La raison pour laquelle @AlloraNetwork a du mal à prédire en raffinant les données avec l'apprentissage automatique est que ce n'est pas simplement parce qu'il y a beaucoup de données que l'on peut prédire l'avenir. Les données accumulées dans chaque secteur ne sont que du big data, avec des formats et des contextes variés. Par exemple, les données d'une boutique de vêtements en ligne comprennent des centaines de catégories telles que le nombre de clics, l'historique des achats, les raisons de remboursement, les ventes saisonnières, etc. Pour prédire "Quels articles se vendront bien la saison prochaine ?", il faut d'abord raffiner ces données de manière significative. Ce n'est qu'après qu'un ingénieur de données les organise dans un data mart et élimine le bruit inutile que le ML peut apprendre des motifs et faire des prédictions. Au-dessus de cela, la couche d'inférence d'Allora fait des prédictions, la couche de prévision et de synthèse ajuste les erreurs, et la couche de consensus valide les résultats. En fin de compte, la difficulté d'Allora ne réside pas dans la quantité de données, mais dans leur qualité et leur structure. Allora est la dernière étape d'assemblage qui transforme ces big data complexes en connaissances prévisibles. Le monde qu'Allora souhaite créer est un monde où le data-driven est possible dans la vie quotidienne. Une époque où l'analyse des données dépasse le domaine des experts, permettant à chacun d'interpréter et de prédire ses actions et choix à l'aide de données. Le moment où la réflexion "Devrais-je essayer cela ?" se transforme en "Je peux le faire !" est précisément le point d'innovation créé par Allora. L'avenir est ici. Allora!