Es tut uns leid. Wir konnten keine Übereinstimmung für Ihre Suche finden.

Beachten Sie die folgenden Tipps, um das Gesuchte zu finden:

  • Prüfen Sie die Schreibweise des Suchbegriffs.
  • Verwenden Sie Synonyme für das eingegebene Stichwort, z. B. „Anwendung“ statt „Software“.
  • Beginnen Sie eine neue Suche.
Country Kontaktieren Sie uns Bei Oracle Cloud anmelden

Data Science-Service

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.

Der Lebenszyklus von ML-Modellen

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.

IDC: Geschäftliche Transformation von Unternehmen

Künstliche Intelligenz wird immer mehr in alle Unternehmensfunktionen integriert. IDC untersucht Best-Practices und Empfehlungen für Unternehmens-KI.

Medizinische Forschung
Die Forschungsaktivitäten von CMRI können jetzt 6-mal schneller mit Oracle AI abgeschlossen werden
Partnerschaft
Kostenloser Zugriff auf das Anaconda-Repository über OCI
Sporttechnologie
Seattle Sounders FC erstellt Datenmodelle, um die Leistung zu verbessern
Gesundheitswesen
DSP unterstützt das National Institute for Health Research bei der Verbesserung der klinischen Arbeitsprozesse
Gesundheitswesen
Prosperdtx verbessert durch die Verwendung von Data Science bei digitalen Plänen für die Gesundheitsversorgung die Patientenbetreuung

Anwendungsfälle für Data Science

  • Gesundheitswesen: Das Risiko von Patienten für eine Wiedereinlieferung

    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.

  • Einzelhandel: Prognose des Customer Lifetime Value

    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.

  • Fertigung: vorausschauende Instandhaltung

    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.

    Finanzen: Betrugserkennung

    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.

Dienstag, 18. Oktober 2022

Modelle für maschinelles Lernen mit MLOps auf OCI produktionsreif machen und darüber hinaus

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

Ausgewählte Blogs

Alle anzeigen

Referenzarchitekturen für KI/maschinelles Lernen

Alle Referenzarchitekturen anzeigen