Inżynierowie i zespoły IT korzystając z zawartych w środowisku MATLAB technologii projektowania aplikacji wspierających podejmowanie decyzji na podstawie analizy danych masowych, tworzą m.in. zautomatyzowane systemy przewidywanej konserwacji sprzętu technicznego (tzw. konserwacja zapobiegawcza), systemy telematyczne, zaawansowane systemy wspomagania kierowcy czy analityki danych z różnego rodzaju czujników. Zespoły te wybierają środowisko MATLAB ponieważ oferuje ono funkcjonalności, które nie występują w systemach typu Business Intelligence lub środowiskach programistycznych Open Source.

Wśród tych funkcjonalności szczególne znaczenie mają:

◾ Łatwy dostęp do danych

Środowisko MATLAB posiada natywne wsparcie dla czujników obrazu, wideo, telemetrii i innych formatów danych czasu rzeczywistego. Dane te można przykładowo eksplorować korzystając z zaimplementowanych w środowisku MATLAB funkcjonalności MapReduce dla platformy Hadoop. Dodatkowo wykorzystać możemy wygodny dostęp do baz danych z wykorzystaniem interfejsów JDBC/ODBC.

◾ Szereg wbudowanych narzędzi analitycznych, w tym uczenie maszynowe, sieci neuronowe, analizy i algorytmy statystyczne

MATLAB oferuje pełen zestaw statystyk i funkcjonalności związanych z uczeniem maszynowym, jak również zaawansowane metody, takie jak optymalizacja nieliniowa, identyfikacja systemów czy tysiące prekompilowanych algorytmów związanych z przetwarzaniem obrazu i wideo, modelowaniem finansowym, oraz projektowaniem systemów sterowania.

◾ Wysoka wydajność przetwarzania dużych zbiorów danych

Algorytmy numeryczne środowiska MATLAB można skalować bezpośrednio do przetwarzania równoległego w klastrze i chmurze.

◾ Proste wdrożenie, również w systemach czasu rzeczywistego

MATLAB integruje się z systemami przedsiębiorstwa, w tym z rozwiązaniami typu klaster czy chmura, możliwe jest również implementowanie w systemach czasu rzeczywistego.

Dostęp do danych i ich eksploracja

Pierwszym krokiem w ramach analityki danych jest dostęp do bogactwa zbiorów danych umożliwiających odkrywanie wzorców i rozwijanie głębszego spojrzenia na konkretne zagadnienie.

MATLAB w jednym zintegrowanym środowisku pomaga w dostępie do danych z szerokiej gamy źródeł i formatów, włączając w to:

• bazy danych (zgodne z ODBC i JDBC), magazyny danych i rozproszone systemy plików (Hadoop);
• serwery danych finansowych z dostępem do danych czasu rzeczywistego i historycznych danych rynkowych;
• Internet rzeczy (ang. Internet of Things);
• serwery OPC z dostępem do aktualnych i historycznych danych przemysłowych;
• pliki wejścia/wyjścia, w tym pliki tekstowe, arkusze kalkulacyjne, XML, CDF/HDF, obrazy, audio, wideo, pliki geoprzestrzenne i zawartość stron internetowych.

Wstępna obróbka i automatyczna konwersja danych

Podczas pracy z danymi pochodzącymi z wielu źródeł i repozytoriów, inżynierowie i naukowcy potrzebują je wstępnie obrobić i przygotować. Przykładowo, dane mogą mieć brakujące lub błędne wartości albo mogą wykorzystywać różne formaty znaczników czasu.

MATLAB pozwala uprościć czasochłonne zadania, takie jak:

• czyszczenie danych, które zawierają błędy, pomyłki lub powtórzenia;
• obsługa brakujących danych poprzez ich odrzucenie, filtrowanie lub przypisanie;
• usuwanie szumów z danych z czujników z wykorzystaniem technik zaawansowanego przetwarzania sygnałów;
• scalanie i wyrównywanie danych o różnych częstotliwościach próbkowania;
• funkcje zmniejszające duże rozmiary danych w celu poprawy mocy predykcyjnej modelu;
• funkcje do ekstrakcji i transformacji redukujące rozmiar danych;
• analiza w domenie sygnałów, obrazów i przetwarzania wideo.

Rozwijanie modeli predykcyjnych

Środowisko MATLAB ułatwia prototypowanie i konstruowanie modeli predykcyjnych. Dane po opisanej wcześniej obróbce mogą zostać wykorzystane bezpośrednio do prognozowania i przewidywania prawdopodobieństwa przyszłych wyników. W ramach zintegrowanego środowiska, możemy w szybki sposób porównywać różne metody uczenia maszynowego, takie jak regresja logistyczna, drzewa klasyfikacyjne, maszyny wektorów nośnych czy metody zespołowe. Następnie, wykorzystując techniki udoskonalania i redukcji modelu możliwe jest stworzenie dokładnego modelu, który najlepiej odda moc predykcyjną danych. Za pomocą elastycznych narzędzi do obróbki danych finansowych, sygnałów, obrazów, danych wideo i danych geoprzestrzennych można tworzyć modele analityczne z różnych dziedzin w obrębie tego samego środowiska obliczeniowo-programistycznego.

Integracja analityki z systemami

Integracja analityki opracowanej w środowisku MATLAB z produkcyjnymi środowiskami IT następuje bez potrzeby powtórnego kodowania czy tworzenia niestandardowej infrastruktury. Rozwiązania analityczne skonstruowane w środowisku MATLAB mogą być spakowane jako komponent kompatybilny z szeroką gamą środowisk programistycznych, takich jak Java, Microsoft .NET, Excel, Python oraz C/C++. Możliwe jest również udostępnianie rozwiązań analitycznych jako niezależnych aplikacji lub uruchamianie ich w ramach istniejących już rozwiązań webowych, bazodanowych, desktopowych czy korporacyjnych. W celu uzyskania niskich opóźnień i skalowalnych aplikacji produkcyjnych można radzić sobie z analityką środowiska MATLAB poprzez uruchamianie jej jako zcentralizowana usługa wywoływana z wielu różnych aplikacji.