Analytics Platform Capabilities Explorer

KI und ML

Oracle Analytics integriert KI/ML auf der gesamten Plattform und richtet sich an Benutzer aller Qualifikationsstufen, von Klickern bis hin zu Programmierern. Erweitern Sie mit Oracle Database Machine Learning und OCI AI Services über die integrierten KI/ML-Funktionen hinaus, um ein breiteres Spektrum an Anwendungsfällen abzudecken.

Künstliche Intelligenz (KI) und maschinelles Lernen (ML) für Analysen

Die Oracle Analytics-Plattform verfügt über maschinelles Lernen. Diese Technologie ist in jeden Aspekt des Analyseprozesses integriert – von Daten bis zur Entscheidung, einschließlich der Empfehlung von Erkenntnissen und der Unterstützung jeder Rolle, von Klickern bis zu Programmierern Erweitern Sie die integrierten Funktionen mit zusätzlichen OCI-Services, wie z. B. KI-Services, um noch mehr KI/ML-Anwendungsfälle abzudecken.

Demo zur Prognose mit einem Klick ansehen (1:18)

Maschinelles Lernen für Geschäftsbenutzer

Bei der erweiterten Analyse mit einem Mausklick werden Schnellprognosen, Trendlinien, Cluster und Referenzpositionen angezeigt. Benutzer können das Vorhersageintervall und den Modelltyp der integrierten Algorithmen anpassen, um die Daten- und Geschäftsanwendungsfälle besser zu erfüllen.

Abbildung 1: Mit einem Klick eine Prognose hinzufügen

Die Explain-Funktion prüft das Dataset, um aussagekräftige Geschäftsfaktoren, kontextbezogene Einblicke und Datenanomalien zu identifizieren – mit nur wenigen Klicks und ohne Programmierung. Wählen Sie Grafiken und Ergebnisse der Explain-Funktion aus, um ein neues Dashboard und eine neue Story zu starten.

Abbildung 2: Automatisches Generieren von analysegesteuerten visuellen Erkenntnissen


Mit der Auto Insights-Funktion werden Datasets untersucht und mit ML automatisch visuelle Einblicke mit allen verfügbaren Metriken und Attributen erstellt. Dies kann zu unentdeckten Zusammenhängen und Mustern in den Daten führen, die sonst möglicherweise nicht berücksichtigt worden wären. Mit einem Klick zeigt Oracle Analytics eine Reihe von Visualisierungen mit detaillierten Beschreibungen an, die einfach zu Ihrer Projektleinwand hinzugefügt werden können. Alle zur Ableitung der Insights verwendeten Berechnungen sind transparent und können bearbeitet werden.

Abbildung 3: Erläutern von Metriken bzw. Attributen mit einem Klick


Nutzen Sie die Explain- und Auto-Insights-Funktionen, um Ihre Projekte mit ML-gestützten, analysegesteuerten Erkenntnissen zu starten und das Syndrom der leeren Leinwand und voreingenommene Ergebnisse zu vermeiden.

NLP-Demo ansehen (1:16)

Natürliche Sprache

Verwenden Sie KI-gestütztes Natural Language Processing (NLP) und Natural Language Generation (NLG) zusammen mit generativen KI-erstellten Antworten, um besser mit Analysen zu interagieren und diese zu verstehen. Verwenden Sie einfach natürliche Sprache (gesprochen oder Suchschlüsselwörter), um Informationen aus Oracle Analytics-Datasets und der semantischen Ebene abzufragen, ohne dass Sie wissen müssen, wo sich die Daten befinden bzw. wie die Daten zusammengesetzt sind. Rendern Sie Visualisierungen automatisch im Kontext, während die Abfrage erstellt wird.

Abbildung 4: Natural Language Processing (NLP)

NLG erstellt intelligente Texterzählungen von Visualisierungen, die standardmäßig live mit der Datenquelle verbunden sind und mit anderen Datenobjekten auf der Leinwand interagieren, wie z. B. Visualisierungen und Filter. Das Erklärungsdetail verfügt über sieben wählbare Ebenen und die Beschreibung kann entweder auf „Trend“ oder „Aufschlüsselung“ eingestellt werden. Texterzählungen sind in mehreren Sprachen verfügbar. Mit der mobilen App können Analytics-Arbeitsmappen in gesprochene Erzählungen, beispielsweise Podcasts, umgewandelt werden.

Abbildung 5: Natural Language Generation (NLG)


Maschinelles Lernen für Data Scientists

Während der Datenvorbereitung können Sie mit dem Datenflusseditor zwischen Training der numerischen Vorhersage, Multiklassifikator, Binärklassifikator oder Clustering mit verschiedenen integrierten Algorithmen wählen. Diese ML-Algorithmen können angepasst, geschult, optimiert und dann in der weiteren Analytics-Benutzercommunity veröffentlicht werden. Sobald Modelle veröffentlicht sind, können sie auf neue Unternehmens- oder Personendatensätze angewendet werden.

Abbildung 6: Anpassen eines ML-Modells für lineare Regression

In Oracle Analytics Cloud trainierte Modelle können auf Qualität und Genauigkeit überprüft werden. Beispielsweise wurde dieser binäre Klassifikator nach Naive Bayes mit Abnutzungsdaten trainiert und die Qualität des Algorithmus anhand der bekannten wahren Werte aus den Testdaten bewertet.

Abbildung 7: Überprüfen der Genauigkeit eines ML-Modells

Greifen Sie auf die Tiefe und Raffinesse des maschinellen Lernens in Oracle Database zu, einem Teil von Oracle Autonomous Database. Maschinelles Lernen in Oracle Database bietet eine zentral gesteuerte Plattform zum Entwickeln, Testen und Veröffentlichen von ML-Modellen mit SQL, R, Python, REST und AutoML. Dies bietet Business-Anwendern die Flexibilität des Selfservices bei der Vorbereitung ihrer Daten. Veröffentlichte Modelle können dann in Oracle Analytics Cloud registriert werden, damit breitere Unternehmenskreise auf ihre eigenen Datasets zugreifen und diese ausführen können.

Erweiterung mit OCI AI Services

Oracle Analytics Cloud lässt sich in OCI AI Services integrieren, einschließlich OCI Vision und Document Understanding. Diese Integrationen erweitern die vorhandenen eingebetteten ML-Funktionen von OAC um ein noch breiteres Spektrum an Geschäftsanwendungsfällen. Nutzen Sie vorab trainierte Modelle oder entwerfen, verfeinern und implementieren Sie benutzerdefinierte Modelle und registrieren Sie diese in OAC für den direkten Zugriff durch Geschäftsexperten. Mit dem Document Understanding-Service können Sie KI-Modelle auf Dokumente – wie JPEG- und PDF-Dateien – anwenden und Schlüsselwerte sowie deren Kontext extrahieren. Auf diese Weise können Unternehmen Informationen aus Dokumenten erschließen, um zusätzliche Erkenntnisse zu gewinnen, selbst wenn die Informationen nicht in einer zentralen Datenbank erfasst wurden. Diese dynamischen Selfservice-Ansätze reduzieren die Abhängigkeit von Business-Anwendern von Ihrem Data-Science-Team bei der routinemäßigen, sich wiederholenden Modellausführung und Ergebnisbereitstellung. Business-Anwender können ihre Modelle unabhängig planen und ausführen, sodass sich Data-Science-Experten auf strategischere Aufgaben konzentrieren können.