Oracle HeatWave AutoML proporciona aprendizaje automático (ML) integrado, automatizado y seguro, ayudándote a construir, entrenar y explicar modelos de ML sin necesidad de experiencia en ML, movimiento de datos o costos adicionales. Está disponible en Oracle Cloud Infrastructure (OCI), Amazon Web Services (AWS) y Microsoft Azure.
Acompáñanos a descubrir cómo puedes aprovechar el portafolio de HeatWave.
Solicita un taller gratuito dirigido por expertos para evaluar HeatWave o comenzar a utilizarlo.
Los analistas de Nucleus Research entrevistaron a múltiples organizaciones que utilizan HeatWave y reportaron mejoras operativas significativas, incluyendo un aumento cien veces mayor en consultas híbridas OLTP/OLAP.
Elimina los movimientos de datos complejos y que consumen tiempo a un servicio de ML separado con ML integrado. Aplica fácilmente entrenamiento, inferencia y explicación de ML a datos almacenados en MySQL Database o en almacenamiento de objetos.
Automatiza el ciclo de vida de ML, incluida la selección de algoritmos, muestreo inteligente de datos para entrenamiento de modelos, selección de características y optimización de hiperparámetros. No se requiere experiencia en ML.
Mantén tus datos en un solo sistema de gestión con una configuración de seguridad única y controles de acceso centralizados. Todas las comunicaciones están autenticadas y encriptadas.
Entrena modelos de ML más rápido, lo que te permite reentrenar modelos con mayor frecuencia y obtener resultados más precisos.
HeatWave AutoML soporta tareas del sistema de detección, previsión, clasificación, regresión y recomendación de anomalías, incluidas las columnas de texto.
Al considerar tanto el feedback implícito (como compras anteriores y comportamiento de navegación) como el feedback explícito (como calificaciones y "me gusta"), el sistema de recomendación de HeatWave AutoML puede, por ejemplo, generar sugerencias personalizadas para la próxima compra.
Todos los modelos entrenados por HeatWave AutoML son explicables. HeatWave AutoML ofrece predicciones con una explicación de los resultados, brindando apoyo en términos de confianza, equidad y cumplimiento normativo.
La detección de deriva de datos ayuda a los analistas a determinar cuándo volver a entrenar los modelos al detectar diferencias entre los datos utilizados para el entrenamiento y los nuevos datos entrantes.
La consola interactiva permite a los analistas de negocios construir, entrenar, ejecutar y explicar modelos de ML utilizando una interfaz visual, sin necesidad de conocer comandos SQL o codificación. Los usuarios también pueden explorar fácilmente escenarios hipotéticos para evaluar supuestos comerciales.
Además, HeatWave AutoML incorpora notebooks, populares, como Jupyter y Apache Zeppelin.
Los analistas de negocios y desarrolladores sin experiencia en ML pueden usar HeatWave AutoML para ayudar a predecir la deserción de clientes. El ciclo de vida de ML está automatizado y los datos no salen de la base de datos, ayudando a reducir los riesgos de seguridad. Una vez construido, el modelo puede predecir la probabilidad de deserción de clientes.
El usuario indica que su caso de uso es "Necesito la capacidad de predecir la deserción de clientes". Luego, puede aprovechar fácilmente la automatización de HeatWave AutoML para construir un modelo de aprendizaje automático de clasificación, que es apropiado en este caso. Una vez hecho esto, el usuario puede utilizar el modelo de ML, por ejemplo, preguntando: "¿Qué probabilidad hay de que este cliente se retire?" y obteniendo la respuesta: "La probabilidad de que este cliente se retire es del 72 %".
Los analistas de negocios y desarrolladores sin experiencia en ML pueden usar HeatWave AutoML para ayudar a detectar transacciones fraudulentas. El ciclo de vida de ML está automatizado y los datos no salen de la base de datos, ayudando a reducir los riesgos de seguridad. Una vez construido, el modelo puede predecir la probabilidad de fraude asociado con las transacciones.
El usuario indica que su caso de uso es "Necesito detectar transacciones potencialmente fraudulentas". Luego, puede aprovechar fácilmente la automatización de HeatWave AutoML para construir un modelo de aprendizaje automático de detección de anomalías, que es apropiado en este caso. Una vez hecho esto, el usuario puede utilizar el modelo de ML, por ejemplo, preguntando: "¿Cuáles de estas transacciones son probablemente fraudulentas?" y obtener la respuesta: "Aquí están las transacciones identificadas como potencialmente fraudulentas con sus probabilidades asociadas".
Los desarrolladores pueden crear aplicaciones aprovechando el poder combinado del ML integrado y la IA generativa en HeatWave para ofrecer recomendaciones personalizadas. En este ejemplo, la aplicación utiliza el sistema de recomendación de HeatWave AutoML para sugerir restaurantes según las preferencias del usuario o pedidos anteriores. Con HeatWave Vector Store, la aplicación puede ayudar adicionalmente a buscar en los menús de los restaurantes en formato PDF para sugerir platos específicos, proporcionando mayor valor a los clientes.
Un usuario pregunta a través de HeatWave Chat "¿Qué platos veganos me sugieres hoy?". En primer lugar, el sistema de recomendación HeatWave AutoML sugiere una lista de restaurantes en función de lo que el usuario solicitó anteriormente. A continuación, HeatWave Vector Store proporciona un aviso aumentado al LLM basado en los menús de los restaurantes que alberga. El LLM puede generar una recomendación personalizada de platos en lenguaje natural.
"HeatWave hace aprendizaje automático (ML) de la manera correcta. Al llevar ML a los datos con HeatWave AutoML de manera rentable y automatizada, HeatWave acelera la adopción de ML".
"El HeatWave AutoML dentro de la base de datos hace que Redshift ML parezca tecnología obsoleta en términos de ingeniería, rendimiento y costo".
"Creo que la automatización integrada en HeatWave AutoML hará que sea tangiblemente más fácil de usar para los clientes, extendiendo el ML más allá del ámbito de los científicos de datos".
"Con HeatWave AutoML, el aprendizaje automático está democratizado, es rápido, utiliza datos actualizados y cuesta menos que otros servicios de bases de datos en la nube".
Accede a la documentación para comenzar fácilmente con HeatWave AutoML.
Prueba HeatWave AutoML a tu propio ritmo con instrucciones paso a paso.
Aprenderás a construir un modelo predictivo de ML usando HeatWave AutoML.
Crearás MovieHub, una aplicación ficticia de transmisión de películas que ofrece recomendaciones personalizadas usando HeatWave AutoML.
Solicita un taller gratuito dirigido por expertos para evaluar HeatWave AutoML o comenzar a utilizarlo.
Regístrate para una prueba gratuita de HeatWave AutoML. Tendrás acceso a recursos gratuitos por tiempo ilimitado.
¿Interesado en aprender más sobre HeatWave AutoML? Permite que uno de nuestros expertos te ayude.