⛹🏽 👝 👎🏻 AutoML既强大又强大 ☁️ 🔯 🙋

目前，也许没有一个人对信息技术感兴趣，却没有听说过机器学习，数据挖掘，决策支持系统是实现数字化转型方案的关键领域之一。

使用ML（机器学习）的业务场景涵盖业务的所有领域，并使用大多数类型的数据：表格，文本和音频，图像等。项目越来越多，专家的数量增长并不那么快。有一种想法认为，这些“昂贵”数据科学家的部分工作可以实现自动化。 AutoML来了。

对于AutoML，它们的含义不同。在SAP，我们相信这是数据科学常规操作的自动化。可能没有必要在本文中更详细地描述该定义，因为Aleksey Natekin 在这里已经做得很好。

如果您观看视频没有任何欲望，那么这里有一些关于该主题的想法：

在这个问题上有一个很好的例子。有一次，在DS小组中，我们讨论了一个实践案例–一个声称高级DS角色来采访的人，
他所能做的就是运行一种流行的AutoML工具。对于一个合理的问题，一个人如何拥有这样的知识才有资格晋升为高级职位，他的回答是无可挑剔的：“我把钱带入企业，这就是我的工具。”也就是说，在已经在店面中整齐地收集数据，生成域功能以及定义质量指标的情况下，使用AutoML可以使您快速启动新服务。是的，结果可能会比教授差。 DS，但很可能比6月好，在某些情况下，您可以立即使用它。

以下是社区中民众对此看法的更多示例（第一条评论是对Google的AutoML位居第二的新闻的讨论）。

由于现在不存在高级元训练，因此可以使用大量资源。更准确地说，这在某些决策中或在准备就绪的非常早期是有目的的。也可以以原型形式找到它。其余的是对超参数或更有希望的方法的随机搜索：TPE，贝叶斯优化，NAS，RL。

为了可以比较AutoML解决方案和方法，出现了一个开放基准。商业解决方案由于非常简单的原因而不喜欢这种比较-公开对抗几乎是不可能的。除了准确性之外，还过于关注数据类型，嵌入和使用。要使模型本身占工作量的15％至20％（或更少），此外，还有大量其他工作-从转让到服务发布。

SAP占据了AutoML市场的地位。我们有几种具有不同成熟度的引擎。

SAP HANA上的SAP自动化掠夺性图书馆（在2013年收购KXEN之后历史上就出现了），进一步专门开发为可最快实施模型的工具。当没有大量（及时的）培训模型预算时，这很方便，但是足够高质量的结果很重要。实际上-考虑一下这是AutoGBDT的快速版本，现在已经有大多数人熟悉的python包装器，它看起来像这样（图1）。

图片1。

SAP的SAP Data Intelligence中的AutoML解决方案的第二个分支出现在2019年12月。这是在熟悉的开源工具的基础上构建的方法，并通过我们自己的开发加以补充。这里设置了可能的计算时间，并在集群中选择了步骤，算法和超参数的最佳组合，其中最终管线看起来像这样（图2）。

图2.

这是AutoML，它是SAP Data Intelligence平台的一部分，可以在云和本地环境中工作。此外，此处还显示了管理数据集，集成以及最重要的是SAP S / 4HANA中的标准集成机制以及生成接口和服务所需的一切。

如果考虑下一步，很显然，从业务的角度来看，数据应该充满与某些任务相关的注释。这些是域标志，是具有业务对象某些关系的最佳聚合形式，以及经过预训练的微神经网络-特征提取器。

如果您查看AutoML领域的竞赛和文章，则可以清楚地确定以下领域：

AutoTable-表格数据
AutoCV-图片和视频
AutoNLP-文本
AutoTS-时间序列
AutoGraph-图形
AutoSpeach-声音
AutoAD-搜索异常

我想在AutoRL下也会有解决方案-进行增援训练。

目前，SAP致力于使用AutoML解决方案来处理表格数据，时间序列和异常。原因很简单，只能在每个业务领域中建立具有大量模型的智能企业。

好吧，当然，每个公司都有自己的详细信息，因此，如果标准模型（典型）不合适，则必须对其进行自定义。最简单的方法是使用不需要DS专家参与的工具。

总的来说，将来会有很多新奇有趣的事情在等待着我们

。SAP CIS高级业务解决方案架构师Dmitry Buslov发表。

AutoML既强大又强大

More articles: