DataRobot 文章合集｜AutoML介紹、應用、資源
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
- 3種打造 AutoML 自動化機器學習的方式(含平台推薦)
- AutoML 應用案例｜4知名企業用 DataRobot 做預測性分析
- 機器學習-預測應用｜中央氣象局用 DataRobot 預測雲、偵測霧
- 用 DataRobot 降低營運資金貸款壞帳率Default Rate
- 用 Auto ML 提高既有金融業 AML Program 的執行效率
- AI預測應用-金融業財富管理｜高價值客戶哪裡找？你可能沒想過機器學習還可以這樣用
二、趨勢與觀點類
- 企業如何跟上「機器人流程自動化」與「機器學習」兩大數位化浪潮？
- 評 DataRobot 價值｜台灣企業高喊AI-Driven，到底要用什麼來借力使力？
- 人工智慧AI vs. 機器學習ML ? 這一年你絕對很熟悉的buzzword
- DataRobot 首度介紹｜ＭL 訓練師的新武器？Auto ML 自動化機器學習平台
三、活動與其他資源
- AI Experience Worldwide 兩日線上全球大會 （有影片回放）
- A Chat with Andrew on MLOps: From Model-centric to Data-centric AI
- Running Code and Failing Models ：很直白的說明建立「可信任AI」的關鍵在哪
- Podcast｜用聽的方式，認識各國AI英雄 More Intelligent Tomorrow
- Wiki | 簡單講 什麼是MLOps by DataRobot
- 史丹佛課程「cs329s機器學習系統設計」學習筆記 by 張懷文
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 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：
- 先了解一般 ML 團隊的組成
- 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
➜ 推薦閱讀：DataRobot AI 平台介紹｜從 AutoML 到 MLOps 重點功能
.png)
