Palantir en realidad no usa tanto aprendizaje automático.
Su valor principal proviene de su plataforma Gotham, que es esencialmente una red gráfica elaborada que permite a un analista (cliente) ver las conexiones entre varias entidades.
- Cómo comenzar a implementar un sistema de recomendación para juegos
- ¿Cuáles son algunas posibles aplicaciones de aprendizaje profundo que son bastante novedosas?
- ¿Cuál es la relación entre economía y ciencia de datos?
- ¿Por qué tenemos que convertir el valor categórico en factor (en R) o variables ficticias antes de aplicar algoritmos de aprendizaje automático (especialmente regresión lineal)? ¿Afecta nuestros resultados?
- ¿Cómo funciona el algoritmo EM para un modelo mixto que factoriza según un modelo Naive-Bayes?
Aquí hay un ejemplo de Gotham siendo utilizado para encontrar traficantes de personas.
Palantir toma mucha información, a menudo conectando la plataforma a la base de datos de un cliente, y crea una visualización de red. Luego, un analista (generalmente el cliente) examinará, examinará y examinará esta visualización hasta que descubra lo que estaba buscando.
Lo bueno de Gotham, y de las redes gráficas, es que se pueden aplicar a tantos dominios, desde encontrar círculos de fraude hasta fabricantes de IED.
El aprendizaje automático eficaz requiere datos de clasificación equilibrados, por ejemplo, toneladas de datos bancarios ‘fradulenty’ y toneladas de datos bancarios ‘no fradulenty’. Muchas veces tendrás mucho más de lo último.
Entonces, aunque Palantir quizás usa el aprendizaje automático de alguna forma, principalmente ayudan a crear visualizaciones detalladas de datos preexistentes para que algunos analistas puedan examinar y encontrar anomalías incompletas.
(Nota: podría estar totalmente equivocado ya que no trabajo en Palantir, pero este es mi pensamiento …)
