Nous sommes désolés. Impossible de trouver une correspondance pour votre recherche.

Nous vous suggérons d’essayer ce qui suit pour trouver ce que vous recherchez :

  • Vérifiez l’orthographe de votre recherche par mot clé.
  • Utilisez des synonymes pour le mot clé que vous avez saisi, par exemple, essayez « application » au lieu de « logiciel ».
  • Lancez une nouvelle recherche.
Nous contacter Se connecter à Oracle Cloud

Data Science Service

Oracle Cloud Infrastructure (OCI) Data Science est une plate-forme entièrement gérée destinée aux équipes de data scientists pour construire, former, déployer et gérer des modèles de machine learning à l'aide de Python et d'outils open source. Utiliser un environnement basé sur JupyterLab pour expérimenter et développer des modèles. Adapter la formation aux modèles avec des GPU NVIDIA et une formation distribuée. Mettre les modèles en production et les maintenir en bonne santé grâce aux fonctionnalités MLOps, telles que les pipelines automatisés, les déploiements de modèles et la surveillance des modèles.

Le cycle de vie des modèles de machine learning

La création d’un modèle de machine learning est un processus itératif. En savoir plus sur chaque étape, de la collecte de données aux déploiement et au suivi de modèles.

IDC : transformation de l'entreprise

L'intelligence artificielle s'intègre rapidement aux différents services de l'entreprise. IDC explore les bonnes pratiques et les recommandations pour l'IA d'entreprise.

Témoignages clients et partenariats dans le domaine de la science des données

Découvrir d'autres scénarios clients liés à la science des données
Medical research
Les activités de recherche du CMRI peuvent désormais être réalisées 6 fois plus rapidement grâce à l'IA d'Oracle
Partenariats
Accédez au référentiel Anaconda sans frais via OCI
Technologies sportives
Seattle Sounders FC crée des modèles de données pour améliorer ses performances
Santé
DSP aide le National Institute for Health Research à améliorer le parcours clinique
Santé
Prosperdtx améliore les soins aux patients en utilisant la science des données pour les plans de soins de santé numériques

Science des données - Cas d'utilisation

  • Soins de santé : Risque de réadmission des patients

    Identifier les facteurs de risque et prédire le risque de réadmission des patients après leur sortie en créant un modèle prédictif. Utiliser les données, telles que les antécédents médicaux du patient, son état de santé, les facteurs environnementaux et les tendances médicales historiques, pour construire un modèle plus solide qui aide à fournir les meilleurs soins à un coût moindre.

  • Vente au détail : Prédire la valeur de la vie du client

    Utiliser des techniques de régression sur les données pour prédire les dépenses futures des clients. Examiner les transactions passées et combiner les données historiques des clients avec d'autres données sur les tendances, les niveaux de revenus, voire des facteurs tels que la météo, pour construire des modèles de ML qui déterminent s'il faut créer des campagnes marketing pour conserver les clients actuels ou en acquérir de nouveaux.

  • Fabrication : maintenance prédictive

    Créer des modèles de détection d'anomalies à partir de données de capteurs pour détecter les pannes d'équipement avant qu'elles ne deviennent un problème plus grave ou utiliser des modèles de prévision pour prévoir la fin de vie des pièces et des machines. Augmenter le temps de fonctionnement des véhicules et des machines grâce au machine learning et à la surveillance des paramètres d'exploitation.

    Finance : détection de fraude

    Prévenir la fraude et les délits financiers grâce à la science des données. Construire un modèle de machine learning capable d'identifier les événements anormaux en temps réel, notamment les montants frauduleux ou les types de transactions inhabituels.

Mardi 18 octobre 2022

Mettre les modèles de machine learning en production et au-delà avec MLOps sur OCI

Tzvi Keisar, Chef de produit principal

La formation de modèles pour générer des prédictions précises est une tâche complexe qui requiert une expertise approfondie dans le domaine de la science des données. Cependant, même après la construction du modèle, le parcours n'est pas terminé. Vous avez une autre tâche importante à accomplir : faire en sorte que le modèle génère des prédictions sur de nouvelles données dans la vie réelle, ce que l'on appelle souvent la « productionnalisation du modèle ». Cette tâche est tout aussi complexe que la construction du modèle. En fait, vous avez peut-être lu des articles sur le pourcentage stupéfiant de projets d'intelligence artificielle qui échouent lors de leur déploiement en production.

Lire la suite de l'article

Blogs à la une

Tout afficher

Architectures de référence pour l'IA/le machine learning

Voir toutes les architectures de référence