Die CoinAnalyst Corp. hat die Veröffentlichung des Backends der neuen KI-basierten Big-Data-Analyseplattform bekannt gegeben. In monatelanger Arbeit hat das Entwicklungsteam eine umfassende Überarbeitung der Backend-Architektur von CoinAnalyst Insights vorgenommen.

Das gesamte Systemverhalten wurde von Grund auf überarbeitet, um eine vollständig verteilte Architektur zu schaffen. Der neue Messaging-Bus und der Datenbankspeicher bieten eine effektive Möglichkeit, weit mehr Dokumente zu speichern und horizontal zu skalieren, wodurch die Speicherkapazität von Gigabytes auf Petabytes erhöht wurde. Bemerkenswert ist auch die Tatsache, dass die Anzahl der Nachrichten deutlich reduziert wurde und der leichtgewichtige Bus die Datenbank entlastet hat, was eine Steigerung des Gesamtdurchsatzes des Systems ermöglicht.

Die neue Plug-in-Architektur ermöglicht es den Entwicklern, zusätzliche Schritte in den Dokumentenverarbeitungsfluss einzufügen und verschiedene Umgebungen für das am besten geeignete Tool zur Bearbeitung einer Aufgabe zu mischen. Bisher konnte das CoinAnalyst-Entwicklungsteam nur mit Java-basierten Anwendungen arbeiten. Durch den universellen Nachrichtenbus können sie nun Aufgaben in Python oder C++ einbinden, um eine bessere Leistung oder Funktionen zu erhalten, die in Form von Java-Paketen nicht verfügbar sind.

Dadurch erhält das Team Zugang zu einer breiten Palette von KI-Lösungen, die von der Python- und C++-Gemeinschaft entwickelt wurden. Diese erweiterbare Architektur macht es auch einfacher, Unterstützung für neue Datentypen zu implementieren und diese problemlos in das System einzubinden. Darüber hinaus stellt die Deduplizierung auf Indexebene sicher, dass es nur eine Version eines Dokuments gibt, die mit einer URL im Index verbunden ist.

Dies verbessert die Speichernutzung erheblich, da die gespeicherten oder übertragenen Daten stark reduziert werden. Die Rest API von CoinAnalyst wurde aktualisiert und verbessert, um sowohl Institutionen als auch Börsen mit Daten zu versorgen. Die Plattform kann strukturierte Stimmungswerte aus dem Text in Nachrichten und Kommentaren liefern.

Die Social Buzz-Werte können für Handelsstrategien und Quant Algos verwendet werden.