EVA – разработанная компанией ISGNEURO интерактивная среда визуализации, уникальная тем, что объединяет императивный и декларативный подходы к организации описания интерфейса пользователя и позволяет реализовать сложную логику интерактивных дашбордов без программирования.
Предназначена как для предварительного интерактивного исследования данных, так и для максимально простого построения конечных дашбордов высокого уровня сложности.
Функционально состоит из:

• Инструмента анализа данных с возможностью экспорта результатов анализа в виде готового к применению в продуктивной среде дашборда.
• Среды управления дашбордами.

Apache Zeppelin – популярное Open Source решение компании Apache, предназначенное для реализации единого интерфейса визуализации данных, полученных в результате их анализа различными инструментами.

OTL – язык верхнеуровневой работы с данными для организации конвейерной (по типу вызова цепочки связанных через потоки ввода-вывода утилит в unix/linux) их обработки.
Изначально разрабатывался на основе языка SPL компании Splunk и является по большинству функций обратно совместимым с ним.
Язык OTL обеспечивает крайне эффективное решение целого ряда задач обработки, прежде всего данных в виде машинно-сгенерированных журналов – логов. Основными функциями языка являются:

• полнотекстовый поиск и фильтрация по всему содержимому сообщений;
• выделение и поиск по выделенным полям;
• агрегация;
• объединение;
• обогащение данных по внешним или внутренним источникам;
• расчёт статистических показателей;
• математические преобразования данных;
• подготовка данных для отображения в конкретных видах визуализации;
• обучение и применение моделей машинного обучения из широкого набора открытых библиотек.

Фундаментальной особенностью OTL является высокая эффективность использования возможностей распараллеливания вычислений по кластеру вычислительных ресурсов как в режиме, близком к реальному времени (near real-time), так и в режиме пакетной обработки (batch processing).

SMaLL (Simple Machine Learning Language) – язык, расширяющий возможности OTL и позволяющий использовать все возможности WDC-Платформы без знаний в области машинного обучения или инженерии данных.
Основной идеей SMaLL является приведение решения большинства аналитических задач к трём стандартным фиксированным последовательностям конвейера команд – паттернам:

• Паттерн обучения модели (GetData | Fit | Explain | Score | Show).
• Паттерн применения модели (GetData | Apply | Score | Show).
• Паттерн работы со справочниками (GetData | Eval | Put).

Данные последовательности постоянны и отличаются только указанием в качестве операндов различных профилей – выделенных областей, под которые сформированы наборы плагинов – специализированных препроцессоров данных и алгоритмов машинного обучения, специфичных для конкретной области знания.
Такой подход позволяет скрыть от конечного пользователя рутинные подробности работы с данными и сконцентрировать его усилия на достижении конечного результата.
Особенностью SMaLL является наличие обязательной команды Explain, которая интерпретирует модель машинного обучения и представляет её в понятном человеку виде, что позволяет не только понять и скорректировать получившуюся модель, но и привнести в неё знания, известные человеку, но недоступные в конкретном наборе обучающих данных.