HeatWave AutoML-Features

Integriertes maschinelles Lernen (ML)

Oracle HeatWave AutoML enthält alles, was Benutzer benötigen, um maschinelle Lernmodelle in HeatWave zu erstellen, zu trainieren und zu erklären, ohne zusätzliche Kosten. Mit der in HeatWave integrierten ML müssen Sie keine Daten an einen separaten ML-Service übertragen. Mit Oracle HeatWave AutoML können Sie ML-Training, Inferenz und Erklärungen einfach und sicher auf Daten anwenden, die sowohl in der MySQL-Datenbank als auch im Objektspeicher gespeichert sind. Dadurch können Sie ML-Initiativen beschleunigen, die Sicherheit erhöhen und Kosten senken.

Automatisierter ML-Lebenszyklus

HeatWave AutoML automatisiert den ML-Lebenszyklus, einschließlich der Algorithmusauswahl, der intelligenten Datenauswahl für das Modelltraining, der Auswahl von Merkmalen und der Hyperparameteroptimierung, und hilft so Datenanalysten und Data Scientists, viel Zeit und Aufwand zu sparen. Zahlreiche Aspekte der ML-Pipeline können angepasst werden, einschließlich der Auswahl von Algorithmen, der Auswahl von Funktionen und der Hyperparameteroptimierung. HeatWave AutoML unterstützt Aufgaben der Anomalieerkennung, Prognose, Klassifizierung, Regression und Recommendation Engine, einschließlich in Textspalten. Benutzer können Feedback zu den Ergebnissen der unüberwachten Anomalieerkennung geben und diese gekennzeichneten Daten zur Verbesserung nachfolgender Vorhersagen verwenden.

Recommendation Engine für personalisierte Empfehlungen

Empfehlungssysteme sind eine der gefragtesten ML-Anwendungen. Durch die Berücksichtigung sowohl impliziten Feedbacks (frühere Einkäufe, Browserverhalten usw.) als auch expliziten Feedbacks (Bewertungen, Likes usw.) kann das HeatWave AutoML-Empfehlungssystem personalisierte Vorschläge generieren. Analysten können beispielsweise Artikel vorhersagen, die einem Benutzer gefallen werden, Benutzer, denen ein bestimmter Artikel gefallen wird, und Bewertungen, die Artikel erhalten werden. Sie können außerdem, sofern ein Benutzer angegeben wird, eine Liste ähnlicher Benutzer und, sofern ein bestimmter Artikel angegeben wird, eine Liste ähnlicher Artikel abrufen.

Interaktive HeatWave AutoML-Konsole

Die interaktive Konsole ermöglicht es Geschäftsanalysten, ML-Modelle über eine visuelle Benutzeroberfläche zu erstellen, zu trainieren, auszuführen und zu erklären – SQL-Befehle oder Programmierkenntnisse sind nicht erforderlich. Die Konsole erleichtert es den Benutzern auch, Was-wäre-wenn-Szenarien zu erkunden, um Geschäftsannahmen zu bewerten – zum Beispiel: „Wie würde sich eine Investition von 30 % mehr in bezahlte Social-Media-Werbung auf Umsatz und Gewinn auswirken?“

Erklärbare ML-Modelle

Alle von HeatWave AutoML trainierten Modelle sind erklärbar. HeatWave AutoML hilft bei der Bereitstellung von Vorhersagen mit einer Erklärung der Ergebnisse und unterstützt Organisationen bei der Einhaltung von Vorschriften, Fairness, Wiederholbarkeit, Kausalität und Vertrauen.

Themenmodellierung

Die Themenmodellierung hilft Benutzern, Erkenntnisse in großen Textdatensätzen zu gewinnen, indem sie wichtige Themen in Dokumenten verständlich macht, z. B. um eine Stimmungsanalyse in Social-Media-Daten durchzuführen.

Erkennung von Datendrift

Die Erkennung von Datendrift hilft Analysten dabei, festzustellen, wann Modelle neu trainiert werden müssen, indem sie die Unterschiede zwischen den für das Training verwendeten Daten und neu eingehenden Daten erkennt.

Nutzung von aktuellen Fähigkeiten

Entwickler, Datenanalysten und Data Scientists können ML-Modelle mit vertrauten SQL-Befehlen erstellen; sie müssen keine neuen Tools und Sprachen erlernen. Darüber hinaus ist HeatWave AutoML in beliebte Notebooks wie Jupyter und Apache Zeppelin integriert.