Каждый день сотрудник страховой компании просыпается и понимает, что ему придется тратить много времени на рассылку электронных писем клиентов вручную.

Каждый день лаборант эксперт-химик, которому приходится работать над составом косметического продукта — или продукта на полимерной основе, например — просыпается и знает, что придется потратить много времени и особенно много материалов, на обретение нужных химико-физических свойств > продукта, начиная с рецепта.

Каждый день оператор коммунального хозяйства — в энергетическом поле, например — просыпается и знает, что придется потратить столько времени на заготовку материалов. стратегия.

Каждый день кто-то где-то просыпается, зная, что тратит время, деньги, материалы на повторяющиеся процессы и попытки их собственная работа.

И это потому, что у некоторых компаний еще нет автоматизированной системы для этого. На самом деле, даже сегодня машинное обучение считается недостаточным в рамках возможных решений для облегчения бизнес-процессов: с одной стороны, это связано с экономической фактор — считается, что решения ML (и AI) в любом случае предполагают большие инвестиции — а с другой стороны, это связано с отсутствием специалистов по науке о данных.

Вывод таков: машинное обучение слишком сложное и слишком дорогоедля компании.

Цель LOKO AI — разрушить это убеждение, предлагая очень легкий инструмент с низким кодом, которым могут управлять как разработчики, так и специалист по данным; интуитивно понятная платформакак для программирования, так и для создания прогностической модели. одной и той же рукой, если это необходимо.

В этой статье мы покажем вам, как получить прогнозную модель за четыре шага с помощью LOKO AI:

1. Создайте модель

На странице приветствия вверху есть кнопка Предикторы: она открывает панель управления предикторов, где можно установить режим. (Базовый, Расширенный, Вручную), чтобы создать свою модель.

Вы можете выбрать Базовый для создания моделей, выбрав только модель машинного обучения, которую вы хотите использовать, например Случайный лес, без необходимости указывать какие-либо гиперпараметры; затем установите для параметра Идентификатор преобразования значение Авто, если вы не хотите управлять преобразованием переменных и отсутствующих значений.

Не забудьте дать имя предиктору и в конце сохранить настройки.

2. Создайте поток и обучите модель

На странице приветствия нажмите Новый проект, чтобы перейти в рабочее пространство.

Чтобы начать рабочий процесс, вам нужно перетащить блок ввода, который может быть блоком CSV Reader. После этого вам может понадобиться манипулировать вашими данными: например, перетащите на рабочую область блок Function (или любой другой из блоков Common) и связать его с файлом CSV Reader.

С помощью Function вы можете использовать код и библиотеки Python для настройки обработки данных, а также другие общие блоки, такие как Filter. > или Sampler для готовых к использованию данных.

Затем пришло время для блока Predictor (который «содержит» вашу модель) и связать Function с fit input из Predictor; Чтобы правильно настроить его, необходимо дважды щелкнуть и задать имя Целевой переменной.

Вы можете разделить данные на наборы обучения и тестирования, выбрав собственную скорость разделения, и напрямую выбрать производительность модели в обоих наборах. данных. LOKO AI автоматически создаст для вас дашборд, и в зависимости от задачи алгоритма дашборд будет содержать наиболее используемые метрики и некоторые графики о результатах и ​​распространении наборов данных.

Теперь нажмите Воспроизвести и запустите процесс настройки. Тем временем вы увидите обновленный статус процесса в том же блоке.

3. Делайте свои прогнозы

А как насчет прогнозов? Ничего, кроме того, что это действительно легко и быстро с LOKO AI.

На самом деле, если у вас есть новые данные для импорта, вы можете реплицировать на том же графике поток, чтобы делать прогнозы на их основе, связывая Блок Function — или любые другие, которые вы уже использовали в рабочем процессе настройки — в predict node Predictor (теперь можно указать параметры).

Здесь вы можете найти показатели модели на тренировке и на тесте.

4. Оцените свои прогнозы

В конце, если у вас есть другие данные, например данные слепого теста, которые вы хотите использовать для оценки вашей модели на невидимых данных, повторите для третьего замерьте рабочий процесс и вставьте их: но на этот раз вам нужно будет связать блок Function с оценкой входных данных. Предиктор.

Это вернет вам показатели производительности, относящиеся к вашей задаче.

Во втором и третьем потоках, где вы будете делать прогнозы и оценки, знайте, что вы можете закончить блоками Function и CSV Writer в чтобы сохранить ваши прогнозы или выступления.