Oracle Database의 Machine Learning은 SQL, R, Python, REST, AutoML 및 노 코드 인터페이스를 활용한 대규모 데이터 탐색, 준비 및 머신 러닝 모델링을 지원합니다. 애플리케이션에서 즉시 사용할 수 있는 모델을 생성하는 30개 이상의 고성능 데이터베이스 내 알고리즘이 포함되어 있습니다. Oracle Database에 데이터를 저장함으로써 전반적 아키텍처를 간소화하고, 데이터 동기화 및 보안을 유지합니다. 이를 통해 데이터 과학자 및 기타 데이터 전문가들은 머신 러닝 수명 주기별 주요 요소를 단순화 및 자동화하여 신속하게 모델을 구축할 수 있습니다.
Python, R 및 SQL을 사용하여 머신 러닝 모델을 더 빠르게 구축하는 방법을 확인하세요.
오픈 소스 기반의 친숙한 Apache Zeppelin 노트북 기술로 데이터 사이언티스트와 개발자의 생산성을 높이고 학습 곡선을 낮춰 줍니다. 노트북은 Oracle Autonomous Database용 SQL, PL/SQL, Python 및 마크다운 인터프리터를 지원하므로 사용자는 모델을 개발할 때 원하는 언어로 작업할 수 있습니다.
Oracle Autonomous Database 외부에서 네이티브 데이터베이스 내 모델 및 ONNX 형식 분류 및 회귀 모델을 배포하고 관리하는 시간을 단축합니다. 애플리케이션 개발자는 통합이 용이한 REST 엔드 포인트를 보유하게 됩니다. 데이터 사이언티스트는 Oracle Machine Learning AutoML User Interface를 사용하여 통합적인 모델 배포를 할 수 있습니다.
익숙한 SQL 및 PL/SQL을 사용하여 데이터 준비, 모델 구축, 평가 및 배포 작업이 가능하므로, 데이터 사이언스 전문가와 비전문가 누구나 더 간편하고 신속하게 머신 러닝 모델을 생성할 수 있습니다.
Autonomous Database에서 AutoML을 지원하는 노코드 사용자 인터페이스를 통해 데이터 사이언티스트의 생산성을 향상하는 동시에 접근성을 개선하여 비전문가도 강력한 데이터베이스 내 분류 및 회귀 알고리즘의 이점을 누릴 수 있습니다.
데이터 사이언티스트 및 Python 사용자는 Oracle Autonomous Database에 기본 제공되는 Python 환경을 고성능 컴퓨팅 플랫폼으로 활용하여 더 빠르게 모델을 구축하고 실행할 수 있습니다. 기본 제공되는 AutoML을 통해 자동화된 알고리즘 및 특성 선택은 물론 모델 튜닝과 선택 기능을 사용할 수 있습니다. 이러한 기능은 모두 사용자 생산성, 모델 정확성 및 성능을 향상시킵니다.
익숙한 SQL 및 PL/SQL을 사용하여 데이터 준비, 모델 구축, 평가 및 배포 작업이 가능하므로, 데이터 사이언스 전문가와 비전문가 누구나 더 간편하고 신속하게 머신 러닝 모델을 생성할 수 있습니다.
데이터 사이언티스트와 데이터 분석가는 이 드래그 앤 드롭 방식의 인터페이스를 사용하여 분석 워크플로를 신속하게 구축할 수 있습니다. 신속한 모델 개발 및 개선을 통해 사용자는 데이터에 숨겨진 패턴, 관계 및 통찰력을 도출할 수 있습니다.
R 사용자들도 오라클 데이터베이스의 성능과 확장성을 활용하여 데이터 탐색, 준비 및 머신 러닝을 수행할 수 있습니다. 통합 R 인터페이스를 통해 SQL을 사용하여 사용자 정의 R 함수를 쉽게 배포할 수 있으므로 CRAN 라이브러리 및 패키지의 사용도 수월합니다.
익숙한 SQL 및 PL/SQL을 사용하여 데이터 준비, 모델 구축, 평가 및 배포 작업이 가능하므로, 전문 및 시민 데이터 사이언티스트라면 더 간편하고 신속하게 머신 러닝 모델을 생성할 수 있습니다.
데이터 사이언티스트와 데이터 분석가는 이 드래그 앤 드롭 방식의 인터페이스를 사용하여 분석 워크플로를 신속하게 구축할 수 있습니다. 신속한 모델 개발 및 개선을 통해 사용자는 데이터에 숨겨진 패턴, 관계 및 통찰력을 도출할 수 있습니다.
R 사용자들도 오라클 데이터베이스의 성능과 확장성을 활용하여 데이터 탐색, 준비 및 머신 러닝을 수행할 수 있습니다. 통합 R 인터페이스를 통해 SQL을 사용하여 사용자 정의 R 함수를 쉽게 배포할 수 있으므로 CRAN 라이브러리 및 패키지의 사용도 수월합니다.
데이터 사이언티스트는 R API와 확장 가능한 네이티브 및 MLlib Spark 기반 알고리즘을 함께 Hive, Impala, HDFS의 데이터에 사용하여 빅 데이터 환경에서 더 빠르게 모델을 구축하고 데이터 스코어링을 수행할 수 있습니다.
Autonomous Database에서 AutoML을 지원하는 노코드 사용자 인터페이스를 통해 데이터 사이언티스트의 생산성을 향상하는 동시에 접근성을 개선하여 비전문가도 강력한 데이터베이스 내 분류 및 회귀 알고리즘의 이점을 누릴 수 있습니다.
데이터 사이언티스트와 데이터 분석가는 이 드래그 앤 드롭 방식의 인터페이스를 사용하여 분석 워크플로를 신속하게 구축할 수 있습니다. 신속한 개발 및 개선을 통해 사용자는 데이터에 숨겨진 패턴, 관계 및 통찰력을 도출할 수 있습니다.
Enterprise Strategy Group, Oracle Autonomous Data Warehouse의 향상된 기능들이 "모두를 위한 단순화를 제공한다"고 평가
Enterprise Strategy Group 블로그 읽어보기OMDIA: Oracle, 고객이 온프레미스 및 퍼블릭 클라우드에서 실행할 클라우드 서비스들을 직접 선택할 수 있도록 지원하는 유일한 공급업체
OMDIA 보고서 읽어보기(PDF)전 세계 고객은 Oracle 데이터베이스 내 머신 러닝 기능을 활용하여 복잡하고 중요한 데이터 기반 문제를 해결합니다.
데이터 사이언티스트와 개발자는 별도의 분석 엔진으로 데이터를 추출하지 않고 모델을 구축하고 데이터 스코어링를 대규모로 더 빠르게 수행할 수 있습니다. Oracle Exadata의 스케일 아웃 아키텍처 및 스마트 스캔 기술은 빠른 결과를 제공합니다.
Oracle Machine Learning을 사용하는 데이터 사이언티스트와 개발자는 오라클 데이터베이스에 내장된 보안, 암호화, 사용자 데이터에 대한 역할 기반 액세스 및 모델로 보호됩니다.
개발자와 광범위한 데이터 사이언스 팀은 SQL 및 REST 인터페이스를 사용하여 간편한 배포 옵션을 통해 머신 러닝 모델 가용성을 즉각적으로 달성합니다.
데이터 사이언티스트와 개발자는 오라클 데이터베이스 내 데이터가 있는 위치에서 데이터를 처리하여 모델 구축 및 배포를 단순화하고 애플리케이션 개발 시간을 단축하며 데이터 보안을 강화할 수 있습니다.
데이터 사이언티스트는 Oracle Exadata애 대한 독특한 최적화 처리와 함께 오라클 데이터베이스에 내장된 병렬 처리 및 확장성을 사용하여 데이터 준비, 모델 구축 및 데이터 스코어링 중 성능 문제를 방지합니다.
데이터 사이언티스트와 개발자는 Python의 위력을 익히 알고 있으며, 광범위하게 활용된다는 점이 Python의 성공을 입증하고 있습니다. 이제 Oracle Autonomous Database에서 데이터를 분석할 때 Python을 활용할 수 있습니다. Oracle Machine Learning for Python(OML4Py)은 오픈 소스 Python 스크립트 언어와 환경을 엔터프라이즈 및 빅 데이터 작업에 사용할 수 있게 만들어 줍니다.
전체 게시물 읽기