Progetti condivisi - supportano gli utenti nell'organizzazione del lavoro, abilitando il controllo di versione e permettendo di condividere in modo affidabile il lavoro del team Cataloghi di modelli - che permettono di condividere in modo affidabile modelli già costruiti e gli elementi necessari per modificarli e implementarli Policy di sicurezza "di squadra" - così da garantire agli utenti il totale controllo sull'accesso a modelli, codici e dati Riproducibilità e verificabilità - che aiutano a tenere traccia di tutti gli asset rilevanti, così da poter riprodurre e sottoporre a audit i modelli " Avere modelli di machine learning efficaci é la base per il successo dei progetti di data science, ma il volume e la varietà di dati da gestire può bloccare queste iniziative prima ancora che decollino" - spiega Greg Pavlik, senior vice president product development, Oracle Data and AI Services - " Con Oracle Cloud Infrastructure Data Science, stiamo migliorando la produttività dei singoli data scientist automatizzando tutto il loro flusso di lavoro, con in più importanti strumenti che supportano il lavoro di squadra, per fare in modo che i progetti di data science generino valore reale per le imprese".