1 Nouveautés de l'interface utilisateur d'Oracle Machine Learning sur Autonomous Database

Fournit un récapitulatif des dernières améliorations et fonctionnalités de l'interface utilisateur Oracle Machine Learning sur Oracle Autonomous Database.

Tableau 1-1 Nouvelles fonctionnalités

Fonctionnalités	Description
Mise à jour des blocs-notes Oracle Machine Learning.	L'interface utilisateur d'Oracle Machine Learning offre un environnement de bloc-notes amélioré. Initialement publié sous le nom Notebooks EA (Early Adopter) dans Autonomous Database - Sans serveur, il est désormais accessible à l'aide de Notebooks sous le menu de navigation de gauche et la page d'accueil. L'interface de bloc-notes améliorée prend en charge les interpréteurs SQL, SQL Script, R, Python, Conda et Markdown. Vous pouvez écrire du code, du texte, créer des visualisations enrichies et effectuer des analyses de données, y compris l'apprentissage automatique, dans les blocs-notes améliorés. Remarques : L'interface de bloc-notes Zeppelin d'origine est toujours disponible pendant une période limitée sous l'option de menu de navigation de gauche Notebooks Classic.
Prise en charge de la surveillance des modèles dans l'interface utilisateur d'Oracle Machine Learning	L'interface utilisateur d'Oracle Machine Learning prend en charge la surveillance des modèles. Il vous permet de créer des moniteurs de modèle. Les moniteurs de modèle vous permettent de surveiller la qualité des prédictions de modèle au fil du temps et vous fournissent des informations sur les causes sous-jacentes.
Prise en charge de la surveillance des données dans l'interface utilisateur d'Oracle Machine Learning	L'interface utilisateur d'Oracle Machine Learning prend en charge la surveillance des données. Il vous permet de surveiller vos données et d'évaluer l'évolution de vos données au fil du temps. Il vous aide à obtenir des informations sur les tendances et les dépendances multivariées dans les données. Il vous fournit également un avertissement précoce sur la dérive des données.
Prise en charge des blocs-notes améliorés dans Autonomous Database - Sans serveur	L'interface utilisateur Oracle Machine Learning offre un nouvel environnement de bloc-notes amélioré, Notebooks EA (Early Adopter) dans Autonomous Database - Sans serveur. Le bloc-notes amélioré prend en charge les interpréteurs SQL, SQL Script, R, Python, Conda et Markdown. Vous pouvez écrire du code, du texte, créer des visualisations enrichies et effectuer des analyses de données, y compris l'apprentissage automatique, dans les blocs-notes améliorés. Remarques : Le bloc-notes amélioré est disponible dans la version Early Adopter d'Oracle Machine Learning Notebook. Pendant la période de publication Early Adopter, Zeppelin et les blocs-notes améliorés seront disponibles, après quoi tous les blocs-notes seront convertis dans le nouvel environnement de bloc-notes. Pendant la phase Early Adopter, vous pouvez utiliser à la fois les interfaces Zeppelin d'origine et les nouvelles interfaces de bloc-notes Early Adopter. Les blocs-notes de l'interface d'origine peuvent être copiés dans la version Early Adopter. L'interface améliorée du bloc-notes dans Autonomous Database - Sans serveur fournit les fonctionnalités améliorées et les expériences utilisateur suivantes : Expérience utilisateur enrichie et améliorée : le bloc-notes amélioré offre une présentation moderne et une visualisation plus riche avec de nombreuses options de création de graphiques. Les utilisateurs pourront ainsi mieux visualiser et comprendre leurs données. En outre, il offre des fonctionnalités utiles telles que la comparaison de versions côte à côte, l'option d'ajouter des commentaires aux paragraphes, le mode de taille en plein écran pour les paragraphes, l'option de définir la dépendance aux paragraphes, etc. Haute disponibilité : le bloc-notes amélioré, une application colocative, est déployé sur le même niveau intermédiaire que le serveur Oracle Machine Learning, ce qui ne nécessite aucune ressource supplémentaire. Par conséquent, il est toujours en cours d'exécution et facilement disponible pour afficher les nouveaux ordinateurs portables améliorés. Evolutivité élevée : le bloc-notes amélioré garantit une évolutivité élevée en production. Pour évoluer en raison des demandes accrues des utilisateurs, des instances de bloc-notes supplémentaires peuvent être facilement ajoutées. Il existe des outils pour surveiller les charges du système, et si un système est constamment surchargé, une instance supplémentaire peut être facilement ajoutée pour atténuer les risques liés à l'évolutivité.
Prise en charge des bibliothèques tierces Python et R	Les bibliothèques tierces pour Python et R sont disponibles sur Oracle Machine Learning Notebooks. L'interface utilisateur Oracle Machine Learning fournit l'interpréteur Conda pour installer des bibliothèques Python et R tierces dans une session de bloc-notes. Conda est un système de gestion d'environnement et de packages open source qui permet l'utilisation d'environnements contenant des bibliothèques Python et R tierces. Les utilisateurs dotés du rôle OML_SYS_ADMIN peuvent installer des bibliothèques tierces Python et R et les télécharger vers le stockage d'objet à des fins de persistance. L'utilisateur doté du rôle OML_SYS_ADMIN est l'administrateur, également appelé administrateur. Les utilisateurs dotés du rôle OML_DEVELOPER peuvent utiliser l'interpréteur Conda pour télécharger et activer les bibliothèques tierces à l'aide de l'environnement Conda provisionné par l'administrateur. L'utilisateur doté du rôle OML_DEVELOPER est l'utilisateur Oracle Machine Learning standard.
Prise en charge de R	Oracle Machine Learning for R est pris en charge dans les blocs-notes Oracle Machine Learning. En utilisant Oracle Machine Learning for R, vous pouvez effectuer l'exploration des données et la modélisation du machine learning. OML4R is available through Oracle Machine Learning Notebooks on Oracle Autonomous Database - Serverless, including Autonomous Data Warehouse , Autonomous Transaction Processing and Oracle Autonomous JSON Database services.
Prise en charge de Data Guard Autonomous inter-région	Les blocs-notes Oracle Machine Learning fournissent la prise en charge de Data Guard Autonomous inter-région dans les bases de données nouvellement provisionnées et migrées.
Le référentiel Oracle Machine Learning a migré de la base de données sans serveur vers chaque instance Oracle Autonomous Database respective.	Le référentiel Oracle Machine Learning (OML) a été migré de la base de données sans serveur vers chaque instance Oracle Autonomous Database respective. La migration du référentiel Oracle Machine Learning garantit les opérations suivantes : Tous les objets OML tels que les tables, les travaux, les procédures stockées et les métadonnées sont déplacés vers l'instance Oracle Autonomous Database appropriée. Fournit la prise en charge des clones actualisables, ce qui permet également le clonage des métadonnées Oracle Machine Learning. Remarques : La migration du référentiel Oracle Machine Learning (OML) doit se terminer sur une période de 30 jours. La version du référentiel OML est mentionnée dans A propos de dans la liste déroulante <user> dans l'angle supérieur droit de la page de l'interface utilisateur Oracle Machine Learning. Si la version est 1.0.0.0.0, cela indique que les métadonnées OML se trouvent toujours dans la base de données sans serveur. Si la version est 22.x, cela indique que le référentiel OML a été migré vers votre instance Oracle Autonomous Database.
Bloc-notes Oracle Machine Learning pris en charge sur tous les clones Oracle Autonomous Database	Le bloc-notes Oracle Machine Learning est pris en charge sur tous les types d'Oracle Autonomous Database : clones sans serveur, notamment : Clone complet : une base de données est créée avec les données de la base de données et des métadonnées source. Clone actualisable : un clone complet en lecture seule est créé et peut être facilement actualisé avec les données de la base de données source Clone de métadonnées : une base de données est créée, qui inclut toutes les métadonnées de schéma de base de données source, mais pas ses données. Remarques : Pour un clone de métadonnées, les blocs-notes de modèle d'exemple ne sont pas pris en charge.