資料科學家還在自己做資料清理與特徵工程？怎麼不讓 AutoML 來幫你！
未來，每個人都可以是資料科學家！這句話不是一個噱頭，隨著自動化機器學習 AutoML 問世，透過系統自動化建立人工智慧 AI 模型，節省了大量時間，甚至讓不具資料科學背景的產業人士也能跨越寫程式、理解各方法論的門檻，借助 AI 來解決企業題。
一般透過機器學習技術建立 AI 模型過程可分成四步驟，分別為資料取得、資料前處理、模型最佳化與實際應用。其中費最多時間精力的步驟，就是資料前處理與模型最佳化。據統計，光是資料前處理，就會耗費專案 80% 的時間，全球人工智慧領導者 SAS，台灣業務顧問部陳新銓副總經理就指出，SAS 過往曾協助某製造業進行模型最佳化，相關參數的排列組合高達 9 萬個，若以人工測試，最快也要兩個月的時間才能找出準確度最高的模型，但現在透過 AutoML 大幅縮短到 15 分鐘! 且 AutoML 不只提升效率，還能克服人為誤差或偏頗。
AutoML 方案怎麼選？掌握這三大挑選重點
第一、能否提供多元層次的自動化
要判斷不同 AutoML 的差異性，先看自動化層次是否夠多元，例如在建模初期、中期到後期模型解釋，都有相應的自動化流程，且能還自動產出流程圖（pipeline）以及最佳化模型運算框架與各參數間的關聯（pattern）。
第二、使用者介面（UI）友善度
操作介面友善度，絕對是能否快速上手、願意持續使用的關鍵。
較領先的系統是使用下拉式選單的設計，透過低程式碼或 少程式碼 介面來降低分析門檻，才能讓有領域知識的人也能自行操作。
第三、系統設計能否兼顧效率與未來擴充性
AutoML 運算時間長短，除了取決於硬體設備的規格，也和 AutoML 系統框架有關，同樣一份資料倒入不同 AutoML 解決方案中，產出模型的時間有些只要 30 分鐘、有些卻要跑 3 天，另外框架設計得好，才能依據應用需求，彈性地選擇要垂直或水平擴充硬體。
陳新銓認為，企業將建構模型的工作交給 AutoML 就像把「資料工程外包」，讓資料科學家能夠將工作重點放在探索問題本質等更有價值的作業，同時也藉由 AutoML 培訓具備產業知識的人轉型成為資料科學家，最大化導入 AI 應用的價值。
記者
Related posts
Comment ( 0 )
Trackbacks are closed.
No comments yet.