Anodot使用Intel®硬件，Intel®集成性能原始原料（Intel®IPP）和Intel®Intel®Intel®Intel®Intel®DataAnalytics图书馆（ONEDAL），提高了其自相关功能（ACF）和XGBOOST算法的性能，并显着降低了机器学习（ML）的计算时间和成本与自动监控和Annomane Manumom andomane的相关。
数据分析公司为其客户创建了一个解决方案，该解决方案通过分析每分钟数亿个时间序列指标的模型实时确定关键的业务事件。对于异常检测平台，除了提高模型培训和推断的速度，效率和准确性外，还需要无限的可伸缩性和计算成本的有效管理。
尽管Anodot已经在Intel®CPU上运行其AI平台，但该团队在扩展协作中在Intel®Xeon®可伸缩处理器平台上进行了性能测试。通过使用Intel IPP进行ACF进行优化，以进行异常检测，该团队在云环境中运行培训算法的总成本降低了127倍，并降低了66％的成本 - 通过将ACF运行时减少近99％来实现。使用XGBoost算法的优化oneedal预测的基线XGBoost模型导致了4倍的推理时间，并使该服务能够分析4倍数据的数量，而无需推论。1
Anodot的首席数据科学家Ira Cohen说：“选择机器学习平台时，您需要考虑规模。” “因此，模型效率和计算成本效率变得越来越重要。我们的性能测试表明，英特尔软件和Xeon平台为我们提供了效率的提高，这将使我们能够以较低的成本提供更高的服务。”
更多的：阅读完整的案例研究，”Anodot优化异常检测服务。”
