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 “logiciel”.
  • Lancer une nouvelle recherche.
Nous contacter Se connecter à Oracle Cloud

Data Science Service

Oracle Cloud Infrastructure (OCI) Data Science est un service d'apprentissage automatique de bout en bout qui offre des environnements de bloc-notes JupyterLab et un accès à des centaines d'outils et de structures open source populaires. Créez et entraînez des modèles de machine learning avec les GPU NVIDIA, les fonctionnalités AutoML et le réglage automatisé des hyperparamètres. Déployez des modèles en tant qu'adresses HTTP ou utilisez Oracle Functions. Gérez les modèles via le versionnage, les travaux reproductibles et les catalogues de modèles.

Fonctionnalités du service de data science

Accès aux données et conversion de 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 fournit davantage de fonctionnalités de données potentielles qui conduisent à de meilleurs modèles.

Préparation des données à l'échelle avec OCI Data Flow

L'intégration à OCI Data Flow fournit une interface simple permettant de créer et d'exécuter des travaux 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 de donnée automatisés

Rationalisez les workflows d'analyse des données exploratoires avec des capacités de profilage de données de pointe, des visualisations intelligentes et des outils de préparation des données.

Outils de visualisation et de transformation de 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 les outils de visualisation open source populaires tels que Plotly, Matplotlib et Bokeh, pour aider les data scientists à explorer les données.

Construction du modèle

Interface JupyterLab

Les environnements de bloc-notes JupyterLab intégrés et hébergés dans le cloud permettent aux équipes de data scientists de créer et de former des modèles avec 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 structures open source populaires. Créez des modèles d'apprentissage automatique avec TensorFlow et PyTorch, ou ajoutez d'autres structures de votre choix.

Entraînement du modèle

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

Avec les GPU NVIDIA, les data scientists peuvent créer et former des modèles d'apprentissage approfondi en moins de temps. Par rapport aux processeurs, les performances peuvent être 5 à 10 fois plus rapides.

Apprentissage automatique (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 automatique des fonctionnalités, une sélection d'algorithme et un réglage des hyperparamètres. AutoML génère un candidat de modèle précis pour permettre au data scientist de gagner beaucoup de temps.

Réglage automatisé des hyperparamètres

Gagnez du temps et de l'énergie en ajustant les modèles avec le réglage automatisé des hyperparamètres à l'aide de la fonctionnalité ADS Tuner.

Évaluation et explication du modèle

Évaluation du modèle

L'évaluation automatisée génère une suite complète de métriques et de visualisations pour mesurer les performances du modèle par rapport à de nouvelles données et comparer les candidats modèles. 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 de modèle spécifiques 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 de modèle

Déploiement de modèle géré

Déployez des modèles d'apprentissage automatique en tant que terminaux HTTP pour servir les prédictions de modèle sur les nouvelles données en temps réel. Cliquez simplement pour effectuer le déploiement à partir du catalogue de modèles. OCI Data Science gère toutes les opérations d'infrastructure, y compris le provisionnement du calcul et l'équilibrage de charge.

Déploiement de modèle sur Oracle Functions

Déployez facilement des modèles de science des données avec Oracle Functions, une architecture hautement évolutive, à la demande et sans serveur dans Oracle Cloud Infrastructure.

Gestion de modèle

Catalogue de modèles

Les membres de l'équipe utilisent le catalogue de modèles pour conserver et partager des modèles d'apprentissage automatique 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 de provenance détaillées sur l'origine du modèle, y compris le code source et l'environnement d'entraînement dans lequel le modèle a été entraîné.

Environnements reproductibles

Tirez parti d'environnements conda prédéfinis et sélectionnés pour répondre à divers cas d'utilisation, comme le NLP, l'analyse graphique, Spark et NVIDIA RAPIDS. Publiez des environnements personnalisés et partagez-les avec vos collègues afin de garantir la reproductibilité des environnements de formation et d'inférence.

Travaux réutilisables

Les data scientists peuvent passer de l'expérimentation à la production en exécutant des tâches de science des données avec des travaux. Les travaux permettent d'automatiser les tâches reproductibles telles que le réentraînement et le redéploiement des modèles.

Contrôle de version

Les data scientists se connectent au référentiel Git de leur organisation pour préserver et récupérer le travail d'apprentissage automatique.

Modification dans la console des artefacts de travail

Créez, modifiez et exécutez facilement des artefacts de travail en data science directement à partir de la console OCI, à l'aide de l'éditeur de code. Livré avec l'intégration Git, l'autoversion, la personnalisation, et plus encore.

Découvrir plus de témoignages clients

OCI Data Integration - Témoignages clients

Les clients utilisent OCI Data Science pour améliorer la collaboration en science des données, gagner du temps et réduire les coûts de création de modèles d'apprentissage automatique.

logo cmri
logo dsp
logo prosperdtx
logo oxford
logo Prosperdtx

Prosperdtx personnalise ses plans de santé à l'aide d'Oracle Cloud

Principaux avantages de la science des données

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

    Utilisez Python, le langage le plus populaire pour la science des données, avec JupyterLab et plus de 300 bibliothèques et infrastructures open source, notamment Dask, scikit-learn et XGBoost. Vous pouvez également installer des bibliothèques de votre choix pour une flexibilité optimale.

  • La boîte à outils de la bibliothèque Accelerated Data Science d'Oracle accélère l'ensemble du workflow de science des données

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

    Machine learning plus rapide

    Regardez cette vidéo sur la science des données accélérée (1:01)

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

    Avec l'infrastructure en libre-service et à la demande, les data scientists sélectionnent la quantité de ressources de calcul et de stockage dont ils ont besoin pour traiter des projets de toute taille, sans s'inquiéter du provisionnement ni de la maintenance de l'infrastructure.

    Sécurisé pour l'entreprise

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

    Des tutoriels et des exemples de bloc-notes fournissent de l'expertise et des meilleures pratiques

    Accédez à des dizaines de didacticiels et d'exemples de bloc-notes, couvrant des sujets allant de la manière d'accéder aux données aux mathématiques qui sous-tendent les techniques d'explication des modèles. Commencez à gérer les différents problèmes de votre entreprise avec des méthodologies éprouvées et des conseils d'implémentation.

    Testez la science des données

Tarifs de la science des données

Sessions de bloc-notes sur la data science

Produit
Prix comparatif ( /vCPU)*
Prix unitaire
Unité
Calcul - Machine virtuelle standard - X7


OCPU par heure
Calcul - Standard - E3 - OCPU


OCPU 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 Go/mois

Stockage du catalogue de modèles de science des données

Produit
Prix comparatif ( /vCPU)*
Prix unitaire
Unité
Object Storage - Stockage


Capacité de stockage en gigaoctets par mois

Déploiement du modèle de science des données

Produit
Prix comparatif ( /vCPU)*
Prix unitaire
Unité
Calcul - Machine virtuelle standard - X7


OCPU par heure
Base d'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 Go/mois (10 VPU à 0,017 $ pour des performances équilibrées)

Tâches en science des données

Produit
Prix comparatif ( /vCPU)*
Prix unitaire
Unité
Calcul - Machine virtuelle standard - X7


OCPU 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 Go/mois
Unités de performance Block Volume


Unités de performance par Go/mois (10 VPU à 0,017 $ pour des performances équilibrées)
Unités de performance Block Volume


Unités de performance par Go/mois (10 VPU à 0,017 $ pour des performances équilibrées)
Object Storage - Stockage

Capacité de stockage en gigaoctets par mois

*Pour faciliter la comparaison des tarifs entre les fournisseurs de services cloud, les pages Web d'Oracle affichent les prix des vCPU virtuelles et des OCPU (Oracle CPU) pour les produits avec des tarifs basés sur le calcul. Les produits eux-mêmes, le provisionnement dans le portail, la facturation, etc. continuent d'utiliser des unités d'OCPU (Oracle CPU). Les OCPU représentent des coeurs de processeur physiques. La plupart des architectures de CPU, y compris x86, exécutent deux threads par coeur physique, de sorte qu'un OCPU représente l'équivalent de deux vCPUs pour le calcul basé sur x86. Le tarif par heure auquel les clients OCPU sont facturés est donc le double du prix du vCPU, puisqu'ils reçoivent deux vCPUs de puissance de calcul pour chaque OCPU, sauf s'il s'agit d'une instance de sous-cœur telle que des instances préemptibles.

19 mars 2021

Déploiement de modèle pour les prédictions en temps réel 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 Déploiement de modèle pour permettre l'utilisation de modèles d'apprentissage automatique en tant qu'adresses HTTP et fournir un scoring de données en temps réel.

Lire la suite de l'article

Blogs à la une

Tout afficher

Ressources en science des données

documentation

Apprenez 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 cloud 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 l'analytique

Oracle Cloud Infrastructure Data Catalog

Recherchez et gérez les données dans toute l'entreprise à l'aide d'un inventaire organisé des actifs

Oracle Cloud Infrastructure Data Flow

Exécutez les applications Apache Spark sans déployer ni gérer l'infrastructure

Lancez-vous avec la science des données


Visite guidée de produit

Découvrez l’interface utilisateur avec cette visite interactive


Atelier pratique

Découvrez le produit en direct, gratuitement.


Référentiel Github OCI Data Science

Découvrez des exemples de code, des laboratoires et des tutoriels


Lettre d'informations sur la science des données

Découvrez plus d'informations dans la lettre d'informations sur la science des données