Автоматизированная предиктивная аналитика Auto ML

Описание

Полнофункциональный сервис «Автоматизированная предиктивная аналитика Auto-ML» предназначен для автоматизации жизненного цикла рекомендательных систем, построенных на базе алгоритмов машинного обучения, включая процессы получения исторических данных, их очистки, подбора и настройки отдельных математических моделей и их совмещения, обучения и анализа предсказательной силы и точности, предоставления и интерпретации результатов прогнозирования. Программно-технический комплекс, решающий задачи поддержки принятия решений в различных бизнес-процессах посредством использования алгоритмов машинного обучения и предсказания с использованием данных, предоставленных пользователем

• Обучение модели на предоставленных пользователем данных;
• Управление отраслевыми технологическими задачами в части подбора базового варианта методики ее решения и конфигурации задачи машинного обучения;
• Загрузка, валидация и первичная предобработка предоставленных пользователем данных в различных доступных форматах (CSV, JSON, XML, XLS, XLSX, XLSM) к дальнейшему обучению модели, в частности очистка датасета от выбросов и лишних/некорректных значений, извлечение наиболее значимых признаков, обработка текстовых данных и их дальнейшая векторизация, заполнение недостающих значений на основе заданных в программе методик расчета;
• Реализация алгоритмов машинного обучения типов: регрессия, кластеризация, классификация, детекция аномалий, анализ временных рядов, NLP; выбор сценария обучения: базовый и расширенный (базовый – модель, используемая по умолчанию; расширенный – подбор наиболее подходящей модели);
• Осуществление предсказания и возможность выгрузки Отчета о предсказании;
• Подбор наиболее эффективных архитектур или алгоритмов для формирования модели на основе предоставленных пользователем данных и решаемой математической задачи;
• Подбор наиболее эффективной модели путем их ранжирования на основании совокупности полученных на валидации и тестировании показателей метрик;
• Оценка результативности и предсказательной силы;
• Обогащение данных посредством объединения новых данных пользователей с предыдущими подобными датасетами, а также дальнейшим переобучением модели, позволяющим увеличить ее эффективность и показатели ее метрик;
• Контроль версий модели, обеспечивающий наиболее эффективное использование полученных результатов обучения.