Oracle HeatWave AutoML fournit un machine learning (ML) intégré, automatisé et sécurisé, vous aidant à créer, entraîner et expliquer des modèles de machine learning sans expertise en machine learning, déplacement de données ou coût supplémentaire. Il est disponible sur Oracle Cloud Infrastructure (OCI), Amazon Web Services (AWS) et Microsoft Azure.
Rejoignez-nous pour découvrir comment tirer parti du portefeuille HeatWave.
Demandez un atelier gratuit avec un expert pour évaluer HeatWave ou vous lancer.
Les analystes de Nucleus Research ont interrogé plusieurs organisations utilisant HeatWave qui ont signalé des améliorations opérationnelles significatives, notamment une multiplication par cent des requêtes OLTP/OLAP hybrides.
Éliminez les mouvements de données complexes et chronophages vers un service de machine learning distinct avec le machine learning intégré. Appliquez facilement l'entraînement, l'inférence et l'explication du machine learning aux données stockées dans MySQL Database ou dans le stockage d'objets.
Automatisez le cycle de vie du machine learning, notamment la sélection d'algorithmes, l'échantillonnage intelligent des données pour l'entraînement des modèles, la sélection des fonctionnalités et l'optimisation des hyperparamètres. Aucune expertise en machine learning n'est nécessaire.
Conservez vos données dans un seul système de gestion des données avec une configuration de sécurité unique et des contrôles d'accès centralisés. Toutes les communications sont authentifiées et chiffrées.
Entraînez les modèles ML plus rapidement, ce qui vous permet de réentraîner les modèles plus souvent et d'obtenir des résultats plus précis.
HeatWave AutoML prend en charge les tâches de détection d'anomalies, de prévision, de classification, de régression et de recommandation, y compris pour les colonnes de texte.
En prenant en compte les commentaires implicites (tels que les achats précédents et le comportement de navigation) et les commentaires explicites (tels que les notes et les mentions J'aime), le système de recommandations HeatWave AutoML peut aider, par exemple, à générer des suggestions personnalisées pour les prochains achats.
Tous les résultats des modèles entraînés par HeatWave AutoML peuvent être expliqués. HeatWave AutoML fournit des prédictions avec une explication des résultats, vous soutenant avec la confiance, l'équité et la conformité réglementaire.
La détection de dérive des données aide les analystes à déterminer quand réentraîner les modèles en détectant les différences entre les données utilisées pour l'entraînement et les nouvelles données entrantes.
La console interactive permet aux analystes de créer, d'entraîner, d'exécuter et d'expliquer des modèles de machine learning à l'aide d'une interface visuelle. Il n'est pas nécessaire de connaître les commandes ou le codage SQL. Ils peuvent également facilement explorer des scénarios de simulation pour évaluer les hypothèses de l'entreprise.
HeatWave AutoML est intégré à des blocs-notes populaires tels que Jupyter et Apache Zeppelin.
Les analystes commerciaux et les développeurs sans expertise en machine learning peuvent utiliser HeatWave AutoML pour prédire l'attrition des clients. Le cycle de vie du machine learning est automatisé et les données ne quittent pas la base de données, ce qui contribue à réduire les risques de sécurité. Une fois construit, le modèle peut prédire la probabilité d'attrition des clients.
L'utilisateur déclare que son cas d'utilisation est « J'ai besoin de la capacité de prédire l'attrition du client". Il peut ensuite facilement tirer parti de l'automatisation HeatWave AutoML pour créer un modèle de machine learning de classification, ce qui est approprié dans ce cas. Une fois terminé, l'utilisateur peut utiliser le modèle de machine learning, par exemple en lui demandant : « Quelle est la probabilité que ce client se désabonne ?" et en obtenant la réponse : « La probabilité que ce client se désabonne est de 72 %. »
Les analystes d'entreprise et les développeurs sans expertise en ML peuvent utiliser HeatWave AutoML pour détecter les transactions frauduleuses. Le cycle de vie du machine learning est automatisé et les données ne quittent pas la base de données, ce qui contribue à réduire les risques de sécurité. Une fois construit, le modèle peut prédire la probabilité de fraude associée aux transactions.
L'utilisateur déclare que son cas d'utilisation est « Je dois détecter les transactions potentiellement frauduleuses". Il peut ensuite facilement tirer parti de l'automatisation HeatWave AutoML pour créer un modèle de machine learning de détection d'anomalies, ce qui est approprié dans ce cas. Puis, l'utilisateur peut utiliser le modèle ML, par exemple en demandant « Lesquelles de ces transactions sont susceptibles d'être frauduleuses ?" et obtenir la réponse « Voici les transactions identifiées comme potentiellement frauduleuses avec des probabilités associées. »
Les développeurs peuvent créer des applications en tirant parti de la puissance combinée du machine learning intégré et de l'IA générative dans HeatWave pour fournir des recommandations personnalisées. Dans cet exemple, l'application utilise le système de recommandations HeatWave AutoML pour recommander des restaurants en fonction des préférences de l'utilisateur ou de ce que l'utilisateur a commandé précédemment. Avec HeatWave Vector Store, l'application peut également effectuer des recherches dans les menus des restaurants au format PDF pour suggérer des plats spécifiques, offrant ainsi une valeur ajoutée aux clients.
Un utilisateur demande via HeatWave Chat : « Quels plats végétaliens me proposez-vous aujourd'hui ? » Tout d'abord, le système de recommandation HeatWave AutoML suggère une liste de restaurants en fonction de ce que l'utilisateur a commandé précédemment. Ensuite, HeatWave Vector Store fournit une invite augmentée au LLM en fonction des menus des restaurants qu'il contient. Le LLM peut alors générer une recommandation de plats personnalisée en langage naturel.
HeatWave adopte la bonne approche en matière de machine learning En intégrant le machine learning aux données avec HeatWave AutoML de manière automatisée et rentable, HeatWave accélère l'adoption du machine learning. »
« Grâce à HeatWave AutoML dans la base de données, Redshift ML ressemble à la technologie d'hier en termes d'ingénierie, de performances et de coûts. »
« Je pense que l'automatisation intégrée à HeatWave AutoML facilitera considérablement l'utilisation du machine learning pour les clients, dépassant ainsi le domaine des data scientists. »
« Avec HeatWave AutoML, le machine learning est démocratisé, rapide, utilise des données à jour et coûte moins cher que les autres services de base de données cloud. »
Accédez à la documentation pour démarrer en toute simplicité avec HeatWave AutoML.
Découvrez HeatWave AutoML à votre propre rythme avec des instructions étape par étape.
Vous apprendrez à créer un modèle de machine learning prédictif à l'aide de HeatWave AutoML.
Vous allez créer MovieHub, une application fictive de streaming de films qui fournit des recommandations de films personnalisées à l'aide de HeatWave AutoML.
Demandez un atelier gratuit avec un expert pour évaluer HeatWave ou vous lancer.
Inscrivez-vous pour un essai gratuit de HeatWave AutoML. Vous aurez accès à des ressources gratuites pour une durée illimitée.
Vous souhaitez en savoir plus sur HeatWave AutoML ? Laissez l’un de nos experts vous aider.