Japan Database

借助 Dataiku 在 SPCS 中运行的新 API 部署选项，ML 工程师可以轻松地将用于预测和聚类的可视化 ML 模型、自定义 Python 模型和任意 Python 函数部署为 SPCS 中的容器化服务。

以信用卡交易欺诈用例为例，我们可以训练一个 XGBoost 模型，根据购买特征、持卡人历史记录和商家历史记录来预测欺诈交易。只需单击几下，我们就可以将此模型作为 RESTful API 服务部署到 SPCS。




我们可以使用 Dataiku 的统一监控 塞浦路斯 WhatsApp 数据 工具监控模型的正常运行时间、查询和响应。




我们可以编写一个场景来每月重新训练该模型，检查 ROC AUC 是否高于某个阈值，并自动更新 SPCS 部署。




通过这种新的集成，企业可以在实时应用程序中嵌入 ML 模型，在几分钟内（而不是几个月）将预先构建的推理图像部署到 SPCS，现在您拥有一个扩展到 LLM 和 MLOps 的完整堆栈。


通过 Dataiku 和 Snowflake 走得更远

观看本次网络研讨会，了解专家关于构建安全、有效、基于 GenAI 的聊天机器人的见解。