Die Abbildung zeigt eine funktionale Darstellung der Architektur. Oracle Cloud Infrastructure Data Integration bietet Datenextraktorchestrierung und Datentransformation für Daten, die aus Oracle Fusion Cloud Enterprise Performance Management und anderen Quellen wie SAP und Tabellen stammen.

Oracle Autonomous Data Warehouse speichert historische, inkrementelle und Vorhersagedaten.

Oracle Cloud Infrastructure Data Science bietet eine Engineering-Pipeline für Features für maschinelles Lernen, eine Pipeline für maschinelles Lernen und eine Bewertungspipeline.

Historische Daten aus Autonomous Data Warehouse werden in der Entwicklungspipeline für Features für maschinelles Lernen verwendet, die Datenextraktion, Datenvorbereitung, Feature-Engineering und Featurevalidierung bereitstellt.

Das Eingabeformular, in dem die Entwicklungspipeline für Features des maschinellen Lernens verwendet wird, bietet die Featureaufnahme, das Modelltraining, Modellbewertungen und die Modellauswahl. Datenanalysten und Datenanalysten verwenden diese Daten.

Die Bewertungspipeline stellt einen Modellkatalog-API-Endpunkt, eine Modell-Deployment-Funktionalität und einen API-Endpunkt für das Modell für maschinelles Lernen bereit. Das Diagramm zeigt einen funktionalen Pfad von der Modellauswahl in der Pipeline für maschinelles Lernen über den API-Endpunkt des Modellkatalogs bis hin zum Modell-Deployment bis hin zum API-Endpunkt des Modells für maschinelles Lernen. Die Bewertungspipeline bewertet neue Daten aus den inkrementellen Autonomous Data Warehouse-Daten, persistiert Vorhersagedaten in Autonomous Data Warehouse und liefert Vorhersagen, die mit einem Chatbot an Geschäftsbenutzer gesendet werden. Der Chatbot ist auch mit dem Oracle Cloud Infrastructure Functions-Chatmodell und Llama 3.1 405b verbunden.