Oracle HeatWave AutoML bietet integriertes, automatisiertes und sicheres maschinelles Lernen (ML) und unterstützt Sie beim Erstellen, Trainieren und Erklären von ML-Modellen ohne ML-Fachwissen, Datenverschiebung oder zusätzliche Kosten. Es ist auf Oracle Cloud Infrastructure (OCI), Amazon Web Services (AWS) und Microsoft Azure verfügbar.
Entdecken Sie mit uns, wie Sie das HeatWave-Portfolio zu Ihrem Vorteil nutzen können.
Fordern Sie einen kostenlosen, von Experten begleiteten Workshop an, um HeatWave zu evaluieren oder zu nutzen.
Analysten von Nucleus Research befragten mehrere Organisationen, die HeatWave einsetzen, zu ihren Erfahrungen und berichteten von erheblichen betrieblichen Verbesserungen, darunter eine hundertfache Steigerung bei hybriden OLTP/OLAP-Abfragen.
Eliminieren Sie komplexe und zeitaufwändige Datenübertragungen zu einem separaten ML-Service mit integriertem ML. ML-Training, -Inferenz und -Erklärungen lassen sich problemlos auf Daten anwenden, die entweder in der MySQL-Datenbank oder im Objektspeicher gespeichert sind.
Automatisieren Sie den ML-Lebenszyklus, einschließlich der Auswahl von Algorithmen, intelligenter Datenstichproben für das Modelltraining, der Auswahl von Merkmalen und der Hyperparameteroptimierung. Keine ML-Kenntnisse erforderlich.
Speichern Sie Ihre Daten in einem Datenmanagementsystem mit einer einzigen Sicherheitskonfiguration und zentralisierten Zugriffskontrollen. Alle Mitteilungen werden authentifiziert und verschlüsselt.
Trainieren Sie ML-Modelle schneller, sodass Sie Modelle häufiger neu trainieren und genauere Ergebnisse erzielen können.
HeatWave AutoML unterstützt Aufgaben der Anomalieerkennung, Prognose, Klassifizierung, Regression und Recommendation Engine, einschließlich in Textspalten.
Durch die Berücksichtigung sowohl impliziten Feedbacks (z. B. frühere Einkäufe und Browsing-Verhalten) als auch expliziten Feedbacks (z. B. Bewertungen und Likes) kann das HeatWave AutoML-Empfehlungssystem beispielsweise dabei helfen, personalisierte Vorschläge für den nächsten Einkauf zu generieren.
Alle von HeatWave AutoML trainierten Modelle sind erklärbar. HeatWave AutoML liefert Vorhersagen mit einer Erklärung der Ergebnisse und unterstützt Sie mit Vertrauen, Fairness und der Einhaltung von Vorschriften.
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.
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. Sie können außerdem ganz einfach hypothetische Szenarien durchspielen, um Geschäftsannahmen zu bewerten.
HeatWave AutoML ist in beliebte Notebooks wie Jupyter und Apache Zeppelin integriert.
Business Analysts und Entwickler ohne ML-Kenntnisse können HeatWave AutoML verwenden, um die Abwanderung von Kunden vorherzusagen. Der Lebenszyklus von ML ist automatisiert. Die Daten verlassen die Datenbank nicht, wodurch Sicherheitsrisiken reduziert werden. Einmal erstellt, kann das Modell die Wahrscheinlichkeit einer Kundenabwanderung vorhersagen.
Der Benutzer gibt an, dass sein Anwendungsfall wie folgt lautet: „Ich muss die Kundenabwanderung vorhersagen können.“ Er oder sie kann dann ganz einfach die HeatWave AutoML-Automatisierung nutzen, um ein Klassifizierungsmodell für maschinelles Lernen zu erstellen, das in diesem Fall angemessen ist. Anschließend kann der Benutzer das ML-Modell verwenden, indem er beispielsweise fragt: „Wie wahrscheinlich ist es, dass dieser Kunde abwandert?“ und die Antwort „Die Wahrscheinlichkeit, dass dieser Kunde abwandert, liegt bei 72 %“ erhält.
Business Analysts und Entwickler ohne ML-Kenntnisse können HeatWave AutoML nutzen, um betrügerische Transaktionen aufzudecken. Der Lebenszyklus von ML ist automatisiert. Die Daten verlassen die Datenbank nicht, wodurch Sicherheitsrisiken reduziert werden. Einmal erstellt, kann das Modell die Wahrscheinlichkeit von Betrugsfällen im Zusammenhang mit Transaktionen vorhersagen.
Der Benutzer gibt seinen Anwendungsfall wie folgt an: „Ich muss potenziell betrügerische Transaktionen erkennen.“ Er oder sie kann dann ganz einfach die HeatWave AutoML-Automatisierung nutzen, um ein Modell für die Anomalieerkennung per maschinellem Lernen zu erstellen, das in diesem Fall geeignet ist. Anschließend kann der Benutzer das ML-Modell verwenden, indem er beispielsweise fragt: „Welche dieser Transaktionen sind wahrscheinlich betrügerisch?“ Darauf erhält er die Antwort: „Hier sind die Transaktionen, die als potenziell betrügerisch identifiziert wurden, mit den zugehörigen Wahrscheinlichkeiten.“
Entwickler können Anwendungen erstellen, die die kombinierte Leistung des integrierten ML und der generativen KI in HeatWave nutzen, um personalisierte Empfehlungen bereitzustellen. In diesem Beispiel verwendet die Anwendung das HeatWave AutoML-Empfehlungssystem, um Restaurants auf der Grundlage der Vorlieben des Benutzers oder seiner früheren Bestellungen zu empfehlen. Mit HeatWave Vector Store kann die Anwendung zusätzlich die Speisekarten von Restaurants im PDF-Format durchsuchen, um bestimmte Gerichte vorzuschlagen und dem Kunden einen größeren Nutzen zu bieten.
Ein Benutzer fragt im HeatWave Chat: „Welche veganen Gerichte schlägst du mir heute vor?“. Zunächst schlägt das HeatWave AutoML-Empfehlungssystem eine Liste von Restaurants vor, die auf den früheren Bestellungen des Benutzers basieren. Dann liefert HeatWave Vector Store dem LLM eine erweiterte Eingabeaufforderung, die auf den Speisekarten der Restaurants basiert, die darin gespeichert sind. Das LLM kann dann eine personalisierte Empfehlung von Gerichten in natürlicher Sprache erstellen.
„HeatWave setzt maschinelles Lernen richtig ein. Durch die kosteneffiziente und automatisierte Anwendung von ML auf die Daten mit HeatWave AutoML beschleunigt HeatWave die Einführung von ML.“
„Das datenbankinterne HeatWave AutoML lässt Redshift ML in Bezug auf Technik, Leistung und Kosten wie ein Relikt aus der Vergangenheit aussehen.“
„Ich glaube, dass die in HeatWave AutoML integrierte Automatisierung die Nutzung für Kunden spürbar vereinfachen und ML über den Bereich der Data Scientists hinaus erweitern wird.“
„Mit HeatWave AutoML wird maschinelles Lernen demokratisiert. Es ist schnell, verwendet aktuelle Daten und kostet weniger als andere Cloud-Datenbankdienste.“
Rufen Sie einfach die Dokumentation auf, um mit HeatWave AutoML zu beginnen.
Erleben Sie HeatWave AutoML in Ihrem eigenen Tempo mit Schritt-für-Schritt-Anleitungen.
Hier lernen Sie, wie Sie mit HeatWave AutoML ein prädiktives ML-Modell erstellen.
Erstellen Sie MovieHub, eine fiktive Film-Streaming-Anwendung, die mithilfe von HeatWave AutoML personalisierte Filmempfehlungen liefert.
Fordern Sie einen kostenlosen, von Experten geleiteten Workshop an, um HeatWave AutoML zu evaluieren oder sich damit vertraut zu machen.
Melden Sie sich für eine kostenlose Testversion von HeatWave AutoML an. Diese bietet einen zeitlich unbegrenzten Zugang zu kostenlosen Ressourcen.
Möchten Sie mehr über HeatWave AutoML erfahren? Einer unserer Experten wird Ihnen gerne helfen.