Искусственный интеллект и машинное обучение значительно выросли за относительно короткое время, их существование и применение во многих отраслях стали необходимыми. Однако этот рост имеет свою цену… процесс становится глубже, сложнее, требует больше навыков и самоотверженности, поэтому вполне естественно видеть, как ситуация превращается в решения для автоматизации и беспрепятственной интеграции возможностей машинного обучения в бизнес с минимальными усилиями. программное взаимодействие, манипулирование и доступность.

Одним из примеров такого решения, о котором я расскажу сегодня, является AutoAI: мощный комплексный инструмент из облака IBM, расширяющий возможности печально известной Watson Studio, вот статья в Википедии. и введение для получения дополнительной информации. Большинство статей об AutoAI сосредоточено на его основной способности автоматизировать весь процесс прогнозирования, что действительно здорово, но я хотел бы также изучить возможность программной интеграции этого сервиса. Теперь эта статья будет разделена на три основные части:

  • Обзор эксперимента, в котором я кратко расскажу об использовании службы, создании веб-приложения и
  • За и против

1. Обзор эксперимента:

последовал учебник: https://www.ibm.com/cloud/garage/dte/tutorial/ibm-watson-studio-autoai-modeling-rest-us

Процесс в основном был довольно простым после этого руководства с некоторыми изменениями: я выбрал набор данных предсказания личности Мейера-Бриггса, чтобы проверить способности предсказания строк, и процесс прошел почти так же, тип предсказания и алгоритмы адаптировались соответствующим образом автоматически. После 26 минут, когда я ничего не делал и почти не наблюдал за инструментом в действии, результат был таким: было протестировано 8 алгоритмов, из которых 2 лучших были выбраны по умолчанию для дальнейшего использования модели.

Далее следует приятная часть для большинства разработчиков: код обучения модели доступен в виде записной книжки Python, а дальнейший доступ к модели с помощью API возможен путем создания пространства развертывания. Результатом для меня стало это простое веб-приложение laravel/lumen, на создание которого ушло около 10 минут.

2-а. Плюсы:

  • Автоматизация жизненного цикла от А до Я: по правде говоря, это очень интересная функция для таких, как я, разработчика, а не специалиста по данным. Я едва добавил актив и выбрал нужный столбец для прогнозирования, и все пошло само собой, инструмент уже определил тип прогноза на основе нужного столбца вместе с наиболее подходящими алгоритмами, протестировали и оценили каждый алгоритм и определили 2 лучших для дальнейшего прогнозирования.
  • статистика: в экспериментальной консоли под картами находится таблица лидеров конвейера, в которой указывается каждый алгоритм, использованный для конвейера, а также кривая ROC среди других диаграмм и статистических данных для оценки полученной модели. .
  • Интеграция: очень приятной функцией является возможность связать репозиторий git с помощью личного токена доступа, после чего вы можете опубликовать каждый тест конвейера в виде блокнота Python для дальнейшего взаимодействия.
  • Переносимость веб-службы и доступ к API: возможно, лучший вариант, на мой взгляд, заключается в том, что вы можете фактически обернуть модель и веб-службу и взаимодействовать с ней через API. Все, что вам нужно сделать, это сохранить конвейер с лучшим результатом в качестве модели, создать новую область развертывания и добавить сохраненную модель. Вы мгновенно получаете доступ к готовым фрагментам кода на Python, Java, Javascript и cURL, а также к тестовой консоли с примером полезной нагрузки JSON для экспериментов с конечной точкой. Ошибки также очень всеобъемлющие и описательные.
  • Легче сотрудничать:со всеми этими функциями в одном месте процесс превращения идеи в прототип, а затем доведение его до продукта будет проще для команды различных специальностей.

2-б. Минусы (на момент написания):

  • неполный туториал: в двух разделах вышеупомянутого туториала по созданию модели AutoAI до 6-го шага все как положено. Однако этапы развертывание и получение ключа API немного сбивали с толку, я не смог найти возможность добавить развертывание, вместо этого мне пришлось создать новое пространство развертывания, а затем продвигать модель, которую я сохранил в пространстве развертывания. То же самое для получения ключа API со страницы услуг, я получил его со страницы доступа. Может быть, это я, потому что я немного поторопился во время процесса из-за обстоятельств колледжа. Тем не менее, наличие предупреждений об исключениях или различных ситуациях или обращение к другим руководствам в нужном месте было бы хорошей практикой.
  • только один тип ресурсов: в настоящее время поддерживается только csv, что оказало некоторое влияние на процесс, поскольку некоторые предпочитают собирать данные в других форматах, таких как sqlite и т. д.