Facilita Oracle construir e implementar modelos colaborativos de aprendizaje autónomo

El desarrollador anunció la disponibilidad de Cloud Data Science Platform (parte de Cloud Infrastructure Data Science), que ayuda a las empresas a construir, capacitar, administrar e implementar en colaboración modelos de aprendizaje autónomo para aumentar el éxito de los proyectos de ciencia de datos.

Hoy en día, las organizaciones solo se dan cuenta de una fracción del enorme potencial de transformación de los datos porque los equipos no tienen fácil acceso a los mismos ni a las herramientas adecuadas para construir e implementar modelos efectivos de aprendizaje autónomo. El resultado es que los modelos tardan demasiado en desarrollarse, no siempre cumplen con los requisitos empresariales de precisión y robustez y con demasiada frecuencia nunca llegan a producción, abundó la empresa.

“Estamos mejorando la productividad de los científicos de datos individuales al automatizar todo su flujo de trabajo y agregando un fuerte apoyo de equipo para ayudar a garantizar que estos proyectos de entreguen un valor real a las empresas», dijo Greg Pavlik, vicepresidente senior de Desarrollo de Productos, Oracle Data e IA. Servicios.

Anunciante

Para equipos de ciencia de datos y científicos

Cloud Infrastructure Data Science incluye flujo de trabajo automatizado de ciencia de datos, ahorrando tiempo y reduciendo errores con las siguientes capacidades:

–La selección y el ajuste automático de algoritmos de AutoML automatizan el proceso de ejecutar pruebas contra múltiples algoritmos y configuraciones de hiperparámetros. Comprueba la precisión de los resultados y confirma que se selecciona el modelo y la configuración óptimos para su uso. Esto ahorra un tiempo significativo para los científicos de datos y, lo que es más importante, está diseñado para permitir que cada científico de datos obtenga los mismos resultados que los profesionales más experimentados.

–La selección automática de características predictivas simplifica la ingeniería de características al identificar automáticamente las características predictivas clave de conjuntos de datos más grandes.

–La evaluación del modelo genera un conjunto integral de métricas de evaluación y visualizaciones adecuadas para medir el rendimiento del modelo frente a nuevos datos y puede clasificar los modelos a lo largo del tiempo para permitir un comportamiento óptimo en la producción. La evaluación del modelo va más allá del rendimiento bruto para tener en cuenta el comportamiento de referencia esperado y utiliza un modelo de costos para que los diferentes impactos de falsos positivos y falsos negativos se puedan incorporar por completo.

–Explicación del modelo: proporciona una explicación automatizada de la ponderación relativa y la importancia de los factores que intervienen en la generación de una predicción. Ofrece la primera implementación comercial de la explicación independiente del modelo. Con un modelo de detección de fraude, por ejemplo, un científico de datos puede explicar qué factores son los principales impulsores del fraude para que la empresa pueda modificar procesos o implementar salvaguardas.

Asimismo el desarrollador mencionó que obtener modelos de aprendizaje autónomo con éxito en la producción necesita más que solo personas dedicadas. Requiere equipos de científicos de datos que trabajen juntos en colaboración.  Cloud Infrastructure Data Science ofrece potentes capacidades de equipo que incluyen:

–Los proyectos compartidos ayudan a los usuarios a organizar, habilitar el control de versiones y compartir de manera confiable el trabajo de un equipo, incluidas las sesiones de datos y portátiles.

–Los catálogos de modelos permiten a los miembros del equipo compartir de manera confiable modelos ya construidos y los artefactos necesarios para modificarlos y desplegarlos.

–Las políticas de seguridad basadas en equipos permiten a los usuarios controlar el acceso a modelos, códigos y datos, que están completamente integrados con Cloud Infrastructure Identity and Access Management.

–Las funcionalidades de reproducibilidad y auditabilidad permiten a la empresa realizar un seguimiento de todos los activos relevantes, de modo que todos los modelos se puedan reproducir y auditar, incluso si los miembros del equipo se van.

Servicios integrales de datos y aprendizaje autónomo

Cloud Data Science Platform incluye siete nuevos servicios:

–Crear, entrenar y administrar nuevos modelos de aprendizaje autónomo en Cloud usando Python y otras herramientas y bibliotecas de código abierto, incluidas TensorFlow, Keras y Jupyter.

–Nuevas capacidades de aprendizaje autónomo en la base de datos de Oracle

–Cloud Infrastructure Data Catalog: permite a los usuarios descubrir, encontrar, organizar, enriquecer y rastrear activos de datos en Cloud.

–Big Data Service: ofrece una implementación de Cloudera Hadoop, con una administración simple.

–Cloud SQL: permite consultas SQL sobre datos en HDFS, Hive, Kafka, NoSQL y Object Storage.

–Cloud Infrastructure Data Flow: un servicio de big data que permite ejecutar aplicaciones Apache Spark sin infraestructura para implementar o administrar.

–Cloud Infrastructure Virtual Machines for Data Science: entornos preconfigurados basados en GPU con IDE, portátiles y marcos comunes-

contactame@esemnal.mx

También te puede interesar:

Renueva Oracle su programa de canales

¿Qué pueden hacer los clientes de Oracle y SAP en lugar de actualizarse?

Así es como Oracle Cloud está transformando al sector de la construcción

Oracle NetSuite lanzó SuiteSuccess

Share via
Copy link
Powered by Social Snap