Per un data scientist Muvia è il posto dove un modello smette di vivere in un notebook sul portatile: dati già collegati e con i loro permessi, Python con pandas, scipy e scikit-learn, modelli che girano a orario in cloud o sul nodo edge, e risultati che finiscono nei cruscotti di chi decide.
Funzione Python, previsione settimanale
import joblib
def transform(inputs, params, ctx):
rows = inputs["rows"].copy()
model = joblib.load(ctx.file("domanda.joblib"))
features = rows[params["features"]]
rows["previsione"] = model.predict(features)
return {"rows": rows[["articolo", "settimana", "previsione"]]}Il ciclo di lavoro di un data scientist, e dove si svolge ogni passaggio.
1In Muvia
Interroghi le fonti in SQL. Il profilo di ogni colonna mostra valori nulli, valori distinti, minimo, massimo, quantili e istogramma.
2In Muvia
Medie mobili, deviazione standard, EWMA, valori precedenti e successivi: le finestre si calcolano in query e si salvano in tabelle che si aggiornano da sole.
3Nel tuo ambiente
Nel tuo Jupyter, con gli strumenti che usi già. I dati li prendi dall'API in sola lettura con una chiave. Per modelli semplici puoi anche addestrare (fit) uno stimatore scikit-learn dentro la funzione, a ogni esecuzione.
4In Muvia
Carichi il modello, in ONNX o joblib, insieme a una funzione Python. Un flusso la esegue a orario, fa il Replay dello storico quando serve e scrive i risultati in una tabella gestita.
5In Muvia
Le previsioni e i punteggi diventano cruscotti, allarmi e report PDF, con gli stessi permessi del resto dei dati. Athena risponde anche su quelli.
Ogni funzione riceve i dati in inputs["rows"] come DataFrame pandas e restituisce {"rows": DataFrame}. Gira in un ambiente isolato, senza rete e senza installazioni: quello che funziona oggi funziona uguale tra un mese, sul server e sul nodo edge, amd64 o arm64.
Se il tuo modello usa altre librerie, spesso puoi esportarlo in ONNX e farlo girare con onnxruntime.
Per molte domande non serve scrivere codice: le analisi più comuni sono modelli di query e funzioni di catalogo da compilare.
Con Muvia Industrial la funzione che hai scritto per il cloud gira anche sul nodo in reparto, vicino alla macchina: lo stesso ambiente Python, le stesse librerie, il risultato calcolato prima che i dati partano.
Scopri Muvia IndustrialAthena prepara passaggi di query e codice delle funzioni a partire da una richiesta, e una funzione può chiedere a un modello linguistico una risposta, entro un budget. Tu controlli e decidi cosa va in produzione.
Scopri AthenaMuvia porta i modelli in produzione sui dati dell'azienda. Non è un ambiente di addestramento, e preferiamo dirlo.
Partiamo da una domanda vera della tua azienda e ti mostriamo il percorso dalla fonte al cruscotto, con i tuoi sistemi e non con quelli di una demo.