Vat dit blogbericht samen met:
Geautomatiseerd machinaal leren, kortweg AutoML, blijkt een radicale verandering teweeg te brengen in de manier waarop bedrijven van elke omvang uitdagingen aanpakken en oplossingen voor machinaal leren implementeren.
De opkomst van MLOps-platforms en -applicaties helpt datawetenschappers bij het beheren van de levenscyclus van machine learning-modellen en het automatiseren van trainingsprocessen. AutoML zorgt voor een revolutie in het veld van machine learning-toepassingen door de productiviteit van datawetenschappers te verhogen, de kosten te verlagen en het platform te vereenvoudigen, zodat zelfs niet-statistisch onderlegde medewerkers binnen het bedrijf er gebruik van kunnen maken.
DataRobot is een toonaangevend AutoML-platform voor het beheren en vereenvoudigen van complexe bedrijfsworkflows. De blackbox-modellen van traditionele machine learning en deep learning maken de workflow moeilijk te doorgronden, waardoor er vooroordelen in het hele proces worden ingebouwd en het voor de gebruikers lastig is om te begrijpen wanneer deze vooroordelen in de workflow worden geïntroduceerd.
AutoML vervangt de data scientist niet, maar is er om de efficiëntie van bestaande data scientists te verhogen.
Het handmatig ontwikkelen en implementeren van machine learning- en deep learning-modellen omvat meerdere stappen die uitgebreide domeinkennis, wiskundige en computerwetenschappelijke vaardigheden vereisen. Het ontwikkelen van deze vaardigheden binnen een bedrijf kan zeer lastig en tijdrovend zijn.
Daarnaast kunnen data science- workflows, machine learning en deep learning talloze mogelijkheden voor menselijke fouten en vooringenomenheid met zich meebrengen, wat uiteindelijk de nauwkeurigheid van het model zal verminderen en de waarde van de inzichten die je uit het model zou kunnen halen, zal verlagen.
Geautomatiseerd machinaal leren maakt het voor bedrijven in alle sectoren gemakkelijk om machine learning en deep learning AI-technologie te benutten - gezondheidszorg, financiën, fintech, overheidsdiensten, detailhandel, e-commerce, sport, automotive en productie - waardoor ze technologie kunnen toepassen die voorheen alleen toegankelijk was voor organisaties met enorme middelen.
AutoML helpt datawetenschappers hun efficiëntie te verbeteren en het ware potentieel van hun datawetenschappelijke workflows te benutten door machine learning-taken zoals pipeline-ontwikkeling en het afstemmen van hyperparameters te automatiseren.
DataRobot kan door elke branche en voor elke functie worden gebruikt voor voorspellingen of what-if-analyses. Het ingebouwd use case management in het DataRobot-platform helpt managers bij waardemanagement door realtime inzicht te geven in hoeveel modellen er in productie draaien en wat het rendement op de investering (ROI) is.
De verschillende soorten bedrijfsproblemen die kunnen worden opgelost, omvatten classificatie, regressie, deep learning, anomaliedetectie en voorspelling. Met DataRobot MLOps kunt u al uw modellen monitoren – zowel interne als externe modellen die zijn gebouwd met Python, Scala en Java – door middel van eenvoudige drag-and-drop of via GitHub.
Utah Woningmarkt Dataset - Demo
Zo ziet de startpagina eruit: het importeren van bestanden en datasets van elke gewenste grootte voor AutoML.
Je kunt eenvoudig verbinding maken met populaire databases en gegevensbronnen om datasets voor je model te importeren.
Voor onze demo importeerden we een dataset met meer dan 20 kolommen, met daarin numerieke gegevens, geolocatiegegevens, afbeeldingen, tekstcommentaren en beschrijvingen.
Vervolgens gaan we hier een project aanmaken. Na het aanmaken van het project analyseren we eerst de verdeling van de verschillende variabelen en kiezen we een doelvariabele. In onze demo hebben we prijs als doelvariabele gekozen.
Vervolgens klikken we op Start. DataRobot voert verschillende algoritmes uit op de dataset en toont de nauwkeurigheid van elk algoritme bij het voorspellen van de doelvariabele.
Als data scientist die graag zelf met de dataset aan de slag wil en verschillende machine learning-toepassingen wil uitproberen, kun je de datasets optimaliseren met geavanceerde modelleringsopties en zelf de datakwaliteit valideren.
Zodra je het model start, zie je de verschillende parameters gerangschikt op basis van hun belang voor het verklaren van de uitvoervariabele, oftewel de mate van correlatie met de uiteindelijke variabele. Dit maakt het makkelijker om machine learning-toepassingen te implementeren.
Op het scorebord ziet u de verschillende algoritmen gerangschikt op basis van de gamma-deviantie (de standaardwaarde die DataRobot aanbeveelt), maar u kunt deze waarde aanpassen aan uw eigen behoeften. U ziet ook verschillende blendmodellen of ensemblemodellen die de beste eigenschappen van verschillende modellen combineren.
Genereer eenvoudig waardevolle inzichten uit data.
Bewandel het pad van AI om waarde te creëren met Data Robot, zelfs zonder de kennis van een data scientist, voor voorspellende besluitvorming.
ONTDEK ONZE DIENSTEN DataRobot zal je het beste model voor implementatie aanbevelen, en dat is de kracht van AutoML-platformen.
Het modelontwerp laat u de verschillende voorverwerkings- en feature engineering-stappen zien die op het model worden toegepast, evenals hoe het wordt ingevoerd in het uiteindelijke algoritme om het eindresultaat te verkrijgen. U kunt de restverdeling bestuderen en hyperparameteroptimalisatie uitvoeren.
Functie-impact
Het helpt ons te begrijpen wat de belangrijkste variabelen zijn voor het voorspellen van de doelvariabele volgens het gegeven machine learning-model en de leeralgoritmen, en het belang van verschillende variabelen te evalueren bij het bepalen van de waarde van de doelvariabele.
Verklaarbare AI
De functie 'Verklaarbare AI' toont de verschillende stappen die in het model zijn toegepast, waardoor de eigenaar van het model inzicht krijgt in hoe de AI tot de uiteindelijke voorspelling is gekomen. Dit maakt het model zo transparant mogelijk en helpt organisaties om de nodige aanpassingen te maken, dankzij het inzicht in de onderliggende besluitvorming van het model.
Implementeer naar productie
Het implementeren van het model voor het uitvoeren van machine learning-toepassingen en leeralgoritmen is vrij eenvoudig en vereist slechts een paar klikken. Zodra u DataRobot de opdracht geeft om te implementeren, haalt het de REST API's op de achtergrond op. Met ML-bewerkingen kunt u de nauwkeurigheid controleren en zien hoe het model zich gedraagt met de productiedata. U kunt datadrift-tracking inschakelen, voorspellingsrijen opslaan, challenger-modellen implementeren en attributen volgen voor segmentanalyses.
Je kunt naar het tabblad Implementatie gaan om al je AI-modellen en leeralgoritmes binnen AutoML op één plek te volgen en te bewaken, de metadata van je model te bekijken, compliance- en governance-mechanismen in te schakelen en via Service Hub de status van je model te controleren.
Met datadrift kunt u elke verandering tussen uw trainingsgegevens en voorspellingsgegevens volgen.
Je kunt de nauwkeurigheid controleren en het model bijwerken wanneer de nauwkeurigheid afneemt.
Via het tabblad 'Voorspellingen' kunt u externe datasets integreren voor batchvoorspellingen en deze opnemen in de leerprocessen.
We kunnen zien dat DataRobot een krachtig platform is voor het automatiseren van de volledige ML/AI-workflow. Het platform stelt organisaties in staat om eenvoudig complexe machine learning-modellen te bouwen en te implementeren, volledige transparantie te verkrijgen over de gehele workflow en de nauwkeurigheid van het model en de workflow vanuit één centrale plek te monitoren.
Bekijk hoe je in enkele minuten van ruwe data naar AI gaat.
Automatiseer de volledige AI-workflow en bied gebruikers direct inzicht met de AutoML-mogelijkheden van Data Robot.
BEKIJK HET WEBINAR