Anodot使用Intel®硬件，Intel®集成性能原始原料（Intel®IPP）和Intel®Intel®Intel®Intel®Intel®DataAnalytics圖書館（ONEDAL），提高了其自相關功能（ACF）和XGBOOST算法的性能，並顯著降低了機器學習（ML）的計算時間和成本與自動監控和Annomane Manumom andomane的相關。
數據分析公司為其客戶創建了一個解決方案，該解決方案通過分析每分鐘數億個時間序列指標的模型實時確定關鍵的業務事件。對於異常檢測平台，除了提高模型培訓和推斷的速度，效率和準確性外，還需要無限的可伸縮性和計算成本的有效管理。
儘管Anodot已經在Intel®CPU上運行其AI平台，但該團隊在擴展協作中在Intel®Xeon®可伸縮處理器平台上進行了性能測試。通過使用Intel IPP進行ACF進行優化，以進行異常檢測，該團隊在雲環境中運行培訓算法的總成本降低了127倍，並降低了66％的成本 - 通過將ACF運行時減少近99％來實現。使用XGBoost算法的優化oneedal預測的基線XGBoost模型導致了4倍的推理時間，並使該服務能夠分析4倍數據的數量，而無需推論。1
Anodot的首席數據科學家Ira Cohen說：“選擇機器學習平台時，您需要考慮規模。” “因此，模型效率和計算成本效率變得越來越重要。我們的性能測試表明，英特爾軟件和Xeon平台為我們提供了效率的提高，這將使我們能夠以較低的成本提供更高的服務。”
更多的：閱讀完整的案例研究，”Anodot優化異常檢測服務。 ”
