Часть 1. Лидерство идей, которое вдохновляет на разработку технологий и решений Quantum ML - Quantum Data Technologies

Наш подход к разработке и внедрению нашей технологии во многом основан на фундаментальных концепциях, изложенных в следующих книгах:

  • «Суперпрогнозирование, искусство и наука прогнозирования» Филипа Тетлока и Дэна Гардера.
  • Дэвид Дойч «Начало бесконечности. Объяснения, преобразующие мир».
  • «Мудрость толпы» Джеймса Суровецкого.

Концепции и идеи

Эти книги предлагают множество информации и мудрости, когда дело доходит до прогнозирования, но есть три основных концепции, которые определяют наш дизайн решения, которые мы хотим выделить в качестве введения в нашу концептуальную методологию:

Дизайн и технология решения

Эти три идеи имеют большое значение для представления концептуальной методологии, лежащей в основе нашей платформы. Поэтому они отражены в нашем дизайне решений и технологиях, во-первых, в форме нашей архитектуры решения для быстрого прототипирования; во-вторых, благодаря нашему подходу к исследованию данных, алгоритмов и параметров с помощью функции Auto-series; и, в-третьих, с помощью нашего пользовательского интерфейса в форме панели инструментов группы, которая объединяет и складывает модели в общую визуализацию вывода.

Быстрое прототипирование Автоматическая серия Панель инструментов группы

Эти три аспекта нашей технологии во многом лежат в основе успеха нашей платформы, поскольку они способствуют динамическому процессу постоянного улучшения посредством исследования, оценки и адаптации. Процесс, который не сосредоточен на одной «Большой идее» (ежи), но исследует тысячи перестановок и комбинаций данных, выбор алгоритма и возможности параметров (лисы), а затем агрегирует результаты отдельных моделей в структуру претендента / чемпиона ( мудрость толпы). Затем мы периодически пересматриваем каждую гипотезу, чтобы адаптироваться к меняющимся условиям и исходным данным, где победители повторно выбираются на основе новых результатов, и процесс повторяется до бесконечности (вечная бета-версия). Чем больше вычислительных ресурсов пользователь может выделить для этого процесса, тем лучше результаты.

Куда мы отправимся отсюда?

Этот пост предназначен как введение в концептуальную методологию, и эти компоненты никоим образом не определяют целостность того, что мы разработали в Quantum ML. В следующей серии публикаций мы познакомим вас с различными аспектами нашего решения, чтобы лучше описать, определить и глубоко погрузиться в то, что стоит за нашими технологиями и решениями. Наша основная цель - внести ясность и уверенность в наших существующих (и потенциальных) клиентов, поэтому мы рекомендуем вам обращаться к нам с любыми вопросами, предложениями и даже критикой. Наша философия в отношении постоянной адаптации и улучшения не ограничивается только нашими технологиями, но и нашими бизнес-практиками.

О QDT

Quantum Data Technologies - это компания, предоставляющая услуги и решения в области науки о данных, базирующаяся в Ванкувере, Британская Колумбия, и Нью-Йорке. Мы специализируемся на машинном обучении и искусственном интеллекте и создаем надежные межотраслевые решения для обработки данных для крупных глобальных предприятий. Наш основной продукт, Quantum ML, представляет собой облачную платформу данных, которая использует автоматизированное машинное обучение, чтобы помочь пользователям прогнозировать рынки, понимать движущие силы рынка и управлять рисками. С помощью Quantum ML пользователи могут легко развертывать высокоточные модели машинного обучения для прогнозирования любого финансового инструмента - не требуя знаний в области науки о данных или программирования. Мы также предлагаем консультации и услуги по обработке данных в дополнение к нашим решениям машинного обучения или в дополнение к ним, включая продажу данных, услуги по обработке данных и разработку программного обеспечения на заказ.

Чтобы узнать больше о QDT, посетите наш сайт или свяжитесь с нами по адресу [email protected].
Сайт | LinkedIn | Твиттер | Блог

Первоначально опубликовано на https://qdt.ai 27 сентября 2021 г.