DataRobot
從 AutoML 到 MLOps 的一站式企業 AI 平台
支援眾多開放架構
縮短開發預測模型時間
部署、維運完整流程全部自動化
最新 The Forrester Wave 精選 AI 與 ML 平台領導者
內建與時俱進且超過上百種 Kaggle 平台認證過的模型
國防等級安全性，已受美國監管機構認可
全球最大零售商、全球最大汽車製造商、美國前3大銀行與保險公司皆信任採用
加速 AI 落地與持續落地 AI 的關鍵字
什麼是 AutoML、什麼又是 MLOps
機器學習是實現 AI 人工智慧結果 (感知Sense、創造Create、推測Reasoning、應對React) 的必要手段
機器學習意思是：讓電腦系統具有自主學習的能力，而這個能力不是簡單寫下固定的邏輯判斷程式就可得來，是需要由人類訓練出來的。
而我們去「訓練機器具備學習的能力」的整個過程，就是模型訓練。但這個過程，非常繁複且需要不斷試錯，且在有限時間內，也很難確定其學習能力的優劣、對歷史資料模式的識別跟預測是否已達最佳化？其判斷結果是否是可信任的？是否可以很有信心的用來輔助做最終決策？都是企業在實踐 AI 之路的挑戰。
因此，AutoML 自動化機器學習 (Automated Machine Learning)，簡單來說，就是將這個訓練過程自動化處理
AutoML 是一個加速迭代的解決辦法，AutoML 輔助演算法開發工程師、資料科學家等，能快速得到反饋，針對反饋重新蒐集數據，更快進入下一輪的訓練與最後一哩的應用。
MLOps 是一種原則和做法，在實踐上不限任何一種程式語言、平台、模組。
MLOps 目的：是要確保 ML 模型的快速交付與品質，依照 AI 專案的特性，在資料管理、模型實驗、模型監控、模型再訓練 有更多的強化
MLOps 關鍵要素包含6項：自動化、版本控管、可重現性、治理政策、跨團隊協作、稽核軌跡
根據 AI 專案四大階段， MLOps 有不同的關注點
- 收集與準備資料，MLOps 關注點有：資料存取權限控管、資料品質檢查
- 建立與調整ML模型，MLOps 關注點有：快速模型實驗、模型實踐數據完整紀錄
- 部署模型，MLOps 關注點有：批次預測、即時預測、Kubernetes/Hadoops等系統環境整合
- 監控ML模型效能與再訓練，MLOps 關注點有：資料飄移、模型準確度與模型效能監控與問題通知、再訓練流程驅動、再訓練前的資料品質驗證、再訓練後的模型驗證與部署
傳統建立資料模型與預測引擎的方式
單識別出最符合過去歷史資料模式的模型，往往已耗時2-3個月以上
透過 DataRobot AutoML 加速找出最適模型
透過核心技術 Model Blueprint 縮短最耗時的步驟
根本解決演算法「Black Box」特性，讓預測結果有解釋依據與可信度
DataRobot 三大獨家優勢：自動化、透明化、文件化
核心技術 Model Blueprint 內建上百種經 Kaggle 平台認證過模型，並可自動排名模型優劣
Model Blueprint 根據最新開源機器學習框架，持續新增與測試，讓內建模型庫保持最優化狀態
Model Blueprint 內每一步驟皆提供完整文件，有助解釋背後運作，同時建立內部知識庫
透過核心技術 Model Blueprint，您可以清楚知道
- 共用了哪些演算法與參數組合來模擬歷史資料？
- 不同的演算法，分別對原始數據做了哪些不同的預處理？做了哪些不同的特徵工程？
- 最後建議的最佳模型 (The blender models) 是由哪些單一模型的加權平均得出的？
能同時全面支持企業實踐 MLOps 的整合式 AI 平台
DataRobot MLOps 可以為 AI 應用提供持續性學習，以確保模型始終可以滿足不斷變化的外部環境條件、確保模型保有一定的準確度
DataRobot 客戶見證
Resources
熱門推薦
看 DataRobot 如何成就各領域 AI 英雄
