Oracle Cloud Infrastructure (OCI) Data Science ist eine vollständig verwaltete Plattform für Teams von Data Scientists, um Modelle für maschinelles Lernen mithilfe von Python und Open Source-Tools zu erstellen, zu trainieren und bereitzustellen. Nutzen Sie eine JupyterLab-basierte Umgebung, um zu experimentieren und Modelle zu entwickeln. Skalieren Sie das Modelltraining mit NVIDIA-GPUs und verteiltem Training. Verwenden Sie Modelle für die Produktion und bewahren Sie deren Fehlerfreiheit mithilfe von MLOps-Funktionen wie automatisierten Pipelines, Modellbereitstellungen und einer Modellüberwachung.
Entdecken Sie Best Practices, Tipps und empfohlene Toolsets, um die Einführung von Cloud-nativen und KI-Technologien zu vereinfachen und Ihre nächste App-Innovation zu beschleunigen. Nehmen Sie persönlich vor Ort oder online teil.
Das Erstellen eines Machine Learning-Modells ist ein iterativer Prozess. Erfahren Sie mehr über jeden Schritt – von der Datenerfassung bis hin zur Modellbereitstellung und -überwachung.
Erfahren Sie, wie Sie ein strategisches Investitionsmodell für die Skalierung von KI entwickeln können. Dieser Gartner-Bericht enthält Empfehlungen für den richtigen KI-Investitionsmix und eine Formel zur Berechnung der Kapitalrendite (ROI).
Künstliche Intelligenz wird immer mehr in alle Unternehmensfunktionen integriert. IDC untersucht Best-Practices und Empfehlungen für Unternehmens-KI.
Sichern Sie sich Zugriff auf automatisierte Workflows, um Modelle zu erstellen. Profitieren Sie von einer einfacheren Operationalisierung von ML mithilfe wiederverwendbarer Jobs und einer End-to-End-Orchestrierung für den ML-Lebenszyklus. Führen Sie leistungsstarke verteilte Workloads mit Zugriff auf kostengünstigere GPUs aus.
Dank wichtiger Partnerschaften wie der mit Anaconda, können Sie auf Oracle das beste vom ML erwarten. Verwenden Sie Modelle, Daten und Code in den Formaten, die Sie benötigen.
Profitieren Sie bei Ihren strategischen ML-Partnerschaften von einem bestmöglichen Service. Oracle verfügt über Data Scientists, die sich voll und ganz für den Erfolg Ihres Unternehmens einsetzen.
Identifizieren Sie Risikofaktoren und prognostizieren Sie das Patientenrisiko für eine Wiedereinlieferung nach der Entlassung durch die Erstellung eines Vorhersagemodells. Verwenden Sie dabei Daten wie die Krankengeschichte des Patienten, den Gesundheitszustand, Umweltfaktoren sowie historische medizinische Trends, um ein stärkeres Modell zu generieren, mit dem Sie die bestmögliche Versorgung zu geringeren Kosten zur Verfügung stellen können.
Wenden Sie Regressionstechniken auf Daten an, um zukünftige Kundenausgaben vorherzusagen. Untersuchen Sie dabei vergangene Transaktionen und kombinieren Sie historische Kundendaten mit weiteren Daten zu Trends, Einkommensniveaus oder gar Faktoren wie dem Wetter, um ML-Modelle zu erstellen, mit denen Sie bestimmen können ,ob Sie Marketingkampagnen auflegen sollten, um Bestandskunden zu halten oder Neukunden zu gewinnen.
Erstellen Sie Modelle zum Erkennen von Anomalien aus Sensordaten, um Geräteausfälle zu ermitteln, bevor diese zu einem größeren Problem werden oder nutzen Sie Prognosemodelle, um das Lebensdauerende von Teilen und Maschinen vorherzusagen. Verlängern Sie die Betriebszeiten von Fahrzeugen und Maschinen durch maschinelles Lernen und die Überwachung von Betriebsmetriken.
Verhindern Sie Betrug und Finanzkriminalität mithilfe von Data Science. Erstellen Sie ein ML-Modell, das anomale Ereignisse in Echtzeit erkennt, eineschließlich betrügerischer Mengen an Transaktionen von untypischer Art.
Tzvi Keisar, Senior Principal Product Manager
Das Trainieren von Modellen, um präzisere Vorhersagen zu generieren, ist eine komplexe Aufgabe, die ein umfassendes Fachwissen im Bereich der Data Science erfordert. Aber auch nachdem das Modell einmal erstellt wurde, stehen noch weitere Herausforderungen an. Sie müssen eine weitere wichtige Aufgabe bewältigen: Sie müssen das Modell dazu bringen, Prognosen in Echtzeit auf der Grundlage neuer Daten zu generieren, ein Vorgang der auch die „Produktionalisierung des Modells“ (Model Productionalization) genannt wird. Diese Aufgabe ist ebenso komplex wie das Erstellen des Modells. Vielleicht haben Sie bereits Artikel über den erstaunlichen Prozentsatz an KI-Projekten gelesen, die scheitern, wenn sie für die Produktion bereitgestellt werden.
Vollständigen Beitrag lesen