Le machine learning permet de découvrir des modèles et des informations cachés dans les données d’entreprise, générant ainsi une nouvelle valeur pour l’entreprise. Oracle Machine Learning accélère la création et le déploiement de modèles de machine learning pour les data scientists en réduisant les mouvements de données, en utilisant la technologie AutoML et en simplifiant le déploiement.
Mercredi 20 octobre, 12h00 ET / 13h00 BRT / 18h00 CEST
Augmentez la productivité des data scientists et des développeurs et réduisez leur courbe d’apprentissage grâce à la technologie de notebooks Apache Zeppelin, basée sur une source ouverte et familière. Les notebooks prennent en charge les interpréteurs SQL, PL/SQL, Python et Markdown pour Oracle Autonomous Database afin que les utilisateurs puissent travailler avec le langage de leur choix lors du développement de modèles.
Réduisez le temps de déploiement et de gestion des modèles natifs dans la base de données et des modèles de classification et de régression au format ONNX en dehors d’Oracle Autonomous Database. Les développeurs d’applications disposent de points de terminaison REST faciles à intégrer. Les data scientists bénéficient d’un déploiement de modèle intégré à partir de l’interface utilisateur Oracle Machine Learning AutoML.
Simplifiez et accélérez la création de modèles de machine learning pour les data scientists, experts ou non, en utilisant des langages SQL et PL/SQL familiers pour la préparation des données, la création de modèles, l’évaluation et le déploiement.
Une interface utilisateur sans code prenant en charge AutoML sur Autonomous Database pour améliorer la productivité des data scientists et l’accès des utilisateurs non experts aux puissants algorithmes de classification et de régression de la base de données.
Les data scientists et autres utilisateurs de Python accélèrent la construction et l’exécution des modèles en exploitant l’environnement Python intégré à Oracle Autonomous Database comme une plateforme de calcul haute performance. Le module AutoML intégré permet de sélectionner automatiquement les algorithmes et les caractéristiques, ainsi que de régler et de sélectionner les modèles. Ensemble, ces fonctionnalités améliorent la productivité des utilisateurs, la précision des modèles et les performances.
Simplifiez et accélérez la création de modèles de machine learning pour les data scientists, experts ou non, en utilisant des langages SQL et PL/SQL familiers pour la préparation des données, la création de modèles, l’évaluation et le déploiement.
Les data scientists et analystes peuvent utiliser cette interface utilisateur de type glisser-déposer pour construire rapidement des flux de travail analytiques. Le développement et le raffinement rapides des modèles permettent aux utilisateurs de découvrir des modèles, des relations et des informations cachés dans leurs données.
Les utilisateurs de R bénéficient des performances et de l’évolutivité d’Oracle Database pour l’exploration, la préparation et le machine learning des données à l’aide du langage de leur choix. Une interface R intégrée permet de déployer facilement des fonctions R définies par l’utilisateur à l’aide de SQL, ce qui facilite l’utilisation des bibliothèques et des packs CRAN.
Simplifiez et accélérez la création de modèles de machine learning pour les data scientists et les data scientists citoyens, en utilisant des langages SQL et PL/SQL familiers pour la préparation des données, la création de modèles, l’évaluation et le déploiement.
Les data scientists et analystes peuvent utiliser cette interface utilisateur de type glisser-déposer pour construire rapidement des flux de travail analytiques. Le développement et le raffinement rapides des modèles permettent aux utilisateurs de découvrir des modèles, des relations et des informations cachés dans leurs données.
Les utilisateurs de R bénéficient des performances et de l’évolutivité d’Oracle Database pour l’exploration, la préparation et le machine learning des données à l’aide du langage de leur choix. Une interface R intégrée permet de déployer facilement des fonctions R définies par l’utilisateur à l’aide de SQL, ce qui facilite l’utilisation des bibliothèques et des packs CRAN.
Les data scientists peuvent utiliser une API R avec des algorithmes évolutifs natifs et basés sur MLlib Spark sur des données provenant de Hive, Impala et HDFS pour accélérer la construction de modèles et l’évaluation des données dans les environnements de big data.
Une interface utilisateur sans code prenant en charge AutoML sur Autonomous Database pour améliorer la productivité des data scientists et l’accès des utilisateurs non experts aux puissants algorithmes de classification et de régression de la base de données.
Les data scientists et analystes peuvent utiliser cette interface utilisateur de type glisser-déposer pour construire rapidement des flux de travail analytiques. Le développement et le raffinement rapides permettent aux utilisateurs de découvrir des modèles, des relations et des informations cachés dans leurs données.
Découvrez comment créer plus rapidement des modèles de machine learning avec Python, R et SQL.
Au moment où certains Clouds de data warehouse essaient de comprendre comment ils se comportent avec le machine learning, Oracle a beaucoup déplacé les objectifs », a déclaré Marc Staimer, président de DS Consulting et analyste de Wikibon. « Oracle Autonomous Data Warehouse comprend désormais Auto-ML. ADW a intégré le machine learning intégré depuis sa création. Mais maintenant, celui-ci a été automatisé pour que tout client ADW puisse l’utiliser sans aucune expertise. Les autres offres semblent donc rudimentaires et primitives en comparaison.Marc Staimer Président de DS Consulting et analyste de Wikibon
Les améliorations apportées par Oracle à Autonomous Data Warehouse sont importantes à trois égards. Tout d’abord, cela fournit des interfaces utilisateur de type pointer-cliquer et l’automatisation du machine learning, ce qui permet aux non-professionnels de générer des informations exploitables. Deuxièmement, grâce à cette facilité d’utilisation, même les PME disposant d’un petit service informatique peuvent tirer parti du data warehouse Cloud sophistiqué d’Oracle. Enfin, grâce à Autonomous Data Warehouse, les utilisateurs peuvent ingérer des données provenant de n’importe quelle source, qu’il s’agisse de systèmes départementaux, de data warehouses d’entreprise, de lacs de données ou même d’autres Clouds (AWS, Azure et Google), et exécuter diverses charges de travail analytiques. Dans l’ensemble, Oracle étend matériellement la portée d’Autonomous Data Warehouse à travers les utilisateurs, les entreprises et l’accès aux données vers les multi-clouds. Cela transcende les barrières de ce qui est possible aujourd’hui avec AWS Redshift et Snowflake et tout autre data warehouse Cloud sur la planète.Richard Winter PDG et architecte principal
Des clients du monde entier tirent parti des capacités de machine learning en base de données d’Oracle pour résoudre des problèmes complexes et importants liés aux données.
Les data scientists et les développeurs élaborent des modèles et évaluent les données plus rapidement et à grande échelle, sans avoir à extraire les données vers des moteurs d’analyse distincts. L’architecture évolutive d’Oracle Exadata et la technologie Smart Scan fournissent des résultats rapides.
Les data scientists et les développeurs utilisant Oracle Machine Learning sont protégés avec la sécurité intégrée Oracle Database, le chiffrement et l’accès basé sur les rôles des données utilisateur et des modèles.
Les développeurs et l’équipe élargie de la data science obtiennent une disponibilité immédiate du modèle de machine learning grâce à des options de déploiement faciles utilisant des interfaces SQL et REST.
Les data scientists et les développeurs traitent les données là où elles résident dans Oracle Database, ce qui permet de simplifier la création et le déploiement de modèles, de réduire le temps de développement des applications et d’améliorer la sécurité des données.
Les data scientists évitent les problèmes de performances lors de la préparation des données, de la création de modèles et du scoring de données en utilisant le parallélisme et l’évolutivité intégrés d’Oracle Database, avec des optimisations uniques pour Oracle Exadata.
Les data scientists et les développeurs connaissent la puissance de Python et l’adoption généralisée de Python témoigne de son succès. Désormais, les utilisateurs de Python peuvent étendre cette puissance lors de l’analyse des données dans Oracle Autonomous Database. Avec Oracle Machine Learning for Python (OML4Py), le langage de script et l’environnement open source Python sont prêts pour l’entreprise et le Big Data.
Lisez l’article completCommencez avec Oracle Cloud et accédez gratuitement à Oracle Machine Learning dans Autonomous Database.
Inscrivez-vous aujourd’hui pour assister aux TechCasts de la communauté d’utilisateurs Analytics et Data Oracle.
Obtenez de l’aide et apprenez ensemble grâce à la communauté Oracle in-database Machine Learning Groundbreakers.