Oracle Autonomous Data Warehouse, el primer almacén de datos cloud “autodirigido”

0

Oracle lanza Autonomous Data Warehouse: el primer y único almacén de datos cloud “autodirigido” de la industria. Se trata de una innovadora experiencia, más intuitiva para los analistas y científicos de datos, así como para los usuarios empresariales, con funciones de point-and-click y drag-and-drop para la carga, transformación y limpieza de datos, modelado empresarial y el machine learning. De esta forma Oracle Autonomous Data Warehouse promete a empresas de todos los tamaños obtener más valor de sus datos, lograr resultados más rápidos, acelerar los conocimientos y mejorar la productividad, unido a una reducción de costes sin necesidad de administración.

Autonomous Data Warehouse roporciona herramientas no-code fáciles de usar que permiten a los analistas de datos realizar tareas que antes requerían ingenieros y científicos de datos.

Desde Oracle la definen como una plataforma de datos única, creada para que la empresa asimile, transforme, almacene y gestione todos los datos para ejecutar diversas cargas de trabajo analíticas desde cualquier fuente, incluidos sistemas departamentales, centros de datos empresariales y data lakes. “Oracle Autonomous Data Warehouse es el único centro de datos en la nube totalmente autodirigido en la actualidad”, afirma Andrew Mendelsohn, executive vice president, database server technologies de Oracle. “Con la próxima generación de Autonomous Data Warehouse, proporcionamos un conjunto de herramientas no-code fáciles de usar y que permite que los analistas empresariales se conviertan en analistas e ingenieros de datos y desarrolladores.”

Pone al alcance de organizaciones de todos los tamaños insights más potentes y de manera más rápida.

Según afirman desde Certegy, utilizar Oracle Analytics Cloud y Autonomous Data Warehouse, son “capaces de aplicar el machine learning y el análisis espacial para mejorar la trazabilidad de los ingresos disminuyendo riesgos y previniendo fraudes en tiempo real”. Y desde Kingold explican que “Oracle Autonomous Data Warehouse ha reducido el time-to-market de un proyecto típico de data warehouse de tres meses a tres días”.

 

Innovaciones en Autonomous Data Warehouse

La última versión incluye, además de un amplio conjunto de capacidades para que analistas, científicos de datos y desarrolladores de líneas de negocio aprovechen al máximo los datos, características que ofrecen una analítica más profunda y una mayor integración con data lakes. Entre las principales funciones se encuentran:

Herramientas de datos integradas:

Los analistas de negocio disponen ahora de un entorno sencillo de autoservicio para cargar datos y ponerlos a disposición de su equipo para un entorno más colaborativo. Pueden cargar y transformar los datos desde su ordenador portátil o desde la nube simplemente “arrastrando y soltando”. Así, pueden generar automáticamente modelos de negocio; descubrir rápidamente anomalías, valores atípicos y patrones ocultos en sus datos; y comprender las dependencias de los datos y el impacto de los cambios.

Oracle Machine Learning AutoML:

Al automatizar los pasos que requieren mucho tiempo a la hora de crear modelos de machine learning, la funcionalidad de AutoML UI ofrece una interfaz de usuario no-code para automatizar el machine learning con el fin de aumentar la productividad de los científicos de datos, mejorar la calidad de los modelos y permitir que incluso los no expertos puedan aprovechar y hacer uso de esta tecnología.

Oracle Machine Learning para Python:

Los científicos de datos y otros usuarios de Python pueden ahora utilizar Python para aplicar el machine learning a los datos de su almacén de datos, aprovechando al máximo las capacidades paralelas de alto rendimiento de Oracle Autonomous Data Warehouse.

Servicios de Oracle Machine Learning:

Los equipos de DevOps y de ciencia de datos pueden desplegar y gestionar modelos nativos in-database y modelos de clasificación y regresión en formato ONNX fuera de Oracle Autonomous Data Warehouse, y también pueden recurrir al análisis cognitivo de textos. Los desarrolladores de aplicaciones disponen de REST endpoints fáciles de integrar para todas las funcionalidades.

Property Graph support:

Los grafos ayudan a modelar y analizar las relaciones entre entidades (por ejemplo, un gráfico de red social). Ahora los usuarios pueden crear grafos dentro de su almacén de datos, hacer consultas de grafos mediante PGQL (property graph query language) y analizar grafos con más de 60 algoritmos de análisis in-memory.

Interfaz de usuario de Graph Studio:

Graph Studio se basa en las capacidades de grafos de propiedad de Oracle Autonomous Data Warehouse para facilitar el análisis de grafos a los principiantes. Incluye modelado automatizado, notebooks, visualización integrada y flujos de trabajo predefinidos para diferentes casos de uso.

About Author

Avatar

Leave A Reply