論文の概要: Automated machine learning: AI-driven decision making in business analytics

• arxiv url: http://arxiv.org/abs/2205.10538v1
• Date: Sat, 21 May 2022 08:35:02 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-24 15:51:50.704848
• Title: Automated machine learning: AI-driven decision making in business analytics
• Title（参考訳）: 自動機械学習:ビジネス分析におけるai駆動意思決定
• Authors: Marc Schmitt
• Abstract要約: 本稿では、ビジネス分析におけるアプリケーションにおけるAutoMLの可能性について分析する。 H2O AutoMLフレームワークは、手動でチューニングされたMLモデルに対してベンチマークされた。 高速で、使いやすく、信頼性の高い結果を提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The realization that AI-driven decision-making is indispensable in todays fast-paced and ultra-competitive marketplace has raised interest in industrial machine learning (ML) applications significantly. The current demand for analytics experts vastly exceeds the supply. One solution to this problem is to increase the user-friendliness of ML frameworks to make them more accessible for the non-expert. Automated machine learning (AutoML) is an attempt to solve the problem of expertise by providing fully automated off-the-shelf solutions for model choice and hyperparameter tuning. This paper analyzed the potential of AutoML for applications within business analytics, which could help to increase the adoption rate of ML across all industries. The H2O AutoML framework was benchmarked against a manually tuned stacked ML model on three real-world datasets to test its performance, robustness, and reliability. The manually tuned ML model could reach a performance advantage in all three case studies used in the experiment. Nevertheless, the H2O AutoML package proved to be quite potent. It is fast, easy to use, and delivers reliable results, which come close to a professionally tuned ML model. The H2O AutoML framework in its current capacity is a valuable tool to support fast prototyping with the potential to shorten development and deployment cycles. It can also bridge the existing gap between supply and demand for ML experts and is a big step towards fully automated decisions in business analytics.
• Abstract（参考訳）: 今日の急成長と超競争的な市場において、AIによる意思決定が不可欠であるという認識は、産業機械学習(ML)アプリケーションへの関心を著しく高めた。 現在の分析専門家の需要は供給を大幅に上回っている。 この問題に対する解決策の1つは、MLフレームワークのユーザフレンドリさを高めて、非専門家に対してよりアクセスしやすいようにすることである。 Automated Machine Learning (AutoML)は、モデル選択とハイパーパラメータチューニングのための完全に自動化されたオフザシェルフソリューションを提供することによって、専門知識の問題を解決する試みである。 本稿では、ビジネス分析におけるアプリケーションにおけるAutoMLの可能性を分析し、すべての産業におけるMLの採用率の向上に寄与する。 H2O AutoMLフレームワークは、パフォーマンス、堅牢性、信頼性をテストするために、実世界の3つのデータセット上で手動で調整されたMLモデルと比較された。 手動で調整されたMLモデルは、実験で使用される3つのケーススタディすべてにおいて、パフォーマンス上の優位性に達する可能性がある。 それでも、H2O AutoMLパッケージは非常に強力であることが判明した。 高速で使いやすく、信頼性の高い結果をもたらし、プロフェッショナルにチューニングされたMLモデルに近い。 H2O AutoMLフレームワークの現在の能力は、開発とデプロイメントのサイクルを短縮する可能性があり、高速なプロトタイピングをサポートする貴重なツールである。 また、mlエキスパートの需要と供給のギャップを埋めることもでき、ビジネス分析における完全な自動決定への大きな一歩となる。

関連論文リスト

• Creation and Evaluation of a Food Product Image Dataset for Product Property Extraction [39.58317527488534]
  自動機械学習(AutoML)ソリューションで手作業で作成したMLパイプラインを置換する可能性を示す。 CRISP-DMプロセスに基づいて,手動MLパイプラインを機械学習と非機械学習に分割した。 本稿では、価格予測の産業利用事例として、ドメイン知識とAutoMLを組み合わせることで、ML専門家への依存が弱まることを示す。
  論文  参考訳（メタデータ） (2024-11-15T21:29:05Z)
• AutoPT: How Far Are We from the End2End Automated Web Penetration Testing? [54.65079443902714]
  LLMによって駆動されるPSMの原理に基づく自動浸透試験エージェントであるAutoPTを紹介する。 以上の結果から, AutoPT は GPT-4o ミニモデル上でのベースラインフレームワーク ReAct よりも優れていた。
  論文  参考訳（メタデータ） (2024-11-02T13:24:30Z)
• AutoML-Agent: A Multi-Agent LLM Framework for Full-Pipeline AutoML [56.565200973244146]
  自動機械学習(Automated Machine Learning, ML)は、開発パイプライン内のタスクを自動化することによって、AI開発を加速する。 近年の作業では,そのような負担を軽減するために,大規模言語モデル(LLM)の利用が始まっている。 本稿では,フルパイプのAutoMLに適した新しいマルチエージェントフレームワークであるAutoML-Agentを提案する。
  論文  参考訳（メタデータ） (2024-10-03T20:01:09Z)
• Position: A Call to Action for a Human-Centered AutoML Paradigm [83.78883610871867]
  自動機械学習(AutoML)は、機械学習(ML)を自動かつ効率的に構成する基本的目的を中心に形成された。 AutoMLの完全な可能性を解き放つ鍵は、現在探索されていないAutoMLシステムとのユーザインタラクションの側面に対処することにある、と私たちは主張する。
  論文  参考訳（メタデータ） (2024-06-05T15:05:24Z)
• 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)
• Automated Machine Learning for Remaining Useful Life Predictions [15.02669353424867]
  本稿では、自動RUL予測のためのAutoML駆動のエンドツーエンドアプローチであるAutoRULを紹介する。 我々はAutoMLが手作りのデータ駆動型RUL予測に代わる実行可能な代替手段であることを示す。
  論文  参考訳（メタデータ） (2023-06-21T12:15:57Z)
• Benchmarking Automated Machine Learning Methods for Price Forecasting Applications [58.720142291102135]
  自動機械学習(AutoML)ソリューションで手作業で作成したMLパイプラインを置換する可能性を示す。 CRISP-DMプロセスに基づいて,手動MLパイプラインを機械学習と非機械学習に分割した。 本稿では、価格予測の産業利用事例として、ドメイン知識とAutoMLを組み合わせることで、ML専門家への依存が弱まることを示す。
  論文  参考訳（メタデータ） (2023-04-28T10:27:38Z)
• 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)
• 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)
• 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)

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。