[Infográfico] panorama de ferramentas de dados e machine learning

Data science e machine learning nunca estiveram tão em alta. Com o crescimento da área, todo o ecossistema de ferramentas para quem trabalha com dados amadureceu rapidamente.

Um destaque bem-vindo foi o surgimento de uma grande variedade de novas ferramentas, startups e até categorias inteiras focadas em resolver problemas específicos de profissionais e organizações. Neste infográfico, apresentamos um panorama das ferramentas de data science e machine learning em 2022.

Para baixar a versão em PDF deste infográfico, clique na imagem acima.

Abaixo, você encontra uma visão detalhada das ferramentas mencionadas no infográfico.

Gestão de dados

Uma grande evolução recente foi a chegada de ferramentas que ajudam a gerenciar dados com mais eficiência para fluxos de trabalho de data science e machine learning. Elas vão desde soluções de geração de dados sintéticos, observabilidade de dados que monitora pipelines em produção, versionamento de dados, ferramentas de pipeline e orquestração de dados para organizar workflows, catálogos de dados que expõem os ativos de dados da organização para consumo, e muito mais.

Dados sintéticos

Observabilidade de dados

Versionamento de dados

Rotulagem de dados

Pipeline de dados

Orquestração de dados

Catálogos de dados

Plataformas de machine learning de ponta a ponta

Plataformas de machine learning estão se tornando o padrão. Elas permitem realizar o processo completo, do processamento de features ao deploy, e algumas já oferecem automação tanto no treinamento quanto na implantação.

Modelagem

No ecossistema de data science, há uma infinidade de ferramentas: Notebooks & IDEs, pacotes e softwares de análise de dados, visualização de dados, feature stores para armazenar variáveis usadas em machine learning, bibliotecas de deep learning e machine learning, bibliotecas de otimização de hiperparâmetros, ferramentas de depuração de modelos e muito mais.

Notebooks & IDEs

Análise de dados

Visualização de dados

Feature stores

Frameworks de machine learning

Frameworks de deep learning

Otimização de hiperparâmetros

Explicabilidade de modelos

Depuração de modelos

Deploy

Os últimos dois anos viram a ascensão de MLOps e a importância de colocar modelos de machine learning em produção. Isso acelerou o desenvolvimento de ferramentas para empacotar modelos em aplicativos, monitorar modelos em produção, acompanhar experimentos em escala e servir modelos em ambientes produtivos.

Empacotamento de modelos

Monitoramento de modelos

Rastreamento de experimentos

Serviço de modelos

Temas

Ciência de dados Aprendizado de máquina Python R

Relacionado

blog