Lo sentimos. No hallamos ninguna coincidencia para tu búsqueda.

Le sugerimos que pruebe lo siguiente para encontrar lo que busca:

  • Verifique la ortografía de su búsqueda de palabras clave.
  • Utilice sinónimos para la palabra clave que escribió; por ejemplo, intente con “aplicación” en lugar de “software”.
  • Comience una nueva búsqueda.
Country Comunicarse con nosotros Iniciar sesión en Oracle Cloud

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.

El ciclo de vida de los modelos de aprendizaje automático

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.

IDC: Transformación empresarial

La inteligencia artificial se está integrando rápidamente a todas las funciones empresariales. IDC explora las mejores prácticas y recomendaciones para la IA empresarial.

Investigación clínica
Las actividades de investigación de CMRI ahora se pueden completar seis veces más rápido con la IA de Oracle
Colaboración
Accede al repositorio de Anaconda, de forma gratuita, a través de OCI
Tecnología deportiva
Seattle Sounders FC crea modelos de datos para mejorar el rendimiento
Atención sanitaria
DSP ayuda a National Institute for Health Research a mejorar el proceso clínico
Atención sanitaria
Prosperdtx mejora la atención al paciente utilizando la ciencia de datos para planes de atención sanitaria digital

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.

Martes, 18 de octubre de 2022

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

Blogs destacados

Ver todo

Arquitecturas de referencia de IA / aprendizaje automático

Mira todas las arquitecturas de referencia