機器學習

機器學習的基本原理Lakehouse-Architektur。模具Lösung unterstützt ml -試驗階段雙生產的Aufbereitung和Verarbeitung von Daten, optimiert模具teamübergreifende實驗階段雙生產的Lebenszyklus標準研究和標準化。

Alle Datenaspekte für ML vereinfachen

Da數據ricks ML auf einer offenenLakehouse-Grundlage麻省理工學院三角洲湖aufsetzt, ermöglichen Sie es Ihren機器學習團隊damit, auf Daten jeglichen Typs and Umfangs zuzugreifen, Sie zu untersuchen and aufzubereiten。Verwandeln Sie Funktionen in producktionpipeline mit Self-Service-Unterstützung, ohne auf den Support Ihrer Data Engineers angewiesen zu sein。

跟蹤和治理für實驗自動化

管理的MLflow自動實驗和原型參數，kenzahlen，數據版本和代碼，模型化的訓練過程。Sie können frühere Durchläufe unkompliziert einsehen, Ergebnisse vergleichen und frühere結果nach Bedarf reduzieren。索博德Sie die für模具生產最好的geeignete模型版本ermittelt haben, registereren Sie Sie in der modelregisterung, um die Übergabe während des Bereitstellungslebenszyklus einfacher zu gestalten。

Den modellebenszyklus vollständig mit der modelregistrierung verwalten

培訓模型下的注冊模型können Sie Sie mit der modelregistrierung während gesamten Lebenszyklus kollaborativ verwalten。模型können versioniert werden und verschiedene Stadien durchlaufen, z. B.實驗，分期，生產和存檔。Das Lebenszyklusmanagement lässt siich in genehmigung - und governance - workflow mit Zugriffskontrolle integreren。聯係方式:E-Mail-Benachrichtigungen ermöglichen eine intensive Zusammenarbeit der Datenteams。

ML-Modelle在大ßem Umfang mit niedriger Latenz bereitstellen

Aus dem Modellregister können Sie schnell producktionsmodelle bereitstellen。大北können Sie bei umfangreichen Modellen das Batch-Scoring orderaber Databricks Serving für eine latenzarme在線- bereitstellung in Form von REST-API-Endpunkten nutzen。das das modelregister auf demMLflow-Modellformatberuht，富商es von Ökosystemintegrationen für eine Vielzahl von Bereitstellungen。所以lassen siich beispielsweise Docker-Container auf Kubernetes bereitstellen, oder ein Modell kann in ein Gerät geladen werden。