Manejar un almacén de datos es tarea compleja en la que muchas variables deben atenderse: seguridad, aprovisionamiento, escalabilidad, mantenimiento, configuración y, sobre todo, el oportuno respaldo de toda esa data tan valiosa.
Para facilitar las cosas, Oracle ofrece un servicio en nube –Autonomous Data Warehouse– que, tal como indica su nombre, automatiza estas operaciones, sin importar el tamaño de la organización.
Autonomous Data Warehouse, como cualquier otro producto o servicio de su clase, se renueva constantemente, y estamos ahora ante una nueva generación con mejoras considerables que facilitarán el trabajo y optimizarán los resultados.
Oracle Autonomous Data Warehouse es el único almacén de datos en la nube totalmente autónomo en la actualidad. Con esta nueva generación de Autonomous Data, proporcionamos un conjunto de herramientas fáciles de usar y sin código que facultan de forma única los analistas de negocios sean científicos de datos, ingenieros de datos y desarrolladores.
Marcos Pupo, vicepresidente senior de nube de Oracle Latinoamérica
La última versión de este producto incluye muchas innovaciones, con alcance más allá de analistas y científicos de datos para llegar hasta los clientes como tal. Aquí, un resumen de sus características clave:
Herramientas de datos integradas: Los analistas de negocio disponen ahora de un entorno sencillo y de autoservicio para cargar datos y ponerlos a disposición de su equipo. Pueden cargar y transformar datos desde sus computadoras portátiles o de la nube simplemente arrastrando y soltando. Además, es posible generar modelos de negocio de forma automática; descubrir rápidamente anomalías, valores atípicos y patrones ocultos en sus datos; y comprender las dependencias de los datos y el impacto de los cambios.
Interfaz de usuario AutoML de Oracle Machine Learning: al automatizar los pasos que requieren mucho tiempo para crear modelos de aprendizaje automático, la UI de AutoML proporciona una interfaz de usuario sin código para el aprendizaje automático, lo que aumenta la productividad del científico de datos, mejora la calidad del modelo y permite que incluso los no expertos aprovechen el aprendizaje automático.
Oracle Machine Learning para Python: los científicos de datos y otros usuarios de Python ahora pueden aplicar el lenguaje de aprendizaje automático a los datos de su almacenamiento de datos, aprovechando al máximo las capacidades paralelas de alto rendimiento y los más de 30 algoritmos nativos de aprendizaje automático de Oracle Autonomous data Warehouse.
Servicios de Oracle Machine Learning: los equipos de DevOps y ciencia de datos pueden implementar y administrar modelos de base de datos nativos y modelos de clasificación y regresión en formato ONNX fuera de Oracle Autonomous Data Warehouse, y también pueden solicitar el análisis cognitivo de textos. Los desarrolladores de aplicaciones tienen puntos finales REST fáciles de integrar para todas las funciones.
Soporte para gráficos de propiedades: los gráficos ayudan a modelar y analizar las relaciones entre entidades (por ejemplo, un gráfico de red social). Ahora los usuarios pueden crear gráficos en su almacén de datos, realizar consultas utilizando PGQL (lenguaje de consulta de gráficos de propiedades) y analizar gráficos con más de 60 algoritmos de análisis de gráficos en memoria.
Interfaz de usuario de Graph Studio: Graph Studio se basa en las capacidades de creación de gráficos patentadas de Oracle Autonomous Data Warehouse para facilitar el análisis de gráficos a los principiantes. Incluye la creación automatizada de modelos gráficos, cuadernos, visualización integrada y flujos de trabajo prediseñados para diferentes casos de uso.
Acceso continuo a Data Lakes: Oracle Autonomous Data Warehouse amplía su capacidad para consultar datos en Oracle Cloud Infrastructure (OCI) Object Storage y en todos los almacenes de objetos de nube más populares con tres nuevas funciones de data lakes: consulta sencilla de datos en Oracle Big Data Service (Hadoop ); integración con el catálogo de datos OCI para simplificar y automatizar el descubrimiento de datos en el almacenamiento de objetos; y procesamiento de escala para acelerar las consultas de grandes conjuntos de datos en el almacenamiento de objetos.
