Datawetenschappers hebben toegang tot elke databron in elke cloud of on-premises. Dit biedt meer potentiële datafuncties die tot betere modellen leiden.
Oracle Cloud Infrastructure (OCI) Data Labeling is een service voor het bouwen van gemarkeerde datasets om AI- en machine learning-modellen nauwkeuriger te kunnen trainen. Met OCI Data Labeling verzamelen ontwikkelaars en datawetenschappers data, maken en zoeken ze in datasets en passen ze labels toe op datarecords.
Stuur interactieve Spark-query's naar uw OCI Data Flow Spark-cluster. Of gebruik de Oracle Accelerated Data Science SDK om eenvoudig een Spark-applicatie te ontwikkelen en deze vervolgens op schaal uit te voeren op OCI Data Flow. En dat allemaal vanuit de Data Science omgeving.
Definieer pijplijnen voor functieontwikkeling en bouw functies met volledig beheerde uitvoering. Documenteer zowel functies als functiepijplijnen. Deel, beheer en bewaak de toegang tot functies. Gebruik functies voor zowel batchscenario's als scenario's met realtime inferentie.
Dankzij de geïntegreerde, in de cloud gehoste JupyterLab-laptopomgevingen kunnen data science-teams modellen bouwen en trainen via een vertrouwde gebruikersinterface.
OCI Data Science is een vertrouwd en veelzijdig platform voor datawetenschappers met honderden populaire open-source tools en frameworks, zoals TensorFlow of PyTorch. Er kunnen echter ook frameworks naar keuze worden toegevoegd. Dankzij een strategisch partnerschap tussen OCI en Anaconda kunnen OCI-gebruikers rechtstreeks pakketten downloaden uit de Anaconda-repository en deze gratis installeren. Dit verbetert de toegankelijkheid van veilige open-source innovaties.
Oracle Accelerated Data Science SDK is een gebruiksvriendelijke Python-toolkit die de volledige end-to-end data science-workflow van datawetenschappers ondersteunt.
Met NVIDIA GPU's kunnen datawetenschappers sneller deep learning-modellen bouwen en trainen. Vergeleken met CPU's kan de prestatiesnelheid 5 tot 10 keer hoger zijn.
Gebruik de taakfunctie om herhaalbare data science-taken uit te voeren in de batchmodus. Schaal de training van uw modellen op met ondersteuning voor Bare Metal NVIDIA GPU's en gedistribueerde training.
Maak, bewerk en activeer data science-taakartefacten eenvoudig en rechtstreeks vanuit de OCI-console met de code-editor. Wordt geleverd met functies voor Git-integratie, automatische conversie, personalisatie en meer.
Datawetenschappers gebruiken de modelcatalogus om voltooide machine learning-modellen te behouden en te delen. In de catalogus worden de artefacten opgeslagen en worden metadata vastgelegd over de taxonomie en context van het model. De catalogus bevat ook hyperparameters, definities van de schema's voor invoer- en uitvoerdata voor modellen en gedetailleerde herkomstdata van modellen, zoals de broncode en de trainingsomgeving.
Genereer automatisch een uitgebreide set metrics en visualisaties om de modelprestaties te meten tegen nieuwe data en zo modelkandidaten te vergelijken.
Met geautomatiseerde modelverklaring kunnen datawetenschappers het algehele gedrag van het model begrijpen. Ook biedt het consumenten een uitleg van hoe het model tot de voorspellingen is gekomen.
Maak gebruik van vooraf gebouwde en beheerde conda-omgevingen voor verschillende gebruiksdoelen, zoals NLP, computervisie, prognoses, grafiekanalyses en Spark. Publiceer aangepaste omgevingen en deel deze met collega's, zodat trainings- en inferentieomgevingen opnieuw kunnen worden geproduceerd.
Datawetenschappers kunnen verbinding maken met de Git-repository van hun organisatie om machine learning-activiteiten te behouden en op te halen.
Implementeer machine learning-modellen als HTTP-eindpunten om modelvoorspellingen voor nieuwe data in realtime te kunnen verwerken. Met één klik kunt u implementeren vanuit de modelcatalogus. OCI Data Science verwerkt vervolgens alle infrastructuuractiviteiten, inclusief compute-initialisatie en lastverdeling.
Operationaliseer en automatiseer uw workflows voor modelontwikkeling, training en implementatie met een volledig beheerde service voor het schrijven, debuggen, volgen, beheren en uitvoeren van ML-pijplijnen.
Bied continue controle van modellen in de productieomgeving op afwijkende data en concepten. Datawetenschappers, engineers voor de betrouwbaarheid van websites en DevOps-engineers kunnen waarschuwingen ontvangen en snel behoeften voor het hertrainen van modellen beoordelen.
ML-applicaties zijn oorspronkelijk ontworpen voor de eigen SaaS-applicaties van Oracle voor het integreren van AI-functies. Ze zijn nu beschikbaar voor het automatiseren van de volledige MLOps-levenscyclus, inclusief ontwikkeling, initialisatie en doorlopend onderhoud en vlootbeheer, voor ISV's met honderden modellen voor elk van hun duizenden klanten.