Con l’esplosione dei dati, ogni applicazione è ora un’applicazione di dati. Scopri perché questo ha centinaia di team di software che creano le loro applicazioni nel cloud in più casi d’uso e settori.
JetBrains questa settimana ha rivelato di aver esteso la sua famiglia di ambienti di sviluppo integrati (IDE) per i linguaggi di programmazione per includerne uno per i data scientist che utilizzano il codice Python per creare modelli di intelligenza artificiale.
Disponibile nell’ambito di un programma di accesso anticipato, JetBrains DataSpell promette un’esperienza migliorata rispetto ai tradizionali notebook Jupyter su cui la maggior parte dei data scientist si affida per scrivere e gestire il codice, ha dichiarato il project manager Andrey Cheptsov .
Panoramica
L’obiettivo è aumentare la produttività complessiva dei data scientist in un momento in cui le organizzazioni IT aziendali stanno lanciando molti più progetti di intelligenza artificiale per ridurre i costi o aumentare le entrate nel contesto di un’iniziativa di trasformazione del business digitale, ha aggiunto Cheptsov.
JetBrains DataSpell raggiunge questo obiettivo semplificando la navigazione dei dati senza intralciare la scrittura del codice, ha affermato Cheptsov. Consente inoltre agli scienziati dei dati di passare dalla modalità Comando alla modalità Editor per una più facile manipolazione delle celle e del loro contenuto, ha osservato.
Il nuovo IDE di JetBrains non sostituisce i notebook Jupyter quanto li aumenta, ha affermato Cheptsov. JetBrains DataSpell è compatibile con i notebook Jupyter in esecuzione su macchine locali, nonché con i server Jupyter, JupyterHub e JupyterLab remoti, ha aggiunto.
I miglioramenti all’esperienza del notebook Jupyter includono l’assistenza alla codifica intelligente per Python, un sommario pronto all’uso , pieghevoli traceback e tabelle interattive. Gli output delle celle supportano entrambi i formati Markdown e JavaScript. JetBrains DataSpell supporta gli script Python insieme a strumenti aggiuntivi per la manipolazione e la visualizzazione di dati statici e interattivi. “Rende più facile seguire le migliori pratiche”, ha affermato Cheptsov.
Oltre a Python, JetBrains DataSpell include il supporto di base per il linguaggio di programmazione R, con il supporto previsto per altri linguaggi di data science.
Nonostante l’entusiasmo di molte organizzazioni per l’IA, alcune sono sempre più preoccupate di migliorare la produttività dei team di data science. Molti team di data science sono in grado di distribuire con successo solo un piccolo numero di modelli di intelligenza artificiale negli ambienti di produzione in un anno. La ragione di ciò va ben oltre gli strumenti impiegati dai data scientist, ma meno tempo viene impiegato per navigare in set di dati complessi, più tempo dovrebbe esserci per lavorare su più progetti. Questo è fondamentale perché alcune grandi aziende stanno già cercando di implementare e mantenere centinaia di modelli di intelligenza artificiale che devono essere continuamente aggiornati.
Domanda e offerta
Poiché le organizzazioni di tutte le dimensioni lottano per attrarre e trattenere i talenti dei data scientist, l’esperienza fornita dagli strumenti potrebbe essere considerata insieme a considerazioni come lo stipendio. Molti data scientist oggi non si divertono a scrivere codice quanto lo sviluppatore medio di applicazioni.
Indipendentemente dagli strumenti utilizzati per scrivere il codice, la necessità di approcci più sofisticati alla scrittura del codice sta diventando evidente poiché gli scienziati dei dati si trovano a collaborare non solo tra loro, ma anche con gli sviluppatori a cui viene chiesto di incorporare modelli di intelligenza artificiale nelle loro applicazioni. La maggior parte di questi sviluppatori lavora abitualmente all’interno dei costrutti di un IDE, quindi JetBrains DataSpell crea un ambiente che capiranno facilmente, ha affermato Cheptsov.
Ovviamente, l’inerzia è la sfida più grande quando si introduce uno strumento che richiede un cambiamento comportamentale, un problema che si aggrava perché ogni team di data science tende a selezionare i propri strumenti e definire i propri processi. Il problema con cui le organizzazioni si troveranno presto alle prese è la definizione di una serie di best practice per interi team di data scientist per migliorare la produttività senza richiedere a ogni membro di tali team di utilizzare lo stesso strumento esattamente nello stesso modo.
