Machine Learning

Databricks Notebooks unterstützen Python, R, SQL und Scala nativ, d. h., Anwender können unter Verwendung der Sprachen und Bibliotheken ihrer Wahl zusammenarbeiten, um aussagekräftige Erkenntnisse zu gewinnen, zu visualisieren und zu teilen.

1-Klick-Zugriff auf vorkonfigurierte und ML-optimierte Cluster, die auf einer skalierbaren und zuverlässigen Verteilung der gängigsten ML-Frameworks (wie PyTorch, TensorFlow und scikit-learn) basieren – mit integrierten Optimierungen für unübertroffene Leistung auch bei enormen Datenmengen.

Vereinfachen Sie die Wiederverwendung von Funktionen mit einer auf der Datenherkunft basierenden Funktionenssuche, die automatisch protokollierte Datenquellen heranzieht. Stellen Sie Funktionen für Training und Bereitstellung mit einer vereinfachten Modellbereitstellung zur Verfügung, für die keine Änderungen an der Client-Anwendung erforderlich sind.

Ermöglichen Sie allen Akteuren vom ML-Experten bis hin zum Citizen Data Scientist die Mitwirkung. Hierzu wurde ein „Glass-Box-Ansatz“ für AutoML implementiert, der nicht nur das leistungsstärkste Modell bereitstellt, sondern auch Code zur weiteren Optimierung durch Experten erzeugt.

Managed MLflow baut auf MLflow, der weltweit führenden Open-Source-Plattform für den ML-Lebenszyklus, auf und hilft beim schnellen Überführen von ML-Modellen aus der Experimentierphase in die Produktion – mit Sicherheit, Zuverlässigkeit und Skalierbarkeit auf Unternehmensniveau.

Stellen Sie Modelle in jeder Größenordnung mit einem Klick zur Verfügung, mit der Option, serverloses Computing zu nutzen.

Überwachen Sie die Modellleistung und wie sie sich in Echtzeit auf Geschäfts-Metrics auswirkt. Databricks bietet durchgängige Transparenz und Herkunft von Modellen in der Produktion bis hin zu Quelldatensystemen und hilft dabei, die Modell- und Datenqualität über den gesamten ML-Lebenszyklus hinweg zu analysieren und Probleme zu lokalisieren, bevor sie schädliche Auswirkungen haben.

Mithilfe von Repositorys können Engineers Git-Workflows in Databricks nachstellen und Datenteams so die Nutzung automatisierter CI/CD-Workflows und das Portieren von Code ermöglichen.