Blog
/
AI
DataRobot 文章合集|AutoML介紹、應用、資源
AI
DataRobot

DataRobot 文章合集|AutoML介紹、應用、資源

March 28, 2024

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

➜ 推薦閱讀: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 前往了解

進一步評估 DataRobot 預約 Demo 討論 直接聯絡我們

Stay Informed with Our Newsletter

Get a summary of what we’ve shipped during the last month, behind the scenes updates, and team picks.

Thank you! Your subscription has been received!
Oops! Something went wrong. Please try again.
By submitting your email address, you agree to receive PGi’s monthly newsletter. You can always withdraw your consent.

Related Blog