Расширенный ИИ - Машинное обучение

Автоматизированное машинное обучение для аналитиков данных и бизнес-пользователей

Создайте свою первую модель машинного обучения менее чем за пять минут.

Automated Machine Learning (AutoML) represents a fundamental shift in the way organizations of all sizes approach machine learning and data science.

Машинное обучение - это ветвь искусственного интеллекта, основанная на идее, что системы могут учиться на данных, выявлять закономерности и принимать решения с минимальным вмешательством человека. Машинное обучение обеспечило нам значительные прорывы в различных отраслях. В таких областях, как финансовые услуги, розничная торговля, здравоохранение, банковское дело и другие, так или иначе используются системы машинного обучения, и результаты были многообещающими.

Сегодня машинное обучение не ограничивается только исследованиями и разработками, оно проникло и в корпоративную сферу. Однако традиционный процесс машинного обучения в значительной степени зависит от человека, и не у всех предприятий есть ресурсы, чтобы инвестировать в опытную команду по анализу данных. Даже там, где у компаний есть ресурсы, специалисты по обработке данных и инженеры, эти специалисты должны тратить сотни часов в месяц на создание и обслуживание этих систем машинного обучения.

Наше исследование также показало, что большинству нынешних специалистов по обработке данных не хватает знаний в предметной области, и поэтому им необходимо работать с профессионалами из разных отделов для решения конкретной проблемы, например, для прогнозирования того, какие клиенты с большей вероятностью купят продукт. Эти представители отдела являются экспертами с более глубокими бизнес-знаниями и аналитическими навыками, но не имеют навыков прогнозной аналитики, в частности машинного обучения.

Automated ML democratizes the machine learning model development process, and empowers its users, no matter what their data science expertise is, to identify an end-to-end machine learning pipeline for any problem

Автоматизированное машинное обучение дает толчок Citizen Data Scientist, упрощая создание и использование моделей машинного обучения в реальном мире без написания кода. Автоматизированное машинное обучение включает в себя лучшие практики машинного обучения от ведущих специалистов по обработке данных, а также современные библиотеки с открытым исходным кодом, чтобы сделать машинное обучение и анализ данных более доступными для всей организации.

Вот традиционный процесс построения модели:

Рисунок 1:

Как видно из рисунка 1 выше, разработка модели с использованием традиционного процесса чрезвычайно трудоемка, повторяющаяся и утомительная. Приложение автоматизированного машинного обучения автоматически выполняет задачи построения модели, которые обычно требуют квалифицированного специалиста по данным. Вместо недель или месяцев автоматизированная система машинного обучения работает быстро, и бизнес-пользователям / аналитикам данных обычно требуются дни, чтобы построить сотни моделей, сделать прогнозы и получить информацию. Автоматизированное машинное обучение для аналитиков данных позволяет организациям добиваться большего с меньшими затратами.

AutoML позволяет предприятиям в таких отраслях, как здравоохранение, финтех, банковское дело и др., Использовать передовые технологии машинного обучения и искусственного интеллекта, которые ранее были доступны только организациям с большими ресурсами. Автоматизируя большинство задач моделирования машинного обучения, AutoML позволяет бизнес-пользователям и аналитикам данных с легкостью внедрять решения машинного обучения и уделять больше внимания решению сложных бизнес-задач.

Аналитики данных и бизнес-пользователи из разных отраслей могут использовать автоматизированное машинное обучение, чтобы:

1. Implement ML-powered solutions without extensive programming knowledge

2. Save time and resources

3. Leverage data science best practices

4. Agile problem-solving

Как работает автоматизированное машинное обучение?

Существует множество инструментов, каждый из которых имеет свои внутренние функции, но мы просто сосредоточимся на mltrons dp2 - новом приложении со встроенной подготовкой данных и библиотеками AutoML.

Пользователи могут создавать новые проекты и проводить эксперименты с машинным обучением с помощью пяти простых шагов, используя очень интуитивно понятный пользовательский веб-интерфейс.

1. Identify the use-case: predict demand, customer churn or credit card fraud

2. Identify the ML problem type: Regression, Classification or Time-Serices

3. Upload your data or connect your data source

3. Choose your target variable (the variable you want to predict)

4. Train & evaluation 100s of machine learning algorithms*

5. Deploy the best performing algorithm and make predictions**

* Автоматизированное машинное обучение mltrons курирует современные библиотеки, такие как AutoKeras, PyTorch, TensorFlow, H2O, TPOT, Caffe, SageMaker и AlphaD3M, для построения наиболее подходящей модели для данных. Mltrons имеет встроенные графические процессоры для поддержки глубокого обучения.

** mltrons AutoML для аналитиков данных позволяет им использовать симулятор сценария «что, если» для создания стратегий для нескольких результатов. Это заполняет разрыв между аналитиком данных / ученым и руководителем, принимающим решения.

Все начинается сегодня!

Речь идет о том, чтобы взять на себя как можно больше небольших проектов, чтобы быстро создать ценность. С помощью автоматизированного машинного обучения аналитики данных могут начать создавать модели машинного обучения и вывести свои навыки на новый уровень. С другой стороны, предприятия могут получить множество побед за пояс и выполнить несколько сценариев использования в своих организациях за меньшее время, что придаст импульс и сделает возможным повторение и расширение монетизации данных.

Об авторе

Рахил Ахмад является генеральным директором и соучредителем mltrons. Вы можете связаться с ним в Twitter, Facebook и LinkedIn.