Nie znaleziono pasujących wyników.

Zalecamy wypróbowanie następujących rozwiązań, aby znaleźć to, czego szukasz:

  • Sprawdź pisownię wyszukiwania słowa kluczowego.
  • Użyj synonimów dla wpisanego słowa kluczowego, na przykład spróbuj wpisać „aplikacja” zamiast „oprogramowanie”.
  • Rozpocznij nowe wyszukiwanie.
Skontaktuj się z nami Zaloguj się do Oracle Cloud

Usługa Data Science

Oracle Cloud Infrastructure (OCI) Data Science to w pełni zarządzana platforma dla zespołów badaczy danych służąca do tworzenia, szkolenia i wdrażania modeli uczenia maszynowego oraz zarządzania nimi przy użyciu języka Python i narzędzi open source. Wykorzystaj środowisko oparte na JupyterLab do eksperymentowania i tworzenia modeli. Skaluj proces szkolenia modeli za pomocą jednostek GPU NVIDIA i szkolenia rozproszonego. Wprowadzaj modele do produkcji i utrzymuj je w dobrej kondycji dzięki funkcjom MLOps, takim jak zautomatyzowane potoki czy wdrażanie i monitorowanie modeli.

Cykl życia modeli samouczenia się maszyn

Budowanie modelu samouczenia się maszyn jest procesem iteracyjnym. Dowiedz się więcej o każdym etapie – od gromadzenia danych po wdrażanie modeli i monitorowanie.

IDC: Transformacja działalności biznesowej

Sztuczna inteligencja szybko integruje się z wszystkimi funkcjami biznesowymi. Firma IDC bada najlepsze praktyki i zalecenia dotyczące SI w przedsiębiorstwach.

Badania medyczne
CMRI może teraz przeprowadzać badania 6 razy szybiej dzięki Oracle AI
Partnerstwo
Bezpłatny dostęp do repozytorium Anaconda za pośrednictwem OCI
Technologia sportowa
Seattle Sounders FC tworzy modele danych w celu poprawy wyników
Opieka zdrowotna
DSP pomaga National Institute for Health Research usprawnić podróż kliniczną
Opieka zdrowotna
Prosperdtx poprawia opiekę nad pacjentami poprzez wykorzystanie analizy danych dla cyfrowych planów opieki zdrowotnej

Data Science — przypadki użycia

  • Opieka zdrowotna: ryzyko ponownego przyjęcia do szpitala

    Identyfikuj czynniki ryzyka i przewiduj ryzyko ponownego przyjęcia pacjenta do szpitala poprzez stworzenie modelu predykcyjnego. Wykorzystaj dane, takie jak historia medyczna pacjenta, warunki zdrowotne, czynniki środowiskowe i historyczne trendy medyczne, aby zbudować silniejszy model, który pomoże zapewnić najlepszą opiekę przy niższych kosztach.

  • Handel detaliczny: przewidywanie wartości cyklu życia klienta

    Stosuj techniki regresji na danych, aby przewidzieć przyszłe wydatki klientów. Analizuj przeszłe transakcje i łącz historyczne dane o klientach z innymi danymi dotyczącymi trendów, poziomów dochodów — a nawet czynników takich jak pogoda — aby budować modele uczenia maszynowego, które określają, czy należy tworzyć kampanie marketingowe w celu utrzymania obecnych klientów, czy też pozyskiwania nowych.

  • Produkcja: konserwacja predykcyjna

    Twórz modele wykrywania anomalii na podstawie danych z czujników, aby wychwytywać awarie sprzętu, zanim staną się poważniejszym problemem, lub używaj modeli prognostycznych do przewidywania końca eksploatacji części i maszyn. Zwiększaj czas pracy pojazdów i maszyn dzięki uczeniu maszynowemu i monitorowaniu metryk operacyjnych.

    Finanse: wykrywanie oszustw

    Zapobiegaj oszustwom i przestępstwom finansowym, korzystając z analityki danych. Stwórz model uczenia maszynowego, który może identyfikować anomalie w czasie rzeczywistym, w tym oszukańcze kwoty lub nietypowe typy transakcji.

Wtorek, 18 października 2022 r.

Wdrażanie modeli uczenia maszynowego w produkcji i poza nią z wykorzystaniem MLOps w OCI

Tzvi Keisar, starszy główny menedżer produktu

Szkolenie modeli w celu wygenerowania dokładnych prognoz jest złożonym zadaniem, które wymaga szerokiej wiedzy w dziedzinie analityki danych. Nawet po stworzeniu modelu proces ten nie jest zakończony. Masz jeszcze jedno ważne zadanie do wykonania: sprawić, by model generował prognozy w oparciu o nowe dane w rzeczywistych warunkach, co często określane jest terminem „produkcjonalizacja modelu”. Zadanie to jest równie złożone jak tworzenie modelu. Często można trafić na artykuły o wysokim odsetku projektów obejmujących sztuczną inteligencję, które zawodzą przy próbie wdrożenia do produkcji.

Przeczytaj cały wpis

Polecane wpisy na blogu

Wyświetl wszystkie

Architektury referencyjne sztucznej inteligencji / uczenia maszynowego

Zobacz wszystkie architektury referencyjne