Aucun résultat trouvé

Votre recherche n’a donné aucun résultat.

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 tapé, par exemple, essayez "application" au lieu de "software".
  • Lancer une nouvelle recherche.
Nous contacter Se connecter à Oracle Cloud

Oracle Data Science Cloud

Rapidly build, train, deploy, and manage machine learning models with a data science cloud platform built for teams.

OCI Data Science

Accès aux données et traitement des données

Accès aux données flexible

Les data scientists peuvent accéder à n’importe quelle source de données et l’utiliser dans n’importe quel Cloud ou sur site. Cela permet d’obtenir davantage de caractéristiques de données potentielles qui conduisent à de meilleurs modèles.

Préparation des données à l’échelle avec OCI Data Flow

L’intégration avec OCI Data Flow fournit une interface facile pour créer et exécuter des tâches Spark à grande échelle à partir de l’environnement Data Science. En outre, un environnement PySpark permet le développement itératif d’applications Data Flow dans des sessions de bloc-notes.

Profilage et préparation automatisés des données

Rationaliser les flux d’analyse des données exploratoires grâce à des fonctionnalités de profilage des données, des visualisations intelligentes et des outils de préparation des données de pointe.

Outils de transformation et de visualisation des données open source

OCI Data Science prend en charge les outils de manipulation de données open source préférés des data scientists, tels que Pandas, Dask et Numpy, ainsi que des outils de visualisation open source populaires, tels que Plotly, Matplotlib et Bokeh, pour aider les data scientists à explorer les données.

Construction d’un modèle

Interface JupyterLab

Les environnements JupyterLab intégrés et hébergés dans le Cloud permettent aux équipes de data science de créer et de former des modèles à l’aide d’une interface utilisateur familière.

Infrastructures d’apprentissage automatique open source

OCI Data Science offre familiarité et polyvalence aux data scientists, avec des centaines d’outils et de cadres open source populaires. Créer des modèles de machine learning avec TensorFlow ou PyTorch, ou ajouter les frameworks de votre choix.

Formation d’un modèle

Matériel puissant, y compris les unités de traitement graphique (GPU)

Avec les GPU NVIDIA, les data scientists peuvent créer et entraîner des modèles de deep learning en moins de temps. Par rapport aux CPU, les performances peuvent être 5 à 10 fois plus rapides.

Machine learning automatisé (Oracle AutoML)

La bibliothèque Accelerated Data Science prend en charge Oracle AutoML, ainsi que des outils open source tels que H2O 3 et auto-sklearn. AutoML offre un échantillonnage adaptatif, une sélection automatisée des caractéristiques, une sélection des algorithmes et un réglage des hyperparamètres. AutoML génère un modèle candidat précis afin de faire gagner un temps considérable au data scientist.

Réglage automatisé des hyperparamètres

Gagner du temps et de l’énergie en réglant les modèles grâce au réglage automatique des hyperparamètres à l’aide de la fonction ADS Tuner.

Évaluation et explication du modèle

Évaluation du modèle

L’évaluation automatisée génère une série complète de mesures et de visualisations permettant de mesurer les performances du modèle par rapport aux nouvelles données et de comparer les modèles candidats. Cela permet aux data scientists de produire plus facilement des modèles de haute qualité.

Explication du modèle

L’explication automatisée du modèle comprend des explications globales et locales avec des prédictions spécifiques du modèle pour le comportement global d’un modèle. Pour les consommateurs de modèles, les explications automatisées indépendantes du modèle améliorent la compréhension et la confiance, répondent aux besoins réglementaires et augmentent la vitesse d’adoption du machine learning.

Déploiement du modèle

Déploiement de modèle géré

Déployer des modèles de machine learning en tant que points de terminaison HTTP pour servir des prédictions de modèles sur de nouvelles données en temps réel. Il suffit de cliquer pour déployer à partir du catalogue de modèles, et OCI Data Science se charge de toutes les opérations d’infrastructure, y compris l’approvisionnement des ordinateurs et l’équilibrage des charges.

Déploiement du modèle sur Oracle Functions

Déployer facilement des modèles de data science en tant qu’Oracle Functions, une architecture sans serveur, à la demande et hautement évolutive, dans Oracle Cloud Infrastructure.

Gestion du modèle

Catalogue de modèles

Les membres de l’équipe utilisent le catalogue de modèles pour préserver et partager les modèles de machine learning terminés. Le catalogue stocke les artefacts et capture les métadonnées relatives à la taxonomie et au contexte du modèle, les hyperparamètres, les définitions des schémas de données d’entrée et de sortie du modèle, ainsi que des informations détaillées sur l’origine du modèle, notamment le code source et l’environnement de formation dans lequel le modèle a été formé.

Environnements reproductibles

Exploiter les environnements conda préconstruits et conservés pour répondre à une variété de cas d’utilisation, comme NLP, l’analyse de graphes, Spark et NVIDIA RAPIDS. Publier des environnements personnalisés et les partager avec des collègues, afin de garantir la reproductibilité des environnements de formation et d’inférence.

Contrôle de version

Les data scientists peuvent se connecter au référentiel Git de leur entreprise pour préserver et récupérer les travaux de machine learning.

Voir tous les cas clients

OCI Data Science - Cas clients

Les clients utilisent OCI Data Science pour améliorer la collaboration dans le domaine de la data science et pour économiser du temps et de l’argent dans la construction de modèles de machine learning.

Logo Victoria
Logo DSP
logo prosperdtx
logo oxford
prosperdtix

Prosperdtx personnalise les plans de soins de santé grâce à Oracle Cloud

Principaux avantages

  • Les outils open source offrent familiarité et productivité aux data scientists

    Utilisez Python, le langage le plus populaire pour la data science, avec JupyterLab et des centaines de bibliothèques et de cadres open source comme Dask, scikit-learn et XGBoost. Ou installez les bibliothèques de votre choix pour une flexibilité optimale.

  • Le kit d’outils de la bibliothèque Accelerated Data Science d’Oracle accélère l’ensemble du flux de travail de la data science

    Accelerated Data Science (ADS) est une bibliothèque Python de bout en bout couvrant l’ensemble du cycle de vie de la data science, qui permet de produire plus rapidement et plus facilement des modèles de haute qualité.

    Machine learning plus rapide

    Regarder cette vidéo sur Accelerated Data Science (1:01)

  • Une infrastructure entièrement gérée améliore la productivité et réduit les coûts de gestion

    Grâce à l’infrastructure en libre accès et à la demande, les data scientists choisissent la quantité de ressources de calcul et de stockage dont ils ont besoin pour s’attaquer à des projets de toute taille, sans se soucier de l’approvisionnement ou de la maintenance de l’infrastructure.

    Sécurisé pour l’entreprise

    Les politiques de sécurité basées sur l’équipe permettent aux data scientists d’inclure les membres de l’équipe dans les projets. Ces politiques contrôlent l’accès aux modèles, au code et aux données, facilitant ainsi la collaboration tout en protégeant les travaux sensibles. Les contrôles de sécurité sont entièrement intégrés à Oracle Cloud Infrastructure Identity and Access Management.

    Des cahiers de tutoriel et d’exemples fournissent une expertise et les bonnes pratiques

    Accédez à des dizaines de cahiers de tutoriel et d’exemples, couvrant des sujets allant de la manière d’accéder aux données aux mathématiques qui sous-tendent les techniques d’explication des modèles. Prenez un bon départ dans la résolution de différents problèmes commerciaux grâce à une méthodologie éprouvée et à des conseils de mise en œuvre.

    Essayer la data science

Tarification

Sessions de bloc-notes sur la data science

Produit
Prix unitaire
Indicateur
Calcul - Standard - E2

vCPU par heure
Calcul - Machine virtuelle standard - X7

vCPU par heure
Calcul - Standard - E3 - OCPU

vCPU par heure
Calcul - Standard - E3 - Mémoire

Gigaoctets par heure
VM.GPU2.1 (NVIDIA P100)

GPU par heure
VM.GPU3.x (NVIDIA V100 Tensor Core - 16 Go)

GPU par heure
Stockage Block Volume
Capacité de stockage en gigaoctets par mois
Unités de performance Block Volume

Unités de performance par gigaoctet par mois

Modèles de data science

Produit
Prix unitaire
Indicateur
Object Storage - Stockage

Capacité de stockage en gigaoctets par mois

Déploiements de modèles de data science

Produit
Prix unitaire
Indicateur
Calcul - Machine virtuelle standard - X7

vCPU par heure
Base de l’équilibreur de charge Heure de l’équilibreur de charge
Bande passante de l’équilibreur de charge Mbit/s par heure
Stockage Block Volume

Capacité de stockage en gigaoctets par mois
Unités de performance Block Volume

Unités de performance par gigaoctet par mois (10 VPU à 0,017 $ pour les unités de performance équilibrées)

La pratique courante dans le secteur du Cloud consiste à définir les instances de calcul en fonction du nombre de CPU virtuels (vCPU) qu’elles comprennent. Chaque vCPU fournit la capacité d’un thread d’exécution. Une vCPU ne fournit pas un cœur de calcul physique entier, mais une partie d’un cœur. En revanche, les formes de calcul x86 d’Oracle utilisent des OCPU, qui équivalent à des cœurs de CPU physiques, chacun d’entre eux fournissant deux threads. Pour permettre aux clients de comparer plus facilement les différents fournisseurs de services Cloud, Oracle présente le prix des vCPU sur ses pages web, tandis que la facturation est basée sur le nombre d’OCPU consommés. Le tarif OCPU horaire facturé aux clients est deux fois plus élevé que le prix des vCPU sur les pages web, puisqu’ils reçoivent deux vCPU de puissance de calcul au lieu d’un.

19 mars 2021

Le déploiement de modèles pour les prédictions en temps réel est désormais disponible dans Oracle Cloud Infrastructure Data Science

Tzvi Keisar, chef de produit principal, Oracle

Oracle Cloud Infrastructure (OCI) Data Science a publié une nouvelle fonctionnalité appelée Model Deployment qui permet de servir des modèles de machine learning en tant que points finaux HTTP et de fournir une évaluation en temps réel des données.

Lire l’article complet

Flux de blogs en vedette

Tout afficher

Ressources

documentation

Apprendre à connaître le service cloud OCI Data Science

Une visite interactive de l’interface utilisateur.

Cloud Learning

En savoir plus sur la data science

En savoir plus sur OCI Data Science.

Produits associés

Oracle Machine Learning

Créer des modèles de machine learning dans la base de données

Intégration des données Oracle Cloud Infrastructure

Combinez et transformez facilement les données pour la data science et les analytiques

Oracle Cloud Infrastructure Data Catalog

Rechercher et gouverner les données à travers l’entreprise en utilisant un inventaire organisé des actifs

Oracle Cloud Infrastructure Data Flow

Exécuter des applications Apache Spark sans déployer ni gérer d’infrastructure

Pour commencer


Visite guidée de produit

Découvrir l’interface utilisateur avec cette visite interactive


Atelier pratique

Découvrez le produit en direct, gratuitement.


OCI Data Science Github Repository

Découvrez des exemples de code, des ateliers et des tutoriels


Newsletter Data Science

Découvrez-en plus dans la newsletter Data Science