Processing

Please wait...

Settings

Settings

Goto Application

1. WO2021007006 - DUAL MACHINE LEARNING PIPELINES FOR TRANSFORMING DATA AND OPTIMIZING DATA TRANSFORMATION

Publication Number WO/2021/007006
Publication Date 14.01.2021
International Application No. PCT/US2020/038190
International Filing Date 17.06.2020
IPC
G06F 15/18 2006.01
GPHYSICS
06COMPUTING; CALCULATING OR COUNTING
FELECTRIC DIGITAL DATA PROCESSING
15Digital computers in general; Data processing equipment in general
18in which a program is changed according to experience gained by the computer itself during a complete run; Learning machines
Applicants
  • SONY INTERACTIVE ENTERTAINMENT LLC [US]/[US]
Inventors
  • CARRASCO, Serge-Paul
Agents
  • ROGITZ, John L.
Priority Data
16/507,83510.07.2019US
Publication Language English (EN)
Filing Language English (EN)
Designated States
Title
(EN) DUAL MACHINE LEARNING PIPELINES FOR TRANSFORMING DATA AND OPTIMIZING DATA TRANSFORMATION
(FR) PIPELINES D'APPRENTISSAGE AUTOMATIQUE DOUBLE PERMETTANT DE TRANSFORMER DES DONNÉES ET D'OPTIMISER LA TRANSFORMATION DE DONNÉES
Abstract
(EN)
An end-to-end cloud-based machine learning platform providing computer simulation recommendations. Data lineage is generated (200) for all transformed data for generating feature extraction, transformation, and loading (ETL) to a machine learning model. That data is used to understand (202, 204) the performance of the simulation recommendation models. To that end, understanding the performance of the recommendations, the platform provides the life cycle of the transformed data and compare it to the life cycle of the user interactions. By comparing the two life cycles, recommendations can be returned as to which models are relevant and which are not.
(FR)
L'invention concerne une plateforme d'apprentissage automatique basée sur un nuage de bout en bout fournissant des recommandations de simulation informatique. Une lignée de données est générée (200) pour toutes les données transformées afin de générer une extraction, une transformation et un chargement (ETL) de caractéristiques dans un modèle d'apprentissage automatique. Ces données sont utilisées pour comprendre (202, 204) les performances des modèles de recommandation de simulation. À cet effet, en comprenant la performance des recommandations, la plateforme fournit le cycle de vie des données transformées et le compare au cycle de vie des interactions utilisateur. En comparant les deux cycles de vie, des recommandations peuvent être renvoyées afin d'indiquer les modèles qui sont pertinents et ceux qui ne le sont pas.
Latest bibliographic data on file with the International Bureau