AutoML

Was ist AutoML?

Durch automatisiertes Machine Learning (auch bekannt als automatisiertes maschinelles Lernen, automatisiertes ML oder automated Machine Learning) wird Machine Learning auch für Laien zugänglich, indem es ihnen durch ein automatisiertes Benutzererlebnis ermöglicht, ML-Modelle zu erstellen, zu validieren, zu iterieren und zu untersuchen. AutoML bereitet Daten automatisch vor und bereinigt sie, erstellt und wählt Features aus, wählt die richtige Modellfamilie aus, optimiert die Hyperparameter und analysiert die Ergebnisse. Es hilft auch bei der Datenvisualisierung, der Gewinnung von Erkenntnissen, der Erklärbarkeit und der Bereitstellung von Modellen.

Warum ist AutoML wichtig?

ML-Modelle bieten Unternehmen wertvolle Erkenntnisse, doch die Verantwortung für die Erstellung der Modelle liegt oft bei Personen, die nicht über umfassende ML-Kenntnisse verfügen. AutoML ersetzt Data Scientists zwar nicht, macht sie aber produktiver und ermöglicht es ihnen (und anderen), die Code-intensiven Schritte zu automatisieren und sich auf Modelltests und Erkenntnisse zu konzentrieren. Weniger erfahrene Benutzer:innen (auch Citizen Data Scientists genannt) verwenden AutoML häufig, um Erkenntnisse zu gewinnen und um schnell in die Data Science einzusteigen.

So funktioniert AutoML

AutoML umfasst in der Regel Folgendes:

Datenevaluierung und Vorverarbeitung: Daten werden vorbereitet, bereinigt und transformiert, um ein nützliches Dataset für das Modelltraining zu erstellen.

 

Feature Engineering: In den vorhandenen Daten für das Modelltraining werden neue Datenspalten erstellt, die möglicherweise die Prädiktoren für das von den Daten beschriebene Phänomen besser repräsentieren oder einfach besser mit den ML-Algorithmen funktionieren.

 

Feature-Auswahl: Nachdem neue Features erstellt wurden, wählt AutoML nur diejenigen aus, die für die Generierung eines Modells nützlich sind.

 

Algorithmusauswahl: Konkurrierende Kandidatenmodelle werden überprüft, um dasjenige auszuwählen, das hinsichtlich der gewünschten Metrik am besten abschneidet (z. B. Optimierung für Genauigkeit, Rückruf, ausgewogene Genauigkeit).

 

Hyperparameter-Tuning: Für einen Lernalgorithmus wird ein Satz optimaler Hyperparameter ausgewählt.

Beispiele für AutoML

AutoML kann dabei helfen, eine Vielzahl geschäftlicher Herausforderungen zu lösen, darunter:

Personalisierung

Es reicht nicht mehr aus, mit einer Verbraucherbasis zu sprechen. Damit ein Unternehmen erfolgreich sein kann, muss es in der Lage sein, jede Kundin und jeden Kunden individuell anzusprechen. AutoML sorgt für eine bessere Skalierbarkeit der Personalisierung, indem es individuelle Präferenzen und Verhaltensweisen lernt, wodurch Unternehmen personalisierte Empfehlungen und Inhalte bereitstellen können.Das Ergebnis ist eine engagiertere Kundenbasis und ein besserer Umsatz.

Bereinigung von Kundendatensätzen

Rechtschreibfehler, Aktualisierungen und inkonsistente Informationen können zu Duplikaten in einer Unternehmensdatenbank führen. AutoML macht es einfach, diese Ausreißer zu finden und zu korrigieren, damit die Daten sauber, genau und brauchbar sind.

Kundenabwanderung

Für jedes Unternehmen ist es wichtig, neue Kundinnen und Kunden zu gewinnen. Doch ebenso wichtig ist es, die bestehenden zu halten. AutoML kann Muster in Kundenaktivitäten erkennen, um vorherzusagen, welche Kunden wahrscheinlich zu Wettbewerbern wechseln werden. Diese Informationen ermöglichen gezielte Kundenbindungsmaßnahmen, die Umsatz und Markenwert steigern können.

Betrugserkennung

Betrug kostet die US-Regierung jährlich etwa 80 Milliarden Dollar. Nahezu jede Bundesbehörde ist betroffen, und es stehen nicht genügend Ressourcen zur Verfügung, um jeder Meldung nachzugehen. Kriminelle werden immer kreativer. Und das Gleiche muss auf Lösungsansätze zutreffen. AutoML lässt sich in bestehende Systeme integrieren und nutzt Daten aus früheren Betrugsfällen, um Warnsignale zu finden und Probleme schnell zu lösen.

Erste Schritte mit AutoML

Alteryx bietet ein zugängliches AutoML-Erlebnis mit einem geführten, informativen Ansatz, der die leistungsstarken technischen Fähigkeiten herkömmlicher Data Scientists bewahrt. Mit Alteryx Machine Learning ist AutoML in jeden Schritt des Datenanalyseprozesses integriert, einschließlich Vorbereitung, Zusammenführung und Anreicherung.

In der grundlegendsten Ausführung kann Alteryx Machine Learning:

• Die Schritte des Data Science- und ML-Prozesses automatisieren
• Eine Reihe von Prognosemodellen mit diesen Daten trainieren
• Metriken über die Leistung dieser Modelle bereitstellen (z. B. Receiver Operating Characteristics, Präzision, Recall, Genauigkeit, Balanced Accuracy (ausgewogene Genauigkeit))

Neben diesen Funktionen bietet Alteryx:

• Interaktive Visualisierungen
• Klare Berichterstattung für Stakeholder des Unternehmens
• Die Möglichkeit, Modelle in einem Betriebssystem bereitzustellen
• Integrierte Lerninhalte und Glossare
• Automatisierte Auswertung von Trainingsdaten
• Vorschläge zur Verbesserung von Trainingsdaten oder zur automatischen Anpassung dieser Daten