten befinden.
Arbeiten Sie mit einer innovativen Lösung für SPL-Entwickler und Data Scientists, die mit einer einfachen und benutzerfreundlichen Oberfläche zur Zusammenarbeit überzeugt.
Bleiben Sie auf dem Laufenden über die neuesten Innovationen in der Data Science-Community – Frameworks, Bibliotheken, Laufzeiten und mehr.
Frameworks wie Streaming ML wurden speziell entwickelt, um den Ansprüchen an Skalierbarkeit und Geschwindigkeit für gängige Splunk Use Cases zu erfüllen.
Modelle lassen sich direkt in der Produktionsumgebung, also dort wo die Daten sind, verwalten, überwachen und bereitstellen.
Dank vereinfachter, gängiger Workflows und Use Cases können ganz unterschiedliche Benutzer ML erfolgreich anwenden, darunter Data Scientists, Datenanalysten, Splunk-Administratoren und App-User.