Fassen Sie diesen Blogbeitrag wie folgt zusammen:
Automatisiertes maschinelles Lernen, kurz AutoML, erweist sich als radikaler Wandel in der Art und Weise, wie Unternehmen jeder Größe Herausforderungen bewältigen und Lösungen für maschinelles Lernen einsetzen.
Die Entwicklung von MLOps-Plattformen und -Anwendungen unterstützt Data Scientists bei der Verwaltung des Machine-Learning-Lebenszyklus und der Automatisierung von Trainingsübungen. AutoML revolutioniert den Bereich der Machine-Learning-Anwendungen , indem es die Produktivität von Data Scientists steigert, Kosten senkt und die Plattform so vereinfacht, dass sie auch von Mitarbeitern ohne statistische Vorkenntnisse genutzt werden kann.
DataRobot ist eine branchenführende AutoML-Plattform zur Verwaltung und Vereinfachung komplexer Unternehmens-Workflows. Die Black-Box-Modelle des traditionellen maschinellen Lernens und des Deep Learning erschweren die Nachvollziehbarkeit des Workflows, da sie Verzerrungen in den gesamten Prozess einbetten und es den menschlichen Anwendern schwer machen, zu erkennen, wann diese Verzerrungen im Workflow auftreten.
AutoML ersetzt nicht den Data Scientist, sondern dient dazu, die Effizienz bestehender Data Scientists zu steigern.
Die manuelle Entwicklung und der Einsatz von Modellen des maschinellen Lernens und des Deep Learning umfassen mehrere Schritte, die umfangreiches Fachwissen sowie mathematische und Informatikkenntnisse erfordern, welche innerhalb des Unternehmens nur sehr schwer zu entwickeln und sehr kostspielig/zeitaufwändig sind.
Darüber hinaus bergen Data-Science- Workflows, maschinelles Lernen und Deep Learning unzählige Möglichkeiten für menschliche Fehler und Voreingenommenheit, was letztendlich die Genauigkeit des Modells mindert und die aus dem Modell gewonnenen Erkenntnisse entwertet.
Durch automatisiertes maschinelles Lernen wird es Unternehmen aller Branchen – vom Gesundheitswesen über Finanzen, Fintech, öffentlichen Dienst, Einzelhandel, E-Commerce, Sport, Automobilindustrie bis hin zur Fertigungsindustrie – ermöglicht, maschinelles Lernen und Deep-Learning-KI-Technologien zu nutzen, die zuvor nur Organisationen mit umfangreichen Ressourcen zugänglich waren.
AutoML hilft Data Scientists dabei, ihre Effizienz zu steigern und das wahre Potenzial ihrer Data-Science-Workflows auszuschöpfen, indem es Machine-Learning-Aufgaben wie die Pipeline-Entwicklung automatisiert und die Hyperparameter optimiert.
DataRobot kann von Unternehmen jeder Branche und Funktion für Prognosen und Was-wäre-wenn-Analysen eingesetzt werden. Das in die DataRobot-Plattform integrierte Anwendungsfallmanagement unterstützt Führungskräfte beim Wertmanagement, indem es Echtzeit-Einblicke in die Anzahl der produktiv eingesetzten Modelle und deren ROI liefert.
Die verschiedenen Arten von Geschäftsproblemen, die sich bearbeiten lassen, umfassen Klassifizierung, Regression, Deep Learning, Anomalieerkennung und Prognosen. Mit DataRobot MLOps können Sie alle Ihre Modelle – sowohl interne als auch externe, die mit Python, Scala oder Java erstellt wurden – per Drag & Drop oder über GitHub überwachen.
UTAH-Wohnungsdatensatz – Demo
So sieht die Startseite aus – hier können Sie Dateien und Datensätze beliebiger Größe für AutoML importieren.
Sie können auf einfache Weise Verbindungen zu gängigen Datenbanken und Datenquellen herstellen, um Datensätze für Ihr Modell zu importieren.
Für unsere Demo importierten wir einen Datensatz mit über 20 Spalten, der numerische Daten, Geodaten, Bilder, Textkommentare und Beschreibungen enthielt.
Als Nächstes erstellen wir ein Projekt. Nach der Projekterstellung analysieren wir zunächst die Verteilung der verschiedenen Variablen und wählen eine Zielvariable aus. In unserem Beispiel haben wir den Preis als Zielvariable gewählt.
Als Nächstes klicken wir auf Start. DataRobot führt verschiedene Algorithmen auf dem Datensatz aus und zeigt die Genauigkeit jedes Algorithmus bei der Vorhersage der Zielvariablen an.
Wenn Sie ein Data Scientist sind, der sich aktiv mit dem Datensatz auseinandersetzen und verschiedene Machine-Learning-Anwendungen ausprobieren möchte, können Sie die Datensätze mit erweiterten Modellierungsoptionen optimieren und selbst Validierungen zur Datenqualität durchführen.
Sobald Sie das Modell starten, werden Ihnen die verschiedenen Parameter in der Reihenfolge ihrer Wichtigkeit für die Erklärung der Ausgabevariablen angezeigt, d. h. nach dem Grad der Korrelation mit der endgültigen Variablen, um die Bereitstellung der Anwendungen für maschinelles Lernen zu vereinfachen.
In der Rangliste werden die verschiedenen Algorithmen anhand der Gamma-Abweichung (Standardmetrik von DataRobot) sortiert angezeigt. Sie können die Metrik jedoch an Ihre Bedürfnisse anpassen. Außerdem werden verschiedene Blender- oder Ensemble-Modelle dargestellt, die die besten Eigenschaften unterschiedlicher Modelle kombinieren.
Gewinnen Sie mühelos aussagekräftige Erkenntnisse aus Ihren Daten.
Beschreiten Sie den Weg der KI, um mit Data Robot auch ohne das Wissen eines Datenwissenschaftlers Mehrwert zu schaffen – für vorausschauende Entscheidungsfindung.
ENTDECKEN SIE UNSERE DIENSTLEISTUNGEN DataRobot empfiehlt Ihnen das beste Modell für die Bereitstellung, und genau das ist die Stärke von AutoML-Plattformen.
Der Modellplan zeigt Ihnen die verschiedenen Vorverarbeitungs- und Merkmalsentwicklungsschritte, die auf das Modell angewendet werden, sowie deren Einbindung in den finalen Algorithmus zur Ermittlung des Endergebnisses. Sie können die Verteilung der Residuen untersuchen und Hyperparameter-Optimierungen durchführen.
Auswirkung der Funktion
Hilft uns zu verstehen, welche Variablen für die Vorhersage der Zielvariablen gemäß dem gegebenen maschinellen Lernmodell und den Lernalgorithmen am wichtigsten sind, und die Bedeutung verschiedener Variablen bei der Bestimmung des Wertes der Zielvariablen zu bewerten.
Erklärbare KI
Die Funktion „Erklärbare KI“ zeigt die einzelnen Schritte des Modells an und ermöglicht dem Modelleigentümer, den Ablauf der KI-Vorhersage nachzuvollziehen. Das Modell wird so transparent wie möglich gestaltet. Organisationen können dadurch notwendige Anpassungen vornehmen, da sie Einblick in die zugrunde liegenden Entscheidungsprozesse des Modells erhalten.
Bereitstellung in der Produktion
Die Bereitstellung des Modells für Machine-Learning-Anwendungen und Lernalgorithmen ist denkbar einfach und erfordert nur wenige Klicks. Sobald Sie DataRobot den Bereitstellungsauftrag erteilen, werden die REST-APIs im Hintergrund aufgerufen. Mithilfe der ML-Operationen können Sie die Genauigkeit überprüfen und das Verhalten des Modells mit den Produktionsdaten analysieren. Sie können die Datenabweichungsverfolgung, die Speicherung von Vorhersagezeilen, die Bereitstellung von Testmodellen und die Verfolgung von Attributen für segmentierte Analysen aktivieren.
Auf der Registerkarte „Bereitstellung“ können Sie alle Ihre KI-Modelle und Lernalgorithmen innerhalb von AutoML an einem Ort verfolgen und überwachen, die Metadaten zu Ihrem Modell einsehen, Compliance- und Governance-Mechanismen aktivieren und im Service Hub den Zustand des Modells überprüfen.
Die Datenabweichung ermöglicht es Ihnen, jegliche Veränderung zwischen Ihren Trainingsdaten und Vorhersagedaten zu verfolgen.
Sie können die Genauigkeit überwachen und das Modell aktualisieren, sobald die Genauigkeit nachlässt.
Über die Registerkarte „Vorhersagen“ können Sie externe Datensätze für Batch-Vorhersagen integrieren und in die Lernalgorithmen einbinden.
Wir können sehen, dass DataRobot eine leistungsstarke Plattform zur Automatisierung des gesamten ML/KI-Workflows ist – sie gibt Unternehmen die Möglichkeit, komplexe Machine-Learning-Modelle einfach zu erstellen und einzusetzen, vollständige Transparenz über den gesamten Workflow zu erhalten und die Modellgenauigkeit und den Workflow von einem einzigen Ort aus zu überwachen.
Sehen Sie, wie Sie in wenigen Minuten von Rohdaten zu KI gelangen.
Automatisieren Sie den gesamten KI-Workflow und stellen Sie den Nutzern mit den AutoML-Funktionen von Data Robot wertvolle Erkenntnisse direkt zur Verfügung.
SEHEN SIE SICH DAS WEBINAR AN