機械学習は、エンタープライズデータの隠れたパターンとインサイトを明らかにし、ビジネスに新しい価値を生み出します。Oracle Machine Learningにより、データ移動の削減、AutoMLテクノロジーの利用、導入の簡素化が可能になり、データ・サイエンティストは、機械学習モデルをよりすばやく作成および導入できます。
Python、R、SQLを使用して機械学習モデルをよりすばやく構築する方法をご覧ください。
使い慣れたオープンソースベースのApache Zeppelinノートブック・テクノロジーにより、データ・サイエンティストと開発者は、生産性を高め、学習曲線を短縮できます。ノートブックは、Oracle Autonomous DatabaseのSQL、PL/SQL、Python、およびマークダウン・インタープリターをサポートしているため、ユーザーはモデルの開発時に選択した言語で作業できます。
Oracle Autonomous Databaseの外部で、ネイティブのデータベース内モデルとONNX形式の分類および回帰モデルを導入および管理する時間を短縮します。アプリケーション開発者は、統合が容易なRESTエンドポイントを使用できます。データ・サイエンティストは、導入された統合モデルをOracle Machine Learning AutoMLユーザー・インターフェイスから使用できます。
データの準備、モデルの構築、評価、導入に使い慣れたSQLとPL/SQLを使用できるため、データ・サイエンティストは専門家でなくても、機械学習モデルをより簡単にすばやく作成できます。
Autonomous DatabaseでAutoMLをサポートするノーコード・ユーザー・インターフェイス。データ・サイエンティストは生産性を高めることができます。専門家でないユーザーでも分類と回帰のための強力なデータベース内アルゴリズムにアクセスしやすくなります。
データ・サイエンティストやその他のPythonユーザーは、Oracle Autonomous Databaseの組み込みのPython環境を高性能コンピューティング・プラットフォームとして活用することで、よりすばやくモデルを構築して実行できます。組み込みのAutoMLにより、アルゴリズムと機能の自動選択だけでなく、モデルのチューニングと選択も可能になります。さらに、これらの機能により、ユーザーの生産性、モデルの精度、パフォーマンスが向上します。
データの準備、モデルの構築、評価、導入に使い慣れたSQLとPL/SQLを使用できるため、データ・サイエンティストは専門家でなくても、機械学習モデルをより簡単にすばやく作成できます。
データ・サイエンティストとデータアナリストは、このドラッグ・アンド・ドロップのユーザー・インターフェイスを使用して、分析ワークフローをすばやく構築できます。モデルの迅速な開発と改良により、ユーザーはデータ内の隠れたパターン、関係、インサイトを発見できます。
Rユーザーは、選択した言語を使用したデータの探索、準備、機械学習に、Oracle Databaseのパフォーマンスとスケーラビリティを活用できるようになります。統合されたRインターフェイスにより、SQLを使用してユーザー定義のR関数を容易に導入できるため、CRANライブラリとパッケージを簡単に使用できます。
データの準備、モデルの構築、評価、導入に使い慣れたSQLとPL/SQLを使用できるため、データ・サイエンティストとシチズン・データ・サイエンティストは、機械学習モデルをより簡単にすばやく作成できます。
データ・サイエンティストとデータアナリストは、このドラッグ・アンド・ドロップのユーザー・インターフェイスを使用して、分析ワークフローをすばやく構築できます。モデルの迅速な開発と改良により、ユーザーはデータ内の隠れたパターン、関係、インサイトを発見できます。
Rユーザーは、選択した言語を使用したデータの探索、準備、機械学習に、Oracle Databaseのパフォーマンスとスケーラビリティを活用できるようになります。統合されたRインターフェイスにより、SQLを使用してユーザー定義のR関数を容易に導入できるため、CRANライブラリとパッケージを簡単に使用できます。
データ・サイエンティストは、Hive、Impala、HDFSから取得したデータに対して、スケーラブルなネイティブおよびMLlib Sparkベースのアルゴリズムを備えたRAPIを使用できるため、ビッグデータ環境でのモデルの構築とデータのスコアリングをよりすばやく行うことができます。
Autonomous DatabaseでAutoMLをサポートするノーコード・ユーザー・インターフェイス。データ・サイエンティストは生産性を高めることができます。専門家でないユーザーでも分類と回帰のための強力なデータベース内アルゴリズムにアクセスしやすくなります。
データ・サイエンティストとデータアナリストは、このドラッグ・アンド・ドロップのユーザー・インターフェイスを使用して、分析ワークフローをすばやく構築できます。モデルの迅速な開発と改良により、ユーザーはデータ内の隠れたパターン、関係、インサイトを発見できます。
一部のデータウェアハウス・クラウドで機械学習との連携方法が模索される中、オラクルは目標を大幅に変えました」とDS Consulting社の社長兼WikibonアナリストのMarc Staimer氏は述べています。「オラクルのAutonomous Data WarehouseにはAuto-MLが含まれるようになりました。ADWには、当初から機械学習が組み込まれています。しかし自動化されたため、ADWのお客様は専門知識がなくても使用できます。これに対して、他の製品は初歩的で原始的なように見えます」。DS Consulting社、 社長兼Wikibonアナリスト、Marc Staimer氏
Autonomous Data Warehouseに対するオラクルの機能強化は、3つの点で重要です。第一に、ポイント・アンド・クリックのユーザー・インターフェイスと自動化された機械学習を提供することで、専門家以外の人が実用的なインサイトを生成できます。第二に、この使いやすさにより、IT部門が小規模なSMBでも、オラクルの高度なクラウド・データウェアハウスからメリットを得ることができます。第三に、Autonomous Data Warehouseを使用すると、ユーザーは部門システムからエンタープライズ・データウェアハウス、データレイク、さらには他のクラウド（AWS、Azure、Google）まで、あらゆるソースからデータを取り込み、さまざまな分析ワークロードを実行できます。全体として、オラクルはAutonomous Data Warehouseの適用範囲をユーザー、組織、そしてマルチクラウドへのデータアクセスへと大幅に拡大しています。AWS RedshiftやSnowflakeなど他のクラウド・データウェアハウスで今日できることの限界を超えています。CEO兼プリンシパル・アーキテクト、 Richard Winter
世界中のお客様は、オラクルのデータベース内の機械学習機能を利用して、複雑で重要なデータドリブンの問題を解決しています。
データ・サイエンティストと開発者は、モデルを構築し、データをより迅速かつ大規模にスコアリングできます。データを抽出して分析エンジンに渡す必要はありません。Oracle Exadataのスケールアウト・アーキテクチャとスマート・スキャン・テクノロジーは迅速な結果をもたらします。
Oracle Machine Learningを使用するデータ・サイエンティストと開発者は、Oracle Databaseの組み込みのセキュリティ、暗号化によっても、ユーザー・データとモデルへのロールベースのアクセスによっても保護されます。
開発者とより広範なデータサイエンス・チームは、SQLおよびRESTインターフェイスを使用する簡単な導入オプションにより、機械学習モデルの可用性を即時に実現します。
データ・サイエンティストと開発者は、データがOracle Databaseにある場所でデータを処理して、モデルの構築と導入を簡素化し、アプリケーションの開発時間を短縮し、データのセキュリティを向上させます。
データ・サイエンティストは、Oracle Exadataに独自の最適化を施し、Oracle Databaseの組み込みの並列処理とスケーラビリティを使用して、データ準備、モデル構築、およびデータ・スコアリング中のパフォーマンスの問題を回避します。
オラクル、データサイエンス／機械学習担当シニアディレクター、Mark Hornick
データ・サイエンティストと開発者はPythonの強力な機能をわかっており、Pythonが広く採用されていることがその成功の証です。現在、PythonユーザーはOracle Autonomous Databaseでデータを分析するときにこの機能を拡張できます。Oracle Machine Learning for Python（OML4Py）により、オープンソースのPythonスクリプト言語と環境を企業とビッグデータで利用できるようになります。
全文を読む
