Oracle HeatWave AutoMLは、統合および自動化されたセキュアな機械学習(ML)を提供し、MLの専門知識、データ移動、追加コストを必要とせずにMLモデルを構築、トレーニング、説明できるよう支援します。Oracle Cloud Infrastructure(OCI)、Amazon Web Services(AWS)、Microsoft Azureで利用可能です。
HeatWaveポートフォリオの活用方法についてご紹介します。
HeatWaveの評価や導入を検討するための、エキスパートによる無料ワークショップをリクエストしましょう。
Nucleus Researchのアナリストは、HeatWaveを使用している複数の組織にインタビューを行い、ハイブリッドのOLTP/OLAPクエリが100倍高速化するなど、大幅な運用改善が実現したことを報告しています。
統合されたMLにより、複雑で時間のかかる別のMLサービスへのデータ移動が不要になります。MySQLデータベースまたはオブジェクト・ストレージに保存されたデータに、MLのトレーニング、推論、説明を簡単に適用します。
アルゴリズムの選択、モデル・トレーニングのためのインテリジェントなデータ・サンプリング、機能の選択、ハイパーパラメータの最適化など、MLのライフサイクルを自動化します。MLの専門知識は必要ありません。
単一のセキュリティ構成と一元的なアクセス管理により、データを1つのデータ管理システムで管理します。すべての通信は認証され、暗号化されます。
MLモデルをより迅速にトレーニングすることで、より頻繁にモデルを再トレーニングし、より正確な結果を得ることができます。
HeatWave AutoMLは、異常検知、予測、分類、回帰、推奨システムなどのタスクをサポートし、これらはテキスト列に対しても実行できます。
HeatWave AutoMLの推薦システムは、暗黙的なフィードバック(過去の購入履歴や閲覧行動など)と明示的なフィードバック(評価や「いいね!」など)の両方を考慮することで、たとえばパーソナライズされた次回購入に関する推薦事項の生成を支援できます。
HeatWave AutoMLでトレーニングされたすべてのモデルは説明可能です。HeatWave AutoMLは予測結果を説明付きで提供するため、信頼性、公平性、規制コンプライアンスでサポートします。
データドリフト検出機能は、トレーニングに使用したデータと新たに受信したデータの差異を検出することで、アナリストがモデルの再トレーニングのタイミングを決定するのに役立ちます。
インタラクティブなコンソールにより、ビジネスアナリストはSQLコマンドやコーディングを一切使用せずに、ビジュアル・インターフェースを使用してMLモデルを構築、トレーニング、実行、説明することができます。また、what-ifシナリオを詳細に検討し、ビジネスの前提条件を評価することもできます。
HeatWave AutoMLは、Jupyter、Apache Zeppelinなど、一般的なノートブックと統合されています。
MLの専門知識を持たないビジネス・アナリストや開発者は、顧客離れの予測を支援するためにHeatWave AutoMLを使用することができます。MLのライフサイクルは自動化され、データはデータベースから離れることがないため、セキュリティ・リスクの低減に役立ちます。モデルは一度構築すれば、顧客離れの確率を予測することができます。
ユーザーはユースケースについて「顧客離れを予測する機能が必要だ」と述べています。そのユーザーは、HeatWave AutoMLの自動化を活用して、そうしたケースに適切な分類機械学習モデルを簡単に構築することができます。それが完了すると、ユーザーはMLモデルを使用して、たとえば、「この顧客が解約する可能性はどのくらいですか」と質問し、「この顧客が解約する確率は72%です」という答えを得る、といったことが可能になります。
MLの専門知識を持たないビジネス・アナリストや開発者は、不正なトランザクションの検出を支援するためにHeatWave AutoMLを使用することができます。MLのライフサイクルは自動化され、データはデータベースから離れることがないため、セキュリティ・リスクの低減に役立ちます。モデルは一度構築すれば、ランザクションに関連する不正の確率を予測できます。
ユーザーはユースケースについて、「不正の可能性があるトランザクションを検出する必要がある」と述べています。そのユーザーは、HeatWave AutoMLの自動化を活用して、そうしたケースに適切な異常検知機械学習モデルを簡単に構築することができます。それが完了すると、ユーザーはMLモデルを使用して、たとえば、「これらのトランザクションのうち、不正の可能性があるものはどれですか」と質問し、「不正の可能性があると特定されたトランザクションとその確率は次のとおりです」という回答を得る、といったことが可能になります。
開発者は、HeatWaveに組み込まれたMLと生成AIの複合的な機能を活用して、パーソナライズされたレコメンデーションを提供するアプリケーションを構築することができます。この例では、アプリケーションでHeatWave AutoML推奨システムを使用して、ユーザーの好みや、ユーザーが以前に注文した内容に基づいてレストランを推奨します。HeatWave Vector StoreでレストランのPDF形式のメニュー検索を支援して特定の料理を提案することで、顧客により大きな価値を提供できます。
あるユーザーが、HeatWave Chatを介して「今日のおすすめのヴィーガン料理は何ですか」と尋ねます。まずHeatWave AutoML推奨システムは、ユーザーが以前に注文した内容に基づいてレストランのリストを提案します。次に、HeatWave Vector Storeは、レストランのメニューに基づいてLLMに拡張プロンプトを提供します。これにより、LLMは自然言語でパーソナライズされたおすすめ料理を生成できます。
「HeatWaveは正しい方法で機械学習を行います。HeatWave AutoMLにより、コスト効率が高く自動化された方法でデータにMLを導入することで、HeatWaveはMLの導入を加速します。」
「データベース内のHeatWave AutoMLにより、エンジニアリング、パフォーマンス、コストの面で、Redshift MLが昨日の技術のように見えます。」
「HeatWave AutoMLに組み込まれた自動化により、顧客はHeatWave AutoMLを目に見えて使いやすくなり、MLはデータ・サイエンティストの領域を超えるものになると確信しています。」
「HeatWave AutoMLの使用により、機械学習は民主化されます。高速で、最新のデータが使用されており、他のクラウド・データベース・サービスよりも低コストです。」
ドキュメントをご覧いただくと、HeatWave AutoMLを簡単に使い始めることができます。
HeatWave AutoMLの評価や導入を検討するための、エキスパートによる無料ワークショップをリクエストしましょう。