Мы работаем над чем-то захватывающим и хотим представить нашу работу через серию блогов. Но сначала контекст…
Машинное обучение и искусственный интеллект обещают создание огромной ценности в разных отраслях и вариантах использования, но для достижения этого обещания потребуется снижение входных барьеров и демократизация использования. Сегодня развертывание методов ML/AI для решения проблем в масштабе¹ требует найма высококвалифицированного сообщества, на что ежегодно расходуются миллионы долларов. В этой структуре выигрывают только крупные и/или хорошо обеспеченные ресурсами компании. Мы стремимся снизить входные барьеры для компаний и частных лиц, предоставляя платформу, которая снижает требуемый уровень навыков для работы с ML/AI и в большей степени использует навыки высококвалифицированного персонала.
Мы также признаем, что большинство компаний и частных лиц имеют опыт работы в соответствующей сфере, имеют доступ к данным и знают, какие проблемы им необходимо решить. Но использовать ML/AI для решения проблем сложно и нелегко масштабировать. Для этого компании должны создать команду обученных специалистов по данным, которые обладают уникальным сочетанием математических навыков, навыков кодирования и опыта в бизнес-области для решения важных задач. Такое сочетание наборов навыков встречается крайне редко, и те, кто способен, хорошо оплачиваются. Поскольку спрос на решения на основе машинного обучения превышает предложение, команды растут в геометрической прогрессии, что еще больше увеличивает предложение.
Имея правильную команду, компании сталкиваются с серьезной проблемой управления чрезвычайно сложным жизненным циклом машинного обучения, от разработки модели до развертывания решения. Сегодня этот цикл часто является фрагментированным, разрозненным, итеративным, неэффективным и трудоемким. Например, команды специалистов по обработке и анализу данных часто тратят до 80 % своего времени просто на очистку данных, получая «данные» для «науки».
Чтобы решить эту проблему, мы взялись за демократизацию машинного обучения и искусственного интеллекта.
Чтобы достичь нашей цели, мы усердно работали над созданием платформы AutoML (расширенного машинного обучения, чтобы быть действительно конкретным, поскольку нельзя исключить человека из цикла), которая использует преимущества байесовской оптимизации, эволюционных стратегий и лучших в своем классе визуализаций, чтобы сделать это проще. для бизнес-пользователей для создания, интерпретации и развертывания прогностических моделей без написания кода.
Наш подход к созданию платформы основан на том принципе, что основной рабочий процесс машинного обучения является итеративным, создавая возможности для автоматизации и простоты. Типичный рабочий процесс ML выглядит примерно так:
Платформа делает это:
Мы хотим, чтобы бизнес-аналитик или пользователь бизнес-аналитики имели доступ к возможностям машинного обучения, чтобы обеспечить прогнозную аналитику, не полагаясь на уже загруженные группы по науке о данных в своих организациях. Мы хотим, чтобы группы Data Science ускорили свою работу за счет скорости и эффективности.
В следующем блоге мы подробно расскажем о платформе и ее возможностях.
Запуск — сейчас мы находимся в бета-версии, и вы можете войти в систему, чтобы стать бета-пользователем на нашем веб-сайте.
Это захватывающее время для нас, и мы надеемся, что сможем сделать его таким же захватывающим для огромного сообщества.
Позвольте мне закончить пост цитатой, которая, как мне кажется, имеет отношение к нашей миссии.
«Не каждый может стать великим художником, но великий художник может прийти откуда угодно». — Антон Эго
[1]: https://www.gartner.com/smarterwithgartner/gartner-top-strategic-predictions-for-2019-and-beyond/
