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.
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.
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.
Pourquoi OCI Data Science ?
-
Science des données haute performance
Accéder à des workflows automatisés pour la construction de modèles. Faciliter l'exploitation du ML grâce à des tâches réutilisables et à une orchestration de bout en bout du cycle de vie du ML. Exécuter des charges de travail distribuées et performantes en accédant à des GPU à moindre coût.
-
Plate-forme ouverte
Découvrir le meilleur du ML sur Oracle grâce à des partenariats majeurs, comme Anaconda. Apporter des modèles, des données et du code dans le format dont vous avez besoin.
-
Excellent support
Bénéficier d'un traitement haut de gamme pour les partenariats de ML stratégiques. Oracle dispose de data scientists sur le personnel dédié à la réussite de votre entreprise.
Témoignages clients et partenariats dans le domaine de la science des données
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.
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