Weißes Muster

AutoML: Automatisiertes Machine Learning

Weißes Muster
Content

Was ist AutoML?

Durch automatisiertes Machine Learning, kurz: AutoML, 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 vor und bereinigt sie, erstellt und wählt Features aus, wählt die richtige Modellfamilie aus, optimiert Hyperparameter und analysiert die Ergebnisse. All dies geschieht automatisiert. Es hilft auch bei der Datenvisualisierung, der Generierung von Erkenntnissen sowie der Erklärbarkeit und Bereitstellung von Modellen.

Warum ist AutoML wichtig?

ML-Modelle bieten Unternehmen wertvolle Erkenntnisse, doch die Verantwortung für die Erstellung der Modelle liegt häufig bei Beschäftigten ohne umfangreiche ML-Erfahrung. Auch wenn AutoML Data Scientists nicht ersetzen kann, macht es sie produktiver und ermöglicht es ihnen (und anderen), Code-intensive Schritte zu automatisieren und sich auf Modelltests und -erkenntnisse zu konzentrieren. Weniger erfahrene Personen (oft auch Citizen Data Scientists genannt) nutzen AutoML gerne, um Erkenntnisse zu gewinnen und schnell in die Data Science einzusteigen.

So funktioniert AutoML

AutoML umfasst in der Regel Folgendes:



Datenauswertung und Vorverarbeitung: Daten werden vorbereitet, bereinigt und umgewandelt, um ein nützliches Dataset für das Modelltraining zu erstellen.
Vorverarbeitung der Datenauswertung


Feature Engineering: Neue Spalten mit Daten werden in den vorhandenen Daten für das Modelltraining erstellt, die Vorhersagefaktoren (oder auch: Prädiktoren) im von den Daten beschriebenen Phänomen besser darstellen können oder einfach besser mit den ML-Algorithmen funktionieren.
Feature Engineering


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


Algorithmus -Auswahl: Konkurrierende Kandidatenmodelle werden überprüft, um das Modell auszuwählen, das hinsichtlich der gewünschten Kennzahl die beste Leistung erbringt (z. B. Optimierung für Genauigkeit, Erinnerungswert, ausgewogene Genauigkeit).
Algorithmus-Auswahl


Abstimmung von Hyperparametern: Für einen Lernalgorithmus wird ein Satz optimaler Hyperparameter ausgewählt.
Abstimmung von Hyperparametern

Beispiele für AutoML

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

Personalisierung

Es reicht nicht mehr aus, mit der Kundenbasis zu sprechen. Damit ein Unternehmen erfolgreich sein kann, muss es in der Lage sein, jeden Kunden individuell anzusprechen. AutoML macht die Personalisierung skalierbarer, indem es individuelle Präferenzen und Verhaltensweisen lernt. Dadurch können Unternehmen personalisierte Empfehlungen und Inhalte anbieten. Das Ergebnis ist eine engagiertere Kundenbasis und ein besserer Umsatz.

Kundendatensätze bereinigen

Rechtschreibfehler, Aktualisierungen und inkonsistente Informationen können zu Duplikaten in einer Unternehmensdatenbank führen. Mit AutoML können diese Ausreißer leicht gefunden und korrigiert werden, damit die Daten sauber, genau und nutzbar sind.

Kundenabwanderung

Die Gewinnung neuer Kunden ist wichtig für jedes Unternehmen, aber auch die, die sie bereits haben, wollen gehalten werden. AutoML kann Muster in Kundenaktivitäten finden, um vorherzusagen, welche Personen wahrscheinlich zu Wettbewerbern wechseln werden. Diese Informationen ermöglichen gezielte Kundenbindungsaktionen, mit denen Gewinne und der Markenwert gesteigert werden können.

Betrugserkennung

Betrug kostet die USA etwa 80 Milliarden US-Dollar pro Jahr. Fast jede Bundesbehörde ist betroffen und es fehlen die Mittel, um jeden Fall gründlich zu prüfen. Kriminelle werden immer kreativer. Und das Gleiche muss auf Lösungsansätze zutreffen. AutoML lässt sich in bestehende Systeme integrieren. Es nutzt Daten aus früheren Betrugsfällen, um Warnsignale zu finden und Verdachtsfälle schnell zu melden.

Erste Schritte mit AutoML

Alteryx bietet eine leicht zugängliche AutoML-Erfahrung mit einem angeleiteten Training-Ansatz, mit denen die vollen technischen Fähigkeiten erhalten bleiben, die von traditionellen Data Scientists genutzt werden. 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 zur Leistung dieser Modelle (z. B. Betriebseigenschaften des Empfängers (Receiver Operating Characteristics), Präzision, Erinnerungswert, Genauigkeit, ausgewogene Genauigkeit) bereitstellen
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
Bericht
Bericht

Thomson Reuters Report: The 2022 State of the Corporate Tax Department

Die Technologie, die zur Erfüllung der wachsenden Anforderungen der digitalen Wirtschaft benötigt wird, stellt Steuerabteilungen von Unternehmen gleichzeitig vor mehrere Herausforderungen.

Finanzen
Thomson Reuters
Jetzt lesen
Abstraktes Bild
Kundenreferenz
5 Min. Lesezeit

Neustrukturierung mehrjähriger Mitarbeiteransprüche mit Alteryx

Grant Thornton erkannte den Bedarf an Services zur Sicherstellung der Gehaltsabrechnung und kreierte ein flexibles, skalierbares und kosteneffizientes Modell, um Arbeitnehmeransprüche exakt zu berechnen.

Finanzen
Personalwesen
Asien-Pazifik-Raum
Jetzt lesen
Geldscheine
Blog
5 Min. Lesezeit

SoFi Bank optimiert Liquiditätsprognose

Benötigen Sie Hilfe bei der Liquiditätsprognose? Lesen Sie, wie die SoFi Bank ihren Prozess optimiert hat.

Finanzen
Analyse-Expertin/Experte
Führungskraft
Jetzt lesen

Starter-Kit für die Intelligence Suite

Dieses Starter-Kit bietet Analysevorlagen, um Ihnen den Weg zu erweiterten No-Code-Analysen mithilfe von Assisted Modeling zu ebnen, der angeleiteten Erstellung von Machine Learning-Modellen.
Bild