Servicio Data Science
Oracle Cloud Infrastructure (OCI) Data Science es una plataforma totalmente gestionada que permite a los equipos de científicos de datos crear, entrenar, desplegar y gestionar modelos de aprendizaje automático mediante Python y herramientas de código abierto. Utiliza un entorno basado en JupyterLab para experimentar y desarrollar modelos. Amplía el entrenamiento de modelos con GPU NVIDIA y formación distribuida. Incluye modelos en la fase de producción y mantenlos en condiciones adecuadas con capacidades de MLOps, como pipelines automatizados, despliegues de modelos y control de modelos.
La creación de un modelo de aprendizaje automático es un proceso iterativo. Obtén más información sobre cada paso, desde la recopilación de datos hasta el despliegue y la supervisión de modelos.
Descubre cómo desarrollar un modelo de inversión estratégica para escalar la IA. En este informe de Gartner se describen las recomendaciones para combinar de forma adecuada las inversiones en IA y se brinda una fórmula para calcular el retorno de inversión.
La inteligencia artificial se está integrando rápidamente a todas las funciones empresariales. IDC explora las mejores prácticas y recomendaciones para la IA empresarial.
¿Por qué recurrir a OCI Data Science?
-
Ciencia de datos de alto rendimiento
Obtén acceso a flujos de trabajo automatizados para la creación de modelos. Pon en marcha el aprendizaje automático de manera más sencilla con trabajos reutilizables y organización completa durante todo el ciclo de vida del aprendizaje automático. Ejecuta cargas de trabajo distribuidas y de alto rendimiento con acceso a GPU de bajo costo.
-
Plataforma abierta
Obtén lo mejor del AA en Oracle gracias a sólidas alianzas con grandes socios, como Anaconda. Incorpora modelos, datos y código en el formato que necesites.
-
Mejor soporte de su categoría
Aproveche el tratamiento preferencial para alianzas estratégicas del AA. Oracle cuenta con científicos de datos entre sus empleados que centran su trabajo en garantizar el éxito de tu organización.
Alianzas y éxitos de clientes de ciencia de datos
Casos de uso de la ciencia de datos
-
Sector salud: riesgo de reingreso de pacientes
Identifica factores de riesgo y predice el riesgo de reingreso del paciente después de recibir el alta mediante la creación de un modelo predictivo. Utiliza datos, como la historia clínica del paciente, condiciones de salud, factores ambientales y tendencias médicas históricas, para construir un modelo más sólido que ayude a proporcionar la mejor atención a un costo menor.
-
Sector minorista: predice el valor de tiempo de vida de cliente
Utiliza técnicas de regresión en los datos para predecir el futuro gasto de los clientes. Analiza las transacciones anteriores y combina datos históricos de clientes con otras informaciones sobre tendencias y niveles de ingresos, incluso factores como el clima, para crear modelos de aprendizaje automático que te permitan determinar si debes crear campañas de marketing para mantener a los clientes actuales o para adquirir otros nuevos.
-
Fabricación: mantenimiento predictivo
Crea modelos de detección de anomalías a partir de los datos proporcionados por los sensores para detectar los fallos de los equipos antes de que se conviertan en un problema más grave. o utiliza modelos de previsión para predecir el final de la vida útil de las piezas y la maquinaria. Aumenta el tiempo de actividad de los vehículos y la maquinaria utilizando métricas de operaciones de supervisión y aprendizaje automático.
Finanzas: detección de casos de fraude
Evita los casos de fraude y los delitos financieros con ciencia de datos. Crea un modelo de aprendizaje automático que pueda identificar eventos anómalos en tiempo real, incluidos importes fraudulentos o tipos inusuales de transacciones.
Obteniendo modelos de aprendizaje automático para la producción y otros ámbitos con MLOps en OCI
Tzvi Keisar, director sénior de productos
La formación de modelos para generar predicciones precisas es una tarea compleja que requiere una amplia experiencia en el campo de la ciencia de datos. Sin embargo, incluso después de crear modelo, aún queda trabajo por hacer. Tienes que encargarte de otra tarea importante: conseguir que el modelo genere predicciones sobre nuevos datos en la vida real, a menudo denominado "produccionalización de modelos". Esta tarea es igual de compleja que la propia creación del modelo. De hecho, es posible que hayas leído artículos sobre el asombroso porcentaje de proyectos de IA que fracasan cuando se intentan aplicar al proceso de producción.
Lee el post completo