O que é AutoML?

O machine learning automatizado, ou AutoML, ajuda profissionais sem habilidades técnicas
na construção, validação, iteração e exploração de modelos por meio de uma experiência automática.
O AutoML automatiza o preparo e a limpeza de dados, além da criação e seleção de recursos, escolha do modelo ideal, otimização
de hiperparâmetros e análise de resultados. Ele também contribui para a visualização de dados, geração de insights,
explicabilidade e implantação do modelo.

Por que o AutoML é importante?

Modelos de ML fornecem insights valiosos às empresas, mas, muitas vezes, a tarefa depende de pessoas sem conhecimentos profundos sobre técnicas de ML. Embora o AutoML não seja capaz de substituir cientistas de dados, ele aumenta a produtividade e permite que equipes automatizem processos complexos em código e se concentrem em testes de modelos e insights. Usuários menos experientes (também conhecidos como Citizen Data Scientists) costumam usar o AutoML para gerar insights e aprender sobre data science de forma rápida.

Como funciona o AutoML?

Normalmente, o AutoML inclui as seguintes etapas:

 

Avaliação e pré-processamento de dados
Avaliação e pré-processamento: os dados passam pelo processo de preparo, limpeza e transformação para criar um conjunto de dados relevantes para o treinamento do modelo.

 

Engenharia de recursos
Engenharia de recursos: novas colunas de dados são criadas no treinamento de modelo existente, capaz de representar os preditores do
fenômeno descrito pelos dados ou simplesmente atuar melhor com algoritmos de ML.

 

Seleção de recursos
Seleção de recursos: após o desenvolvimento de novas funções, o AutoML escolhe apenas as mais apropriadas para a geração do modelo.

 

Seleção de algoritmos
Seleção de algoritmos: modelos qualificados são revisados para selecionar aquele com melhor desempenho em termos das métricas desejadas (por exemplo, otimização para obter acurácia, recall, balanceamento da precisão).

 

Ajuste de hiperparâmetros
Ajuste de hiperparâmetros: um conjunto de hiperparâmetros otimizados é selecionado para o aprendizado de um algoritmo.

Exemplos de AutoML

O AutoML pode ajudar a solucionar uma variedade de desafios nos negócios, incluindo:

Personalização

Dialogar com uma base de usuários deixou de ser suficiente. Para atingir o sucesso, organizações precisam abordar cada cliente de forma individual. O AutoML permite dimensionar a customização por meio do aprendizado de preferências e comportamentos específicos, possibilitando a empresas oferecer recomendações e conteúdos exclusivos para cada cliente. Assim, é possível aumentar o engajamento dos consumidores e ampliar as vendas.

Limpeza de registros de clientes

Erros ortográficos, atualizações e
informações inconsistentes podem criar duplicações em bancos de dados corporativos. O AutoML facilita a localização e correção dessas
discrepâncias para garantir a limpeza, precisão e aproveitamento das informações.

Rotatividade de clientes

Conquistar novos clientes é
imprescindível para qualquer negócio, mas preservar a base existente também é fundamental. O AutoML consegue descobrir padrões em
atividades de clientes para antecipar quais deles estão mais propensos a migrar para a concorrência. Essa informação viabiliza ações planejadas para a retenção,
capazes de maximizar os lucros e o reconhecimento da marca.

Detecção de fraudes

Fraudes podem custar cerca de
US$ 80 bilhões por ano ao governo dos Estados Unidos. Quase todas as agências federais são alvos e há poucos recursos disponíveis para
investigar cada reivindicação. Conforme ações criminosas se tornam mais eficazes, o mesmo deve acontecer com as soluções. O AutoML é integrado aos sistemas atuais e
usa dados sobre fraudes do passado para gerar alertas e tratar problemas em tempo hábil.

Como começar a utilizar o AutoML?

O Alteryx oferece uma experiência prática com uma abordagem guiada e didática, que alavanca
habilidades técnicas avançadas e usadas por cientistas de dados convencionais. Com o Alteryx Machine Learning, o AutoML é incorporado
em cada etapa do processo analítico, incluindo a preparação, a combinação e o enriquecimento de dados.

No estágio mais básico, o Alteryx Machine Learning pode:

  • Automatizar etapas ligadas aos processos de data science e ML
  • Treinar diversos modelos preditivos baseados nesses dados
  • Providenciar métricas sobre o desempenho desses modelos (por exemplo, curva Característica de Operação do Receptor, precisão, recall, acurácia, balanceamento da precisão)

Além dessas funções, o Alteryx oferece inúmeros recursos como:

  • Visualizações interativas
  • Geração de relatórios detalhados às partes interessadas
  • Capacidade de implantar modelos em um sistema operacional
  • Aulas e glossários integrados
  • Avaliações automatizadas de dados de treinamento
  • Sugestões para aprimorar dados de treinamento ou executar ajustes automáticos