Sammanfatta detta blogginlägg med:
Automatiserad maskininlärning, förkortat AutoML, visar sig vara ett radikalt skifte i hur företag av alla storlekar tar sig an utmaningar och implementerar maskininlärningslösningar.
Framväxten av MLOps-plattformar och -applikationer hjälper dataforskare att hantera maskininlärningslivscykeln för att automatisera utbildningsövningar. AutoML revolutionerar området maskininlärningsapplikationer – genom att öka dataforskarnas produktivitet, minska kostnaderna och förenkla plattformen för användning även av icke-statistiska personer på företaget.
DataRobot är en branschledande AutoML-plattform för att hantera och förenkla komplexa företagsarbetsflöden. Black box-modeller av traditionell maskininlärning och djupinlärning gör arbetsflödet svårt att tyda, vilket bäddar in partiskhet i hela processen och gör det svårt för deras mänskliga operatörer att förstå när partiskheten introduceras i arbetsflödet.
AutoML ersätter inte dataforskaren utan finns där för att öka effektiviteten hos befintliga dataforskare.
Att utveckla och driftsätta maskininlärnings- och djupinlärningsmodeller manuellt innebär flera steg som kräver omfattande domänkunskaper, matematiska och datavetenskapliga färdigheter, vilket kan vara mycket svårt att utveckla inom företaget och mycket kostsamt/tidskrävande.
Dessutom kan datavetenskapliga arbetsflöden, maskininlärning och djupinlärning innebära oändliga möjligheter till mänskliga fel och bias, vilket i slutändan försämrar modellens noggrannhet och devalverar de insikter du kan få från modellen.
Automatiserad maskininlärning gör det enkelt för företag inom alla sektorer att utnyttja maskininlärning och djupinlärning inom AI – hälso- och sjukvård, finans, fintech, offentlig sektor, detaljhandel, e-handel, sport, fordonsindustrin och tillverkning – för att anamma teknik som tidigare bara var tillgänglig för organisationer med stora resurser till sitt förfogande.
AutoML hjälper dataforskare att förbättra sin effektivitet och realisera den verkliga potentialen i sina data science-arbetsflöden genom att automatisera maskininlärningsuppgifter som pipeline-utveckling och genom att finjustera hyperparametrar.
DataRobot kan användas av alla vertikaler och funktioner för att göra förutsägelser eller utföra "what-if"-analyser. Den inbyggda användningsfallshanteringen i DataRobot-plattformen hjälper chefer med värdehantering genom att ge insikter i realtid om hur många modeller som körs i produktion och vad avkastningen på investeringen är.
De olika typerna av affärsproblem som kan köras inkluderar klassificering, regression, djupinlärning, avvikelsedetektering och prognostisering. Med DataRobot MLOps kan du övervaka alla dina modeller – interna såväl som externa modeller byggda med Python, Scala och Java – genom att enkelt dra och släppa eller via GitHub.
UTAH Bostadsdataset - Demo
Så här ser startsidan ut - importerar filer och dataset av valfri storlek för AutoML.
Du kan enkelt ansluta till populära databaser och datakällor för att importera datauppsättningar för din modell.
För vår demo importerade vår datauppsättning 20+ kolumner, innehållande numeriska data, geolokaliseringsdata, bilder, textkommentarer och beskrivningar.
Härnäst skapar vi ett projekt härifrån. När vi skapar projektet analyserar vi först fördelningen av de olika variablerna och väljer en målvariabel. I vår demo har vi valt pris som målvariabel.
Sedan klickar vi på Start. DataRobot kör olika algoritmer på datamängden och visar noggrannheten för varje algoritm vid förutsägelse av målvariabeln.
Om du är en dataforskare som vill testa datamängderna praktiskt och olika maskininlärningsapplikationer kan du optimera datamängderna med avancerade modelleringsalternativ samt utföra valideringar för datakvalitet själv.
När du startar modellen ser du de olika parametrarna rangordnade efter hur viktiga funktionerna är för att förklara utdatavariabeln, dvs. graden av korrelation med den slutliga variabeln, för att underlätta driftsättningen av maskininlärningsapplikationerna.
På topplistan ser du de olika algoritmerna rangordnade efter måttet gammaavvikelse (standardmått som rekommenderas av DataRobot), men du kan ändra måttet beroende på dina behov. Du ser också olika blandningsmodeller eller ensemblemodeller som kombinerar det bästa från olika modeller.
Generera meningsfulla insikter från data med lätthet
Gå på AI-vägen för att skapa värde med Data Robot även utan en data scientists vetskap, för förutsägbart beslutsfattande
UTFORSKA VÅRA TJÄNSTER DataRobot kommer att rekommendera den bästa modellen för distribution, och det är det fina med AutoML-plattformar.
Modellritningen visar de olika förbehandlings- och funktionstegen som tillämpas på modellen, samt hur de matas in i den slutliga algoritmen för att ge oss det slutliga resultatet. Du kan studera residualfördelning samt utföra mätningar med hyperparameterjustering.
Funktionspåverkan
Hjälper oss att förstå vilka som är de viktigaste variablerna för att förutsäga målvariabeln enligt den givna maskininlärningsmodellen och inlärningsalgoritmerna, och utvärdera vikten av olika variabler för att bestämma värdet på målvariabeln.
Förklarbar AI
Funktionen Explainable AI visar de olika stegen som tillämpats på modellen, vilket gör det möjligt för modellägaren att förstå hur AI:n nådde den slutliga förutsägelsen genom att göra modellen så transparent som möjligt. Den hjälper organisationer att göra nödvändiga justeringar, med insyn i modellens underliggande beslutsfattande.
Distribuera till produktion
Att distribuera modellen för att köra maskininlärningsapplikationer och inlärningsalgoritmer är ganska enkelt, med bara några få klick. Så snart du ger DataRobot instruktionen att distribuera hämtar den REST API:erna bakom kulisserna. ML-operationer gör det möjligt att kontrollera noggrannheten och hur modellen beter sig med produktionsdata. Du kan aktivera data för driftspårning, lagring av prediktionsrader, utmanarmodeller för distribuering och spåra attribut för segmenterade analyser.
Du kan gå till fliken Distribution för att spåra och övervaka alla dina AI-modeller och inlärningsalgoritmer i AutoML på ett ställe, se metadata relaterade till din modell, aktivera efterlevnads- och styrningsmekanismer, samt servicehubben för att se modellens hälsa.
Med datadrift kan du spåra eventuella förändringar mellan dina träningsdata och prediktionsdata.
Du kan övervaka noggrannheten och uppdatera modellen när noggrannheten sjunker.
Med fliken Förutsägelse kan du integrera externa datauppsättningar för batchförutsägelser och införliva dem i inlärningsalgoritmerna.
Vi kan se att DataRobot är en kraftfull plattform för att automatisera hela ML/AI-arbetsflödet – vilket ger organisationer möjlighet att enkelt bygga och distribuera komplexa maskininlärningsmodeller, få fullständig transparens i hela arbetsflödet och övervaka modellens noggrannhet och arbetsflöde från ett och samma ställe.
Se hur du går från rådata till AI på några minuter
Automatisera hela AI-arbetsflödet och ge användarna insikter nära till hands med Data Robots AutoML-funktioner.
SE WEBINARET