Auf der Oracle Open World London machte das Unternehmen mehrere Ankündigungen. Zu den drei wichtigsten Ankündigungen gehört die Verfügbarkeit der Oracle Cloud Data Science Platform. Oracle hat eine neue Datenbank erstellt, die alle Daten unterstützt. Und Oracle hat seine Interoperabilitätspartnerschaft mit Microsoft erweitert.
Auf der Oracle Open World London machte das Unternehmen mehrere Ankündigungen. Zu den drei wichtigsten Ankündigungen gehört die Verfügbarkeit der Oracle Cloud Data Science Platform. Oracle hat eine neue Datenbank erstellt, die alle Daten unterstützt. Und Oracle hat seine Interoperabilitätspartnerschaft mit Microsoft erweitert.
Oracle gab die Verfügbarkeit seiner neuen Oracle Cloud Data Science Platform bekannt. Diese Plattform konzentriert sich auf maschinelles Lernen und unterstützt Datenwissenschaftler bei der Zusammenarbeit bei der Erstellung, Schulung, Verwaltung und Bereitstellung von ML-Modellen. Der einfache Zugang zu allen Teams birgt ein enormes Transformationspotenzial. Eine schnellere Entwicklung eines Projekts kann möglicherweise zu einer schnelleren Implementierung führen, anstatt aufgrund der Zeit, die für die Fertigstellung benötigt wird, vor der Produktion zu sterben.
Zu den Funktionen gehören:
- Die automatische Auswahl und Optimierung von AutoML-Algorithmen automatisiert die Durchführung von Tests für mehrere Algorithmen und Hyperparameterkonfigurationen. Es überprüft die Ergebnisse auf Richtigkeit und bestätigt, dass das optimale Modell und die optimale Konfiguration für die Verwendung ausgewählt wurden. Dies spart Datenwissenschaftlern viel Zeit und, was noch wichtiger ist, soll es jedem Datenwissenschaftler ermöglichen, die gleichen Ergebnisse zu erzielen wie die erfahrensten Praktiker.
- Die automatisierte Auswahl prädiktiver Features vereinfacht das Feature-Engineering, indem wichtige prädiktive Features automatisch aus größeren Datensätzen identifiziert werden.
- Die Modellbewertung generiert eine umfassende Suite von Bewertungsmetriken und geeigneten Visualisierungen, um die Modellleistung anhand neuer Daten zu messen und kann Modelle im Zeitverlauf bewerten, um ein optimales Verhalten in der Produktion zu ermöglichen. Die Modellbewertung geht über die reine Leistung hinaus, um das erwartete Basisverhalten zu berücksichtigen, und verwendet ein Kostenmodell, damit die unterschiedlichen Auswirkungen von falsch-positiven und falsch-negativen Ergebnissen vollständig berücksichtigt werden können.
- Modellerklärung: Oracle Cloud Infrastructure Data Science bietet eine automatisierte Erklärung der relativen Gewichtung und Bedeutung der Faktoren, die in die Erstellung einer Vorhersage einfließen. Oracle Cloud Infrastructure Data Science bietet die erste kommerzielle Implementierung einer modellagnostischen Erklärung. Mit einem Betrugserkennungsmodell kann ein Datenwissenschaftler beispielsweise erklären, welche Faktoren die größten Betrugstreiber sind, sodass das Unternehmen Prozesse ändern oder Schutzmaßnahmen implementieren kann.
- Geteilte Projekte helfen Benutzern dabei, die Arbeit eines Teams, einschließlich Daten und Notebook-Sitzungen, zu organisieren, die Versionskontrolle zu ermöglichen und sie zuverlässig zu teilen.
- Modellkataloge ermöglichen es Teammitgliedern, bereits erstellte Modelle und die zu ihrer Änderung und Bereitstellung erforderlichen Artefakte zuverlässig zu teilen.
- Mithilfe teambasierter Sicherheitsrichtlinien können Benutzer den Zugriff auf Modelle, Code und Daten steuern, die vollständig in Oracle Cloud Infrastructure Identity and Access Management integriert sind.
- Reproduzierbarkeits- und Prüfbarkeitsfunktionen ermöglichen es dem Unternehmen, den Überblick über alle relevanten Assets zu behalten, sodass alle Modelle reproduziert und geprüft werden können, selbst wenn Teammitglieder das Team verlassen.
Oracle hat Datenbanken einen Schritt weitergebracht in einer Welt, die einen One-Stop-Fits-All-Ansatz mit einer einzigen konvergenten Datenbank-Engine wünscht, die alle Anforderungen eines Unternehmens erfüllen kann. Es wird nicht nur angegeben, dass die Datenbank alle Anforderungen erfüllt, sondern Benutzer können auch neue Technologietrends nutzen, wie etwa Blockchain zur Betrugsprävention, die Nutzung der Flexibilität von JSON-Dokumenten oder das Training und die Bewertung von Algorithmen für maschinelles Lernen innerhalb der Datenbank.
Zu den konvergierten Funktionen in Oracle Database gehören:
- Oracle Machine Learning für Python (OML4Py): Oracle Machine Learning (OML) in Oracle Database beschleunigt prädiktive Erkenntnisse durch die Einbettung fortschrittlicher ML-Algorithmen, die direkt auf die Daten angewendet werden können. Da die ML-Algorithmen bereits mit den Daten verknüpft sind, besteht keine Notwendigkeit, die Daten aus der Datenbank zu verschieben. Datenwissenschaftler können Python auch verwenden, um die datenbankinternen ML-Algorithmen zu erweitern.
- OML4Py AutoML: Mit OML4Py AutoML können auch Nicht-Experten maschinelles Lernen nutzen. AutoML empfiehlt die am besten geeigneten Algorithmen, automatisiert die Funktionsauswahl und optimiert Hyperparameter, um die Modellgenauigkeit erheblich zu verbessern.
- Native Persistent Memory Store: Datenbankdaten und Redo können jetzt im lokalen Persistent Memory (PMEM) gespeichert werden. SQL kann direkt auf Daten ausgeführt werden, die im zugeordneten PMEM-Dateisystem gespeichert sind, wodurch E/A-Codepfade entfallen und der Bedarf an großen Puffercaches reduziert wird. Ermöglicht Unternehmen die Beschleunigung des Datenzugriffs über Workloads hinweg, die eine geringere Latenz erfordern, einschließlich Hochfrequenzhandel und mobiler Kommunikation.
- Automatische In-Memory-Verwaltung: Oracle Database In-Memory optimiert sowohl die Analyse als auch die Online-Transaktionsverarbeitung mit gemischten Workloads und bietet eine optimierte Leistung für Transaktionen bei gleichzeitiger Unterstützung von Echtzeitanalysen und Berichten. Die automatische In-Memory-Verwaltung vereinfacht die Verwendung von In-Memory erheblich, indem Datennutzungsmuster automatisch ausgewertet werden und ohne menschliches Eingreifen ermittelt wird, welche Tabellen am meisten von der Platzierung im In-Memory-Spaltenspeicher profitieren würden.
- Native Blockchain-Tabellen: Oracle erleichtert den Einsatz der Blockchain-Technologie zur Erkennung und Verhinderung von Betrug. Oracle-native Blockchain-Tabellen sehen aus wie Standardtabellen. Sie ermöglichen SQL-Einfügungen und eingefügte Zeilen werden kryptografisch verkettet. Optional können Zeilendaten signiert werden, um den Schutz vor Identitätsbetrug zu gewährleisten. Oracle-Blockchain-Tabellen lassen sich einfach in Apps integrieren. Sie sind in der Lage, an Transaktionen und Abfragen mit anderen Tabellen teilzunehmen. Darüber hinaus unterstützen sie im Vergleich zu einer dezentralen Blockchain sehr hohe Einfügungsraten, da für Commits kein Konsens erforderlich ist.
- JSON-Binärdatentyp: JSON-Dokumente, die im Binärformat in der Oracle-Datenbank gespeichert werden, ermöglichen viermal schnellere Aktualisierungen und ein bis zu zehnmal schnelleres Scannen.
Schließlich gaben Oracle und Microsoft bekannt, dass sie ihre Cloud-Partnerschaft mit einem neuen Cloud-Interconnect-Standort in Amsterdam erweitern. Dieser neue Standort ermöglicht es Unternehmen, Daten über Anwendungen hinweg zu teilen, die in Microsoft Azure und Oracle Cloud ausgeführt werden. Damit wird die Cloud-Interoperabilitätspartnerschaft zwischen Oracle und Microsoft, die die Unternehmen im vergangenen Jahr angekündigt hatten, weiter ausgebaut.
Diskutieren Sie auf Reddit
Beteiligen Sie sich an StorageReview
Newsletter | YouTube | Podcast iTunes/Spotify | Instagram | Twitter | Facebook | RSS Feed
