¿Qué es el AutoML?

El AutoML o aprendizaje automático automatizado, hace que el aprendizaje automático (ML) sea accesible para
usuarios no expertos, ya que les permite crear, validar, iterar y explorar modelos de ML a través de una experiencia automatizada.
El AutoML prepara y limpia datos automáticamente, crea y selecciona características, selecciona la familia de modelos correcta, optimiza
hiperparámetros y analiza resultados. También ayuda con la visualización de datos, la generación de insight, la capacidad de explicación de modelos
y la implementación de modelos.

¿Por qué es importante el AutoML?

Los modelos de ML proporcionan a las empresas insight valiosos, pero la
responsabilidad de crear los modelos a menudo recae en aquellos que no cuentan con una amplia experiencia en ML. Si bien el AutoML no
reemplaza al científico de datos, los hace más productivos y les permite (a ellos y a otros) automatizar los
pasos que requieren muchos códigos y centrarse en las pruebas e insight del modelo. Los usuarios menos experimentados (también conocidos como ciudadanos científicos de datos)
a menudo utilizan el aprendizaje automático automatizado para generar insight y como una forma rápida de aprender sobre la ciencia de datos.

Cómo funciona el AutoML

El AutoML generalmente incluye lo siguiente:

 

Preprocesamiento de evaluación de datos
Evaluación y preprocesamiento de datos : los datos se preparan, limpian y transforman para crear un conjunto de datos útil de entrenamiento del modelo.
Ingeniería de características
Característica Ingeniería de características: se crean nuevas columnas de datos en los datos de entrenamiento del modelo existente, lo que puede representar mejor los factores de predicción en el fenómeno descrito por los datos o simplemente funcionar mejor con los algoritmos de ML.
Selección de características
Selección de características: después de que se crean nuevas características, el AutoML toma solamente aquellas que son útiles para generar un modelo.
Algoritmo-Selección
Algoritmo Selección de algoritmos: se revisan los modelos candidatos competidores para seleccionar el que mejor se desempeñe en términos de la métrica deseada (por ejemplo, optimización de la exactitud, recuperación, exactitud equilibrada).
Ajuste de hiperparámetros
Ajuste de hiperparámetros: se selecciona un conjunto de hiperparámetros óptimos para un algoritmo de aprendizaje.

Ejemplos de AutoML

El AutoML puede ayudar a resolver una gran cantidad de desafíos empresariales, entre los que se incluyen:

Personalización

Hablar con una base de consumidores ya
no es suficiente. Para que una empresa tenga éxito, debe ser capaz de atender a cada cliente de forma individual. AutoML
hace que la personalización sea más escalable mediante el aprendizaje de las preferencias y los comportamientos individuales, lo que les permite a las empresas
brindar recomendaciones y contenido personalizados. El resultado es una base de consumidores más comprometida y mejores ventas.

Limpieza de registros de clientes Registros

Los errores ortográficos, las actualizaciones y
la información incoherente pueden generar registros duplicados en una base de datos de la empresa. El AutoML hace que sea fácil encontrar y corregir
los valores atípicos para que los datos estén limpios, sean exactos y fáciles de usar.

Tasa de cancelación de clientes

Atraer nuevos clientes es
esencial para cualquier empresa, pero también lo es mantener a los que ya tienen. El AutoML puede encontrar patrones en la actividad de los clientes
para predecir cuáles son los que probablemente se cambien a los competidores. Esta información permite realizar iniciativas de retención clave
que pueden aumentar las ganancias y el valor de la marca.

Detección de fraudes

El fraude le cuesta al Gobierno de EE. UU.
alrededor de USD 80 mil millones al año. Casi todas las agencias federales son el objetivo y no hay suficientes recursos para
investigar cada reclamación. A medida que los delincuentes son más inteligentes, las soluciones también deben serlo. El AutoML se integra en los sistemas existentes y
utiliza datos de casos de fraude anteriores para ayudar a encontrar señales de alerta y abordar los problemas rápidamente.

Primeros pasos con el AutoML

Alteryx ofrece una experiencia de AutoML accesible mediante un enfoque educativo y guiado que mantiene las capacidades técnicas potentes
que utilizan los científicos de datos tradicionales. Con Alteryx Machine Learning, el AutoML está integrado en
cada paso del proceso de análisis de datos, incluida la preparación, la combinación y el enriquecimiento.

En su nivel más básico, Alteryx Machine Learning puede realizar lo siguiente:

  • Automatizar los pasos de la ciencia de datos y el proceso de ML.
  • Entrenar una serie de modelos predictivos con esos datos.
  • Proporcionar métricas sobre el rendimiento de esos modelos (por ejemplo, características operativas del receptor, precisión, recuperación, exactitud, exactitud de la balanza).

Además de esas funciones, Alteryx cuenta con:

  • Visualizaciones interactivas
  • Generación clara de informes para stakeholders de la empresa
  • Capacidad de implementar modelos en un sistema de funcionamiento
  • Lecciones y glosarios integrados
  • Evaluación de datos de entrenamiento automatizado
  • Sugerencias para mejorar los datos de entrenamiento o ajustar automáticamente dichos datos

Next Term