AutoML：使AI对企业更易访问
在涉及机器学习时，我们经常听到使用“自动机器学习”或“ AutoML”这一术语，但是什么是AutoML？围绕它的炒作又是真的吗？本文是有关AutoML的深入探讨，它如何使所有人都能使用机器学习的功能，以及如何根据您的业务需求量身定制某些AutoML工具。
自动语言
如今，公司正在将AI纳入其内部流程中，以改善其产品线的质量，预测销售，预测客户需求，设计新产品/库存，甚至优化其工作场所。随着AI / ML对企业的重要性不断提高，其挑战也变得越来越明显，特别是在AI和数据科学的可访问性方面。
在充满挑战的环境中进行智能革命的需求
当前，设计机器学习模型包括诸如数据预处理，数据准备，特征工程，特征选择等任务。然后，我们选择最佳算法并调整参数以获得最佳结果。设计这些ML模型可能非常耗时。除此之外，AI / ML是一个进入门槛很高的领域，需要很少公司能够负担的领域专业知识。公司经常会为拥有合适数量的数据科学家而苦苦挣扎，而且还面临着培训员工的挑战。
话虽如此，公司如何才能降低准入门槛并确保所有人都能使用AI？我们如何才能使AI民主化并实现公民数据平台来解决当前的挑战？机器学习本身可以自动化吗？
输入：AutoML。
作为一个不断发展的技术领域，AutoML涉及用于自动化机器学习模型开发的耗时任务的一系列技术。AutoML能够使组织内的业务用户能够理解，准备，构建，开发，部署和监视ML应用程序，以应对具有挑战性的工作流程。
下一波机器学习浪潮
AutoML可以识别数据中的差异，错误和其他问题，并向用户提供选择，建议以及建议的异常值。向专家提供所有这些信息后，他们可以无缝地管理多个模型，从而节省了时间和精力。AutoML应用程序的工作方式就是这种方式。首先，设定目标并上传数据。然后，AutoML会生成并测试ML模型，推荐可用的ML模型，并监视模型性能。
对于企业而言，AutoML有助于节省时间和金钱，使他们能够构建有效的ML模型，更有效地最大化其输出，并提高其准确性和生产就绪模型的周转时间。它减少了雇用许多领域专家的需要，减少了发生错误的时间，并减少了开发和测试ML模型的时间。
以野生生物保护组织为例-为了跟踪特定区域的野生生物种群，它必须跟踪野生生物的活动以更好地了解人类的影响/相互作用/相互作用及其对生态的短期和长期影响。要跟踪和监视野生动植物，将需要设置照相机陷阱，然后手动分析并适当标记成千上万的图像，这是一个费时费力的过程。借助AutoML，它可以自动化分析和标记图像的过程，从而节省时间，削减成本，并从本质上为他们提供更快，更准确的结果。
一旦AutoML工具进入画面，通常需要数周的时间进行编码的工作就可以在数小时内完成。本质上，它是一个零编码或更少编码的平台，可提高公司的生产率，并使数据科学家能够专注于解决更多创新和复杂的问题。例如，在零售行业中，公司可以成功地以高准确度和流失率来预测客户可能购买的产品，这就是AutoML带给企业和数据科学家的可预测性和透明度。
AutoML框架和解决方案
请务必注意，目前，TPML，H2O.ai，Google AutoML和DataRobot等AutoML开源和商业工具最适合简化任务的开发，其中目标是预测结果/结果。这些流行的解决方案倾向于自动化部分或全部ML管道。
例如，企业AI平台DataRobot可使数据科学民主化，并自动化大规模构建，部署和维护AI的端到端解决方案。它消除了对手动工作流程的依赖，自动执行了重复且耗时的步骤，使新用户能够构建高度准确的模型，并为将AI投入生产提供了快速路径。
使数据科学民主化
脱颖而出成为AI驱动的企业的关键不仅在于聘请熟练的和有才能的数据科学家，而且还要借助可填补技能空白的强大工具和软件，使组织内最了解您的企业的人员获得授权。毕竟，并非像某些最大的技术巨头那样，所有公司都拥有预算和带宽来雇用数据科学家。
使用AutoML，您不需要进行大量的培训或学习机器学习知识–本质上，您将数据输入到AutoML工具/软件中，并且系统基本上经历了整个模型的构建和部署周期。从了解数据，检查数据质量，进行特征工程设计，开发模型，对模型进行微调，然后推荐结果。它使组织内的每个人都可以运行复杂的数据科学模型，从而创建了新的一类公民数据科学家。这样，AutoML为企业创建机器学习模型打开了机会之门，而在此之前，机器学习模型是他们无法访问的。
AutoML走向成熟
在未来的几年中，AutoML不会取代数据科学的工作，而是将成为企业和数据科学家更流行的工具，以便在竞争激烈的环境中保持领先地位。通过使重复性任务自动化，它使数据科学家可以将更多时间花在手头的业务问题上。同时，它还使该技术对组织中的每个人（而不是少数几个人）可用。
AutoML确实已转移了全球许多企业的关注点。在接下来的几年中，AutoML的使用将继续减少编写大量代码的必要性。数学和统计方面仍将使用，并且仍需要逻辑技能，但是，所有预处理工作将变得更加内置。对能够了解哪些任务可以安全地自动执行而不会产生偏见或不准确的数据的AutoML从业者以及数据科学家的需求也会增加。
随着企业开始成为由AI驱动的企业，他们将需要重新考虑其人才战略，以提高领域专家的技能，重新评估其要求，并了解其局限性和机遇。
题库