論文の概要: LightAutoML: AutoML Solution for a Large Financial Services Ecosystem
- arxiv url: http://arxiv.org/abs/2109.01528v1
- Date: Fri, 3 Sep 2021 13:52:32 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-06 16:48:31.051738
- Title: LightAutoML: AutoML Solution for a Large Financial Services Ecosystem
- Title(参考訳): LightAutoML: 大規模な金融サービスエコシステムのためのAutoMLソリューション
- Authors: Anton Vakhrushev, Alexander Ryzhkov, Maxim Savchenko, Dmitry Simakov,
Rinchin Damdinov, Alexander Tuzhilin
- Abstract要約: 本稿では、ヨーロッパ大手金融サービス会社向けに開発されたLightAutoMLと呼ばれるAutoMLシステムについて述べる。
当社のフレームワークは、多数のアプリケーションに試験的にデプロイされ、経験豊富なデータサイエンティストのレベルで実行されました。
- 参考スコア(独自算出の注目度): 108.09104876115428
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present an AutoML system called LightAutoML developed for a large European
financial services company and its ecosystem satisfying the set of
idiosyncratic requirements that this ecosystem has for AutoML solutions. Our
framework was piloted and deployed in numerous applications and performed at
the level of the experienced data scientists while building high-quality ML
models significantly faster than these data scientists. We also compare the
performance of our system with various general-purpose open source AutoML
solutions and show that it performs better for most of the ecosystem and OpenML
problems. We also present the lessons that we learned while developing the
AutoML system and moving it into production.
- Abstract(参考訳): 我々は、ヨーロッパの大手金融サービス企業のために開発されたLightAutoMLシステムとそのエコシステムについて、このエコシステムがAutoMLソリューションに持つ一連の慣用的要件を満たす。
私たちのフレームワークは、多数のアプリケーションでパイロットされ、デプロイされ、経験豊富なデータサイエンティストのレベルで実行されました。
また、我々のシステムの性能を、さまざまな汎用オープンソースAutoMLソリューションと比較し、エコシステムやOpenMLの問題の多くにより良いパフォーマンスを示す。
また、AutoMLシステムを開発しプロダクションに移行する過程で学んだ教訓を紹介します。
関連論文リスト
- DREAM: Debugging and Repairing AutoML Pipelines [39.83914420717843]
我々はAutoMLシステムのための自動デバッグ・修復システムであるDREAMを設計・実装する。
AutoMLのプロセスを監視し、詳細なフィードバックを収集し、検索スペースを拡張してバグを自動的に修復する。
評価の結果,DREAMはAutoMLのバグを効果的かつ効率的に修復できることがわかった。
論文 参考訳(メタデータ) (2023-12-31T02:45:17Z) - Assessing the Use of AutoML for Data-Driven Software Engineering [10.40771687966477]
AutoMLは、エンドツーエンドのAI/MLパイプラインの構築を自動化することを約束する。
関心の高まりと高い期待にもかかわらず、AutoMLが現在採用されている範囲に関する情報が不足している。
論文 参考訳(メタデータ) (2023-07-20T11:14:24Z) - AutoML in the Age of Large Language Models: Current Challenges, Future
Opportunities and Risks [62.05741061393927]
この2つの分野は、緊密な統合によって相互の境界を根本的に押し付けることができると想定している。
認識可能な相乗効果だけでなくリスクも強調することにより、AutoMLとLCMの交差点でのさらなる探索を促進することを目指している。
論文 参考訳(メタデータ) (2023-06-13T19:51:22Z) - Can Fairness be Automated? Guidelines and Opportunities for
Fairness-aware AutoML [52.86328317233883]
本報告では、公平性に関連する害が発生する様々な方法の概要を概説する。
この方向に進むためには、いくつかのオープンな技術的課題を強調します。
論文 参考訳(メタデータ) (2023-03-15T09:40:08Z) - OmniForce: On Human-Centered, Large Model Empowered and Cloud-Edge
Collaborative AutoML System [85.8338446357469]
我々は人間中心のAutoMLシステムであるOmniForceを紹介した。
我々は、OmniForceがAutoMLシステムを実践し、オープン環境シナリオにおける適応型AIを構築する方法について説明する。
論文 参考訳(メタデータ) (2023-03-01T13:35:22Z) - XAutoML: A Visual Analytics Tool for Understanding and Validating
Automated Machine Learning [5.633209323925663]
XAutoMLは、AutoMLによって構築された任意のAutoML最適化手順とMLパイプラインを説明するための、インタラクティブなビジュアル分析ツールである。
XAutoMLは、インタラクティブな視覚化と、説明可能な人工知能(XAI)の確立したテクニックを組み合わせることで、完全なAutoML手順を透過的かつ説明可能なものにする。
論文 参考訳(メタデータ) (2022-02-24T08:18:25Z) - Towards Green Automated Machine Learning: Status Quo and Future
Directions [71.86820260846369]
AutoMLは高いリソース消費で批判されている。
本稿では,AutoMLプロセス全体を環境に優しいものにするためのパラダイムであるGreen AutoMLを提案する。
論文 参考訳(メタデータ) (2021-11-10T18:57:27Z) - VolcanoML: Speeding up End-to-End AutoML via Scalable Search Space
Decomposition [57.06900573003609]
VolcanoMLは、大規模なAutoML検索スペースを小さなものに分解するフレームワークである。
最新のデータベースシステムでサポートされているような、Volcanoスタイルの実行モデルをサポートしている。
評価の結果,VolcanoMLは,AutoMLにおける検索空間分解の表現性を向上するだけでなく,分解戦略の実際の発見につながることが示された。
論文 参考訳(メタデータ) (2021-07-19T13:23:57Z) - Interpret-able feedback for AutoML systems [5.5524559605452595]
自動機械学習(AutoML)システムは、非ML専門家のための機械学習(ML)モデルのトレーニングを可能にすることを目的としている。
これらのシステムの欠点は、高い精度でモデルの生成に失敗した場合、モデルを改善するためのパスがないことである。
AutoML用の解釈可能なデータフィードバックソリューションを紹介します。
論文 参考訳(メタデータ) (2021-02-22T18:54:26Z) - Ensemble Squared: A Meta AutoML System [13.062016289815054]
本稿では,AutoMLシステムのレベルをアンサンブルする「メタ」オートMLシステムを提案する。
Ensemble Squaredは、既存の競合するAutoMLシステムの多様性を活用して、それらのセットによって同時に生成されたトップパフォーマンスモデルをアンサンブルする。
論文 参考訳(メタデータ) (2020-12-10T01:09:00Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。