Oracle Data Science Cloud

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.

• Se connecter à plusieurs sources de données à l’aide d’Accelerated data science (17:23)

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.

• Introduction à JupyterLab dans OCI Data Science (21:38)

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.

• Les formes GPU VM sont maintenant disponibles dans OCI Data Science
• Accélérer le machine learning en utilisant les GPU NVIDIA avec RAPIDS
• L’optimisation des estimateurs et l’ADSTuner

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.

• Machine learning interprétable (29:43)

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.

• Nouvelle fonctionnalité de l’environnement Conda disponible dans OCI Data Science