Implementação técnica e valor comercial do mecanismo AutoML
O módulo de aprendizado de máquina automatizado da DataFawn usa uma arquitetura de treinamento competitiva para executar versões otimizadas de seis classes de algoritmos, incluindo Random Forest, XGBoost, LightGBM, etc., em paralelo. Por meio de técnicas de meta-aprendizagem, o sistema pode ajustar automaticamente o espaço de pesquisa de acordo com o tamanho do conjunto de dados: dados pequenos (<100.000 linhas) são pesquisados usando uma grade para garantir a precisão, enquanto dados grandes são alternados para algoritmos de otimização baseados em população. Em um caso de uso típico de nível empresarial, a plataforma atinge uma pontuação AUC de 0,92 na tarefa de detecção de fraude de cartão de crédito, o que é comparável ao resultado de uma equipe profissional que ajusta manualmente os parâmetros.
O maior valor para os usuários corporativos é a maior capacidade de interpretação do modelo. Cada previsão é acompanhada de uma análise do caminho da decisão, que explica os principais fatores de influência em linguagem simples, por exemplo, "O principal motivo para rejeitar um pedido de empréstimo é que o histórico de inadimplência do cliente é superior a 3 vezes (ponderado em 65%)." Esse mecanismo transparente permite que os tomadores de decisão obtenham resultados preditivos e percepções comerciais, resolvendo de forma eficaz os desafios dos modelos tradicionais de caixa preta na auditoria de conformidade.
Essa resposta foi extraída do artigoDataFawn: uma plataforma de análise de dados para criar modelos de aprendizado de máquina sem escrever códigoO
Português do Brasil 
简体中文 
English 
日本語 
Deutsch