Machine learning

Une solution collaborative et nativement centrée sur les données pour l'ensemble du cycle de vie du ML

Essai gratuit Planifier une démo

image d'arrière-plan

Basée sur une architecture ouverte de lakehouse, Databricks Machine Learning permet aux équipes en charge du ML de préparer et de traiter les données, de rationaliser la collaboration à travers l'entreprise et de standardiser l'ensemble du cycle de vie, depuis l'expérimentation jusqu'à la production.

Ouvrir le diagramme du Data Lakehouse

Diagramme des métriques de prévision MLflow

Simplifier toutes les données pour le ML

Puisque Databricks ML repose sur une base ouverte de lakehouse grâce à Delta Lake, vous permettez à vos équipes de ML d'accéder à tout type de données, de les explorer et de les préparer et ce, à n'importe quelle échelle. Transformez des fonctionnalités en pipelines de production disponibles en libre-service sans dépendre du support de l'ingénierie des données.

Automatiser le suivi et la gouvernance des expériences

Managed MLflow suit automatiquement les paramètres de vos tests et journaux, les métriques, le contrôle de versions des données et du code, ainsi que les artefacts de modèle à chaque exécution d'entraînement. Vous pouvez rapidement voir les exécutions précédentes, comparer les résultats et reproduire un résultat précédemment obtenu selon vos besoins. Une fois que vous avez identifié la meilleure version d'un modèle pour la production, enregistrez-la dans le registre des modèles pour simplifier les transferts tout au long du cycle de déploiement.

Exemple d'expérience automatisée

Exemple d'activité

Gérez le cycle de vie complet du modèle avec le registre des modèles

Une fois que les modèles entraînés sont enregistrés, vous pouvez les gérer de manière collaborative tout au long de leur cycle de vie à l'aide du registre des modèles. Les modèles peuvent être versionnés et passer par différentes étapes, comme l'expérimentation, la pré-production, la production et l'archivage. La gestion du cycle de vie s'intègre aux workflows d'approbation et de gouvernance selon des contrôles d'accès basés sur les rôles. Les commentaires et les notifications par e-mail offrent un environnement de collaboration riche aux équipes chargées des données.

Déployer des modèles de ML à faible latence et à grande échelle

À partir du registre de modèles, déployez rapidement des modèles de production utilisant le scoring par lots pour une mise à l'échelle, ou Databricks Serving pour une faible latence en ligne servant de points de terminaison pour l'API REST. Comme le registre de modèles s'appuie sur le format de modèle MLflow, il bénéficie des intégrations de l'écosystème pour une grande variété de déploiements, comme le déploiement de conteneurs Docker sur Kubernetes ou le chargement d'un modèle sur un appareil.

Diagramme du registre du modèle MLflow

image d'arrière-plan

Les composants du produit

AstraZeneca

Témoignage de client

L'IA transforme la découverte de médicaments

AstraZeneca leverages data and NLP to help scientists research novel drugs

HSBC

Témoignage de client

Réinventer la banque mobile grâce au Machine learning

Comment HSBC gère les transactions sans espèces de plus de 39 millions de clients grâce à la détection des fraudes basée sur le Machine learning

Starbucks

Témoignage de client

Brewing data and AI at scale

Starbucks propose une expérience client omnicanal avec Databricks dans 30 000 points de vente

Comcast

Témoignage de client

The future of entertainment with AI

Comcast offre aux téléspectateurs une expérience unique, primée aux Emmy Awards, grâce à des télécommandes vocales optimisées par l'IA.

Prêt à vous lancer ?