ऑटोएमएल महान और शक्तिशाली है

फिलहाल, शायद, एक भी व्यक्ति नहीं है जो सूचना प्रौद्योगिकी में रुचि रखता है और यह नहीं सुना है कि डिजिटल परिवर्तन परिदृश्यों को लागू करने के लिए मशीन लर्निंग, डेटा माइनिंग, निर्णय समर्थन प्रणाली प्रमुख क्षेत्रों में से एक है।

एमएल (मशीन लर्निंग) का उपयोग करने वाले व्यावसायिक परिदृश्य व्यवसाय के सभी क्षेत्रों को कवर करते हैं और अधिकांश प्रकार के डेटा का उपयोग करते हैं: सारणीबद्ध, पाठ और ऑडियो, चित्र आदि। अधिक से अधिक परियोजनाएं हैं, और विशेषज्ञों की संख्या इतनी तेजी से नहीं बढ़ रही है। एक विचार है कि इन "महंगे" डेटा के काम का एक हिस्सा वैज्ञानिकों को स्वचालित किया जा सकता है। और यहाँ AutoML बचाव के लिए आता है।

ऑटोएमएल से उनका मतलब अलग-अलग चीजों से है। SAP में, हम मानते हैं कि यह डेटा विज्ञान के नियमित संचालन का स्वचालन है। संभवतः, इस लेख में परिभाषा के बारे में अधिक विस्तार से वर्णन करना आवश्यक नहीं है, क्योंकि अलेक्सी नेटकिन ने पहले से ही यहां सब कुछ काफी अच्छी तरह से किया था ।

यदि आप वीडियो देखते हैं तो कोई इच्छा नहीं है, तो इस विषय पर कुछ विचार हैं:



इस विषय पर एक अच्छा उदाहरण है। एक बार, डीएस समूह में, हमने अभ्यास से एक मामले पर चर्चा की - एक व्यक्ति जिसने सीनियर डीएस की भूमिका का दावा किया
था वह एक साक्षात्कार के लिए आया था, जो वह कर सकता था वह सभी लोकप्रिय ऑटोएमएल उपकरण में से एक था। एक उचित प्रश्न के लिए, इस तरह के ज्ञान के साथ कोई वरिष्ठ स्तर के लिए कैसे योग्य हो सकता है, उसका जवाब त्रुटिहीन था: "मैं व्यापार के लिए पैसे लाता हूं, और यह मेरा उपकरण है।" अर्थात्, ऑटोएमएल उन परिदृश्यों में जहां डेटा पहले से ही स्टोरफ्रंट में बड़े करीने से एकत्र किया जाता है, डोमेन फीचर्स जेनरेट किए जाते हैं, और क्वालिटी मेट्रिक्स को परिभाषित किया जाता है, जिससे आप जल्दी से एक नई सेवा शुरू कर सकते हैं। हां, परिणाम प्रोफ से भी बदतर हो सकता है। डी एस, लेकिन सबसे अधिक संभावना जून से बेहतर है, और कुछ मामलों में, आप तुरंत इसका उपयोग कर सकते हैं।

इस बारे में अधिक लोकप्रिय लोग इस बारे में क्या सोचते हैं (उदाहरण के लिए पहली टिप्पणी इस खबर की चर्चा को संदर्भित करती है कि Google से AutoML ने दूसरा स्थान प्राप्त किया)।



और बड़ी संख्या में संसाधनों का उपयोग प्राप्त किया जाता है, क्योंकि अब कोई उन्नत मेटा-प्रशिक्षण नहीं है। अधिक सटीक रूप से, यह कुछ फैसलों में या तत्परता के बहुत प्रारंभिक चरण में बिंदुवार है। इसे प्रोटोटाइप के रूप में भी पाया जा सकता है। बाकी हाइपरपरमेटर्स या अधिक आशाजनक दृष्टिकोणों के लिए एक यादृच्छिक खोज है: टीपीई, बायेसियन ऑप्टिमाइज़ेशन, एनएएस, आरएल।

ताकि AutoML समाधान और दृष्टिकोण की तुलना की जा सके, एक खुला बेंचमार्क दिखाई दिया है। वाणिज्यिक समाधान एक बहुत ही सरल कारण के लिए इस तरह की तुलना पसंद नहीं करते हैं - खुले टकराव लगभग असंभव है। सटीकता के अलावा, डेटा प्रकार, एम्बेडिंग और उपयोग पर बहुत अधिक ध्यान केंद्रित है। मॉडल बनाने के लिए स्वयं काम का 15-20% (या शायद कम) है, इसके अलावा अन्य कार्यों की एक बड़ी परत है - स्थानान्तरण से, सेवा के प्रकाशन तक।

SAP AutoML बाजार में अपना स्थान लेता है। हमारे पास परिपक्वता के विभिन्न स्तरों के साथ कई अलग-अलग इंजन हैं।

एसएपी हाना में एसएपी ऑटोमेटेड प्रेडिटिव लाइब्रेरी, जो ऐतिहासिक रूप से 2013 में केएक्सईएन के अधिग्रहण के बाद दिखाई दिया, मॉडल के सबसे तेज संभव कार्यान्वयन के लिए एक उपकरण के रूप में विशेष रूप से विकसित किया गया। यह सुविधाजनक है जब प्रशिक्षण मॉडल के लिए कोई भारी (समय में) बजट नहीं है, लेकिन पर्याप्त रूप से उच्च गुणवत्ता वाला परिणाम महत्वपूर्ण है। वास्तव में - इसे AutoGBDT का एक तेज़ संस्करण मानते हैं। अब अधिकांश लोगों के लिए एक अजगर आवरण है, और यह कुछ ऐसा दिखता है (चित्र 1)।


चित्र 1।

SAP से SAP डेटा इंटेलिजेंस में AutoML समाधान की दूसरी शाखा दिसंबर 2019 में दिखाई दी। यह एक परिचित ओपन सोर्स टूल्स के आधार पर बनाया गया एक दृष्टिकोण है और हमारे स्वयं के विकास द्वारा पूरक है। यहां, संभावित गणना का समय सेट किया गया है, और क्लस्टर के भीतर, चरणों, एल्गोरिदम और हाइपरपरमेटर्स के इष्टतम संयोजन का चयन किया जाता है, जहां अंतिम पाइपलाइन इस तरह दिखती है (छवि 2)।


चित्रा 2.

यह ऑटोएमएल है, जो एसएपी डेटा इंटेलिजेंस प्लेटफॉर्म का हिस्सा है और क्लाउड और ऑन-प्रिमाइसेस दोनों में काम कर सकता है। इसके अलावा, डेटासेट, एकीकरण, और, शायद सबसे महत्वपूर्ण बात, एसएपी एस / 4 एचएएनए में मानक एकीकरण तंत्र का प्रबंधन करने के लिए आवश्यक सब कुछ इंटरफेस और सेवाओं की पीढ़ी यहां दिखाई देती है।

यदि हम अगले चरणों पर विचार करते हैं, तो यह स्पष्ट है कि डेटा, व्यवसाय के दृष्टिकोण से, एनोटेशन के साथ संतृप्त होना चाहिए जो कुछ कार्यों के लिए प्रासंगिक होगा। ये डोमेन संकेत हैं, और व्यावसायिक वस्तुओं के कुछ रिश्तों के साथ एकत्रीकरण का सबसे अच्छा रूप हैं, और पूर्व-प्रशिक्षित माइक्रो-न्यूरल नेटवर्क - फीचर एक्सट्रैक्टर्स हैं।

यदि आप AutoML के क्षेत्र में प्रतियोगिताओं और लेखों को देखते हैं, तो आप निम्नलिखित क्षेत्रों की स्पष्ट रूप से पहचान कर सकते हैं:

1. ऑटोटेबल - टेबुलर डेटा
2. AutoCV - चित्र और वीडियो
3. ऑटोएनएलपी - ग्रंथ
4. AutoTS - समय श्रृंखला
5. ऑटोग्राफ - रेखांकन
6. ऑटोस्पीच - ध्वनि
7. ऑटोड - विसंगतियों के लिए खोज

मुझे लगता है कि AutoRL के तहत समाधान भी होंगे - सुदृढीकरण के साथ प्रशिक्षण के लिए।

वर्तमान में, एसएपी ऑटोएमएल समाधानों के संदर्भ में सारणीबद्ध डेटा, समय श्रृंखला और विसंगतियों के साथ काम करने पर ध्यान केंद्रित कर रहा है। कारण सरल है, प्रत्येक व्यावसायिक क्षेत्रों में भारी संख्या में मॉडल के साथ एक बुद्धिमान उद्यम बनाना केवल संभव है।

खैर, ज़ाहिर है, प्रत्येक कंपनी की अपनी विशिष्टताएं होती हैं, इसलिए, यदि मानक मॉडल (ठेठ) उपयुक्त नहीं हैं, तो उनका अनुकूलन आवश्यक है। और ऐसा करने का सबसे आसान तरीका उन उपकरणों का उपयोग करना है जिनके लिए डीएस-विशेषज्ञों की भागीदारी की आवश्यकता नहीं है।

सामान्य तौर पर, भविष्य में बहुत सारी नई और दिलचस्प चीजें हमें इंतजार करती हैं ...

दिमित्री बुस्लोव, सीनियर बिजनेस सॉल्यूशंस आर्किटेक्ट, एसएपी एमआईएस ने पोस्ट किया।