fbpx

DataRobot 文章合集|AutoML介紹、應用、資源

DataRobot 資源合集

DataRobot 成立於2012年,也是第一個開創 AutoML 這個軟體品類的遠見者。我們(PGi樺鼎商業資訊) 是 DataRobot 在台灣第一家合作夥伴,自2018年開始在台灣推廣當時還不是很被熟知的 「AutoML 自動化機器學習」概念。現在,AutoML概念已被廣為接受,在台灣也已有高科技產業、零售通路業者、公家單位採用 DataRobot 在商業結果上看見成果。

DataRobot 秉持的信念是:要讓所有大小規模的企業體認到,企業內既有的Business Analyst或資料處理團隊,也能利用機器學習的技術去解決更複雜的商業問題,只要提供對的工具與訓練即可,而不一定要找到所謂的data engineers、 data scientists、application developers 才能開始建立 In-house AI model 去解決商業問題。

因此,DataRobot 採取的方式是:把全球最頂尖資料科學家的經驗、建模流程濃縮在一個軟體平台上,把建模跟上線流程中最煩雜的10個步驟自動化處理

本篇整理熱門文章與資源,提供初步評估了解

一、AutoML 應用案例

 

二、趨勢與觀點類

 

 

三、活動與其他資源

 

 

四、當部署ML漸成為常態

 

現在,企業擬訂AI策略、設計並部署機器學習模型已經開始變成一種常態

因此,這些企業便開始關注下一個更重要的議題:「如何確保企業內的 ML Model 是資產,而不是負債」,如何確保這些作為會帶來現金流、而不是負債,且如何規模持續下去?

這也說明為何 MLOps 雖不是一個全新概念但卻在今年更加備受關注

MLOps 與DataRobot

 

MLOps 讓機器學習不再單純只是數據領域,而是可以讓數據團隊、工程團隊、營運團隊保持同頻。

整體來說,MLOps 算是一個講求工程與營運合作,強調即時、彈性以及長期維運的思維。

現在不知道有多少公司能做到以 MLOps 概念去讓整個機器學習的生命週期更系統化、更敏捷協作,以加速ML的應用落地

在這篇文章中(LINE 資料工程團隊如何透過專業分工與 MLOps 打造不同服務 | 以 MarTech & NLP 為例)有提到,要了解 MLOps 的重要性,就必須:

    1. 先了解一般ML團隊的組成
    2. 了解在ML開發各階段可能面臨的挑戰

若你的團隊還沒經歷過 ML 開發各階段的挑戰,可以參考別人的經驗,用更聰明的方式取得最後的商業成果。

➜ YouTube 影片Demo|看 DataRobot AI Platform 上的 MLOps 怎麼用

DataRobot AI 平台介紹|從 AutoML 到 MLOps 重點功能

還沒做好ML的基本功?

用RPA讓數據快速就定位

進一步評估DataRobot

預約Demo討論

2022 企業數位轉型Phase 2「數位優化」PGi 軟體工具推薦 【機器學習-預測應用】中央氣象局用DataRobot預測雲、偵測霧