Databricksプラットフォ，ムで機械学習を展開
オ，プンなレ@ @クハウスアーキテクチャを基盤とする砖のプラットフォームは,機械学習のためのデータの準備や処理を効率化し,チーム間のコラボレーションを支援し,実験から本番までの機械学習ライフサイクルの合理化を可能にします。
機械学習デ，タをシンプルに
Databricks MLは，オ，プンなレ@ @クハウスア，キテクチャを基盤として構築されており，三角洲湖が組み込まれています。機械学習チームによる、あらゆる規模、種類のデータのアクセス、探索、準備を可能にします。データエンジニアリングのサポートなしで、特徴量をセルフサービスで本稼働パイプラインに組み込めます。
実験追跡とガバナンスの自動化
マネージドMLflowにより,実験を自動的に追跡し,トレーニング実行ごとのパラメータ,メトリクス,データとコードのバージョン,モデルの成果物を記録できます。実行履歴をすぐに確認でき，結果を比較したり，必要に応じて過去の結果を再現したりすることも可能です。本番環境に最適なモデルのバージョンを特定した後は,モデルレジストリに登録し,展開ライフサイクル全体のハンドオフを簡素化できます。
モデルのラ▪▪フサ▪▪クル全体を動的に管理
トレーニングされたモデルを登録すると,モデルレジストリを使用してモデルのライフサイクルを共同管理できます。モデルのバージョン管理や移動は,実験,ステージング,本番環境,アーカイブなどさまざまな段階で可能です。ライフサイクル管理は,ロールベースのアクセス制御に従って,承認やガバナンスのワークフローと統合されています。また，コメントやメ，ルの通知機能により，デ，タチ，ムのコラボレ，ション環境が充実します。
Mlモデルの大規模展開を低レ化学键テンシで
サバの管理やスケルの制限を気にすることなく，ワンクリックでモデルをデプロできます。砖を使用することで、エンタープライズレベルの高可用性で、モデルを REST API エンドポイントとして任意の場所にデプロイできます。
製品コンポ，ネント
デ，タブリックスソリュ，ションへの移行
Hadoopやエンタープライズデータウェアハウスなどのレガシーシステムに関連するデータサイロ,遅いパフォーマンス,高いコストにうんざりしていませんか吗?砖Lakehouseへの移行:データ,分析,AIのすべてのユースケースに対応するモダンなプラットフォームです。
