#automl — Public Fediverse posts
Live and recent posts from across the Fediverse tagged #automl, aggregated by home.social.
-
KiSinWi — AutoML-платформа с микросервисной архитектурой и мультиагентными воркфлоу
AutoML обычно отвечает на вопрос «что победило», а хотелось бы ещё знать «почему». Поэтому я собрал платформу, где обучение нейросетей ведут LLM-агенты. Они спорят об архитектуре, собирают конфиг и запускают обучение, и каждый их шаг виден прямо в интерфейсе. Коротко расскажу, как устроена платформа и агенты. Особый акцент в статье сделан на получаемые результаты бенчмарков на 5 стандартных датасетах и действиями мастера ноутбуков из Kaggle. Читать дальше
https://habr.com/ru/articles/1049886/
#automl #мультиагентные_системы #llmагенты #классификация_изображений #компьютерное_зрение #машинное_обучениe #нейронные_сети
-
KiSinWi — AutoML-платформа с микросервисной архитектурой и мультиагентными воркфлоу
AutoML обычно отвечает на вопрос «что победило», а хотелось бы ещё знать «почему». Поэтому я собрал платформу, где обучение нейросетей ведут LLM-агенты. Они спорят об архитектуре, собирают конфиг и запускают обучение, и каждый их шаг виден прямо в интерфейсе. Коротко расскажу, как устроена платформа и агенты. Особый акцент в статье сделан на получаемые результаты бенчмарков на 5 стандартных датасетах и действиями мастера ноутбуков из Kaggle. Читать дальше
https://habr.com/ru/articles/1049886/
#automl #мультиагентные_системы #llmагенты #классификация_изображений #компьютерное_зрение #машинное_обучениe #нейронные_сети
-
KiSinWi — AutoML-платформа с микросервисной архитектурой и мультиагентными воркфлоу
AutoML обычно отвечает на вопрос «что победило», а хотелось бы ещё знать «почему». Поэтому я собрал платформу, где обучение нейросетей ведут LLM-агенты. Они спорят об архитектуре, собирают конфиг и запускают обучение, и каждый их шаг виден прямо в интерфейсе. Коротко расскажу, как устроена платформа и агенты. Особый акцент в статье сделан на получаемые результаты бенчмарков на 5 стандартных датасетах и действиями мастера ноутбуков из Kaggle. Читать дальше
https://habr.com/ru/articles/1049886/
#automl #мультиагентные_системы #llmагенты #классификация_изображений #компьютерное_зрение #машинное_обучениe #нейронные_сети
-
ClustMetaLearn — автоматизация выбора кластеризации через мета-признаки и эволюционный поиск по табличным данным
Перед исследователем данных, работающим без размеченных ответов, регулярно встаёт задача кластеризации: разбить множество объектов на группы так, чтобы схожие оказались вместе. На первый взгляд всё просто — запустил k‑means, подобрал число кластеров по силуэту, получил результат. Однако практика показывает, что разные алгоритмы (k‑means, GMM, агломеративная кластеризация) дают несхожие разбиения на одних и тех же данных, а внутренние метрики качества (Cluster Validity Indices, CVI) противоречат друг другу. Более того, как показано в масштабных бенчмарках, ни одна из нескольких десятков CVI не является универсально лучшей. Следовательно, для каждого нового датасета приходится вручную перебирать алгоритмы, метрики и гиперпараметры — процесс, который легко занимает часы и не гарантирует оптимального результата. В данной работе представлена открытая система ClustMetaLearn , реализующая автоматический выбор алгоритма кластеризации, внутренней метрики качества и сужения пространства гиперпараметров на основе мета-обучения (meta-learning). Система вычисляет 20 мета-признаков датасета, включая статистические, информационно-теоретические, проекционные и топологические характеристики (числа Бетти, персистентная энтропия). Двухуровневая мета-модель (CVIsel + AlgRank) ранжирует четыре алгоритма (k‑means, GMM, агломеративная, MiniBatchKMeans) и предсказывает подходящую CVI. Экспериментальная валидация на коллекции из 96 табличных датасетов показала, что правильный алгоритм попадает в топ‑3 рекомендаций в 81% случаев, а сужение диапазонов гиперпараметров сокращает время настройки в среднем на 70% при потере качества менее 1.5%. Система доступна в виде CLI-утилиты и веб-приложения (Django, Celery, MLflow).
https://habr.com/ru/articles/1046974/
#кластеризация #метаобучение #автоматизация_ml #automl #топологический_анализ_данных #алгоритмы #выбор_алгоритма #гиперпараметры #эволюционный_поиск #Django
-
ClustMetaLearn — автоматизация выбора кластеризации через мета-признаки и эволюционный поиск по табличным данным
Перед исследователем данных, работающим без размеченных ответов, регулярно встаёт задача кластеризации: разбить множество объектов на группы так, чтобы схожие оказались вместе. На первый взгляд всё просто — запустил k‑means, подобрал число кластеров по силуэту, получил результат. Однако практика показывает, что разные алгоритмы (k‑means, GMM, агломеративная кластеризация) дают несхожие разбиения на одних и тех же данных, а внутренние метрики качества (Cluster Validity Indices, CVI) противоречат друг другу. Более того, как показано в масштабных бенчмарках, ни одна из нескольких десятков CVI не является универсально лучшей. Следовательно, для каждого нового датасета приходится вручную перебирать алгоритмы, метрики и гиперпараметры — процесс, который легко занимает часы и не гарантирует оптимального результата. В данной работе представлена открытая система ClustMetaLearn , реализующая автоматический выбор алгоритма кластеризации, внутренней метрики качества и сужения пространства гиперпараметров на основе мета-обучения (meta-learning). Система вычисляет 20 мета-признаков датасета, включая статистические, информационно-теоретические, проекционные и топологические характеристики (числа Бетти, персистентная энтропия). Двухуровневая мета-модель (CVIsel + AlgRank) ранжирует четыре алгоритма (k‑means, GMM, агломеративная, MiniBatchKMeans) и предсказывает подходящую CVI. Экспериментальная валидация на коллекции из 96 табличных датасетов показала, что правильный алгоритм попадает в топ‑3 рекомендаций в 81% случаев, а сужение диапазонов гиперпараметров сокращает время настройки в среднем на 70% при потере качества менее 1.5%. Система доступна в виде CLI-утилиты и веб-приложения (Django, Celery, MLflow).
https://habr.com/ru/articles/1046974/
#кластеризация #метаобучение #автоматизация_ml #automl #топологический_анализ_данных #алгоритмы #выбор_алгоритма #гиперпараметры #эволюционный_поиск #Django
-
ClustMetaLearn — автоматизация выбора кластеризации через мета-признаки и эволюционный поиск по табличным данным
Перед исследователем данных, работающим без размеченных ответов, регулярно встаёт задача кластеризации: разбить множество объектов на группы так, чтобы схожие оказались вместе. На первый взгляд всё просто — запустил k‑means, подобрал число кластеров по силуэту, получил результат. Однако практика показывает, что разные алгоритмы (k‑means, GMM, агломеративная кластеризация) дают несхожие разбиения на одних и тех же данных, а внутренние метрики качества (Cluster Validity Indices, CVI) противоречат друг другу. Более того, как показано в масштабных бенчмарках, ни одна из нескольких десятков CVI не является универсально лучшей. Следовательно, для каждого нового датасета приходится вручную перебирать алгоритмы, метрики и гиперпараметры — процесс, который легко занимает часы и не гарантирует оптимального результата. В данной работе представлена открытая система ClustMetaLearn , реализующая автоматический выбор алгоритма кластеризации, внутренней метрики качества и сужения пространства гиперпараметров на основе мета-обучения (meta-learning). Система вычисляет 20 мета-признаков датасета, включая статистические, информационно-теоретические, проекционные и топологические характеристики (числа Бетти, персистентная энтропия). Двухуровневая мета-модель (CVIsel + AlgRank) ранжирует четыре алгоритма (k‑means, GMM, агломеративная, MiniBatchKMeans) и предсказывает подходящую CVI. Экспериментальная валидация на коллекции из 96 табличных датасетов показала, что правильный алгоритм попадает в топ‑3 рекомендаций в 81% случаев, а сужение диапазонов гиперпараметров сокращает время настройки в среднем на 70% при потере качества менее 1.5%. Система доступна в виде CLI-утилиты и веб-приложения (Django, Celery, MLflow).
https://habr.com/ru/articles/1046974/
#кластеризация #метаобучение #автоматизация_ml #automl #топологический_анализ_данных #алгоритмы #выбор_алгоритма #гиперпараметры #эволюционный_поиск #Django
-
Ключевые основы автоматического выбора алгоритмов кластеризации мультимодальных данных на основе мета-обучения
Задача кластеризации относится к классу «обучения без учителя» и является фундаментальным инструментом exploratory data analysis (разведочный анализ данных). В отличие от классификации, здесь отсутствует размеченный набор данных или какая-либо заведомо известная информация о нём. Алгоритм самостоятельно выявляет критерий группировки объектов, и именно в этой самостоятельности кроется ключевая проблема: отсутствие априорной разметки делает оценку результатов крайне субъективной, так как разные алгоритмы обладают уникальным индуктивным смещением (inductive bias), проецируя различные предположения о геометрии и плотности скрытых классов. Универсальный алгоритм, который подходит для всех задач, построить невозможно ( теорема Клейнберга , являющаяся следствием более общей теоремы о «бесплатном обеде»), поэтому алгоритмы кластеризации нужно подбирать и настраивать почти для каждой задачи отдельно. Задача выбора и настройки алгоритма машинного обучения является экспертной, что достаточно затратно по времени, поскольку работа выполняется человеком фактически вручную. Особую сложность представляет кластеризация мультимодальных данных. В прикладных областях, таких как биоинформатика, анализ медиа-контента, медицинская диагностика и мониторинг сложных технических объектов, данные чаще всего представлены в мультимодальном виде. Это означает, что каждый анализируемый объект одновременно описывается гетерогенными источниками информации — структурированными числовыми векторами, неструктурированными текстами, изображениями или временными рядами. Ключевой сложностью при построении систем автоматической кластеризации для мультимодальных данных является разработка эффективного способа слияния (fusion) разнородных признаковых пространств с сохранением уникальной внутренней структуры каждой модальности.
https://habr.com/ru/articles/1046942/
#Автоматическая_кластеризация #метаобучение #мультимодальные_данные #AutoML #выбор_алгоритмов #data_science #metalearning #AutoClustering #обучение_без_учителя #llm
-
Ключевые основы автоматического выбора алгоритмов кластеризации мультимодальных данных на основе мета-обучения
Задача кластеризации относится к классу «обучения без учителя» и является фундаментальным инструментом exploratory data analysis (разведочный анализ данных). В отличие от классификации, здесь отсутствует размеченный набор данных или какая-либо заведомо известная информация о нём. Алгоритм самостоятельно выявляет критерий группировки объектов, и именно в этой самостоятельности кроется ключевая проблема: отсутствие априорной разметки делает оценку результатов крайне субъективной, так как разные алгоритмы обладают уникальным индуктивным смещением (inductive bias), проецируя различные предположения о геометрии и плотности скрытых классов. Универсальный алгоритм, который подходит для всех задач, построить невозможно ( теорема Клейнберга , являющаяся следствием более общей теоремы о «бесплатном обеде»), поэтому алгоритмы кластеризации нужно подбирать и настраивать почти для каждой задачи отдельно. Задача выбора и настройки алгоритма машинного обучения является экспертной, что достаточно затратно по времени, поскольку работа выполняется человеком фактически вручную. Особую сложность представляет кластеризация мультимодальных данных. В прикладных областях, таких как биоинформатика, анализ медиа-контента, медицинская диагностика и мониторинг сложных технических объектов, данные чаще всего представлены в мультимодальном виде. Это означает, что каждый анализируемый объект одновременно описывается гетерогенными источниками информации — структурированными числовыми векторами, неструктурированными текстами, изображениями или временными рядами. Ключевой сложностью при построении систем автоматической кластеризации для мультимодальных данных является разработка эффективного способа слияния (fusion) разнородных признаковых пространств с сохранением уникальной внутренней структуры каждой модальности.
https://habr.com/ru/articles/1046942/
#Автоматическая_кластеризация #метаобучение #мультимодальные_данные #AutoML #выбор_алгоритмов #data_science #metalearning #AutoClustering #обучение_без_учителя #llm
-
Ключевые основы автоматического выбора алгоритмов кластеризации мультимодальных данных на основе мета-обучения
Задача кластеризации относится к классу «обучения без учителя» и является фундаментальным инструментом exploratory data analysis (разведочный анализ данных). В отличие от классификации, здесь отсутствует размеченный набор данных или какая-либо заведомо известная информация о нём. Алгоритм самостоятельно выявляет критерий группировки объектов, и именно в этой самостоятельности кроется ключевая проблема: отсутствие априорной разметки делает оценку результатов крайне субъективной, так как разные алгоритмы обладают уникальным индуктивным смещением (inductive bias), проецируя различные предположения о геометрии и плотности скрытых классов. Универсальный алгоритм, который подходит для всех задач, построить невозможно ( теорема Клейнберга , являющаяся следствием более общей теоремы о «бесплатном обеде»), поэтому алгоритмы кластеризации нужно подбирать и настраивать почти для каждой задачи отдельно. Задача выбора и настройки алгоритма машинного обучения является экспертной, что достаточно затратно по времени, поскольку работа выполняется человеком фактически вручную. Особую сложность представляет кластеризация мультимодальных данных. В прикладных областях, таких как биоинформатика, анализ медиа-контента, медицинская диагностика и мониторинг сложных технических объектов, данные чаще всего представлены в мультимодальном виде. Это означает, что каждый анализируемый объект одновременно описывается гетерогенными источниками информации — структурированными числовыми векторами, неструктурированными текстами, изображениями или временными рядами. Ключевой сложностью при построении систем автоматической кластеризации для мультимодальных данных является разработка эффективного способа слияния (fusion) разнородных признаковых пространств с сохранением уникальной внутренней структуры каждой модальности.
https://habr.com/ru/articles/1046942/
#Автоматическая_кластеризация #метаобучение #мультимодальные_данные #AutoML #выбор_алгоритмов #data_science #metalearning #AutoClustering #обучение_без_учителя #llm
-
AutoML для NLU без ручной настройки: делимся библиотекой OpenAutoNLU
Большинство существующих AutoML-библиотек либо не поддерживают обучение моделей для понимания естественного языка (Natural Language Understanding, или NLU) из коробки, либо не умеют обучать хорошие out of scope детекторы, либо неудобны и требуют расширенной экспертизы для использования. Для того чтобы решить эти проблемы, мы в MWS AI разработали OpenAutoNLU — опенсорс-библиотеку для NLU, включающую диагностику качества данных, гибко настраиваемый пайплайн обучения модуля фильтра запросов, которые не относятся ни к одному из известных текстовых классификаторов меток OOD, и функции LLM. Делимся ей на GitHub . Под катом разберу, как устроен фреймворк, за счет чего он работает с минимальным вмешательством разработчика и какие результаты уже есть. Поехали!
https://habr.com/ru/companies/mts_ai/articles/1027072/
#nlu #nlp #transformers #data_quality #automl #opensource #ml #искусственный_интеллект #обработка_естественного_языка #автоматизация
-
AutoML для NLU без ручной настройки: делимся библиотекой OpenAutoNLU
Большинство существующих AutoML-библиотек либо не поддерживают обучение моделей для понимания естественного языка (Natural Language Understanding, или NLU) из коробки, либо не умеют обучать хорошие out of scope детекторы, либо неудобны и требуют расширенной экспертизы для использования. Для того чтобы решить эти проблемы, мы в MWS AI разработали OpenAutoNLU — опенсорс-библиотеку для NLU, включающую диагностику качества данных, гибко настраиваемый пайплайн обучения модуля фильтра запросов, которые не относятся ни к одному из известных текстовых классификаторов меток OOD, и функции LLM. Делимся ей на GitHub . Под катом разберу, как устроен фреймворк, за счет чего он работает с минимальным вмешательством разработчика и какие результаты уже есть. Поехали!
https://habr.com/ru/companies/mts_ai/articles/1027072/
#nlu #nlp #transformers #data_quality #automl #opensource #ml #искусственный_интеллект #обработка_естественного_языка #автоматизация
-
AutoML для NLU без ручной настройки: делимся библиотекой OpenAutoNLU
Большинство существующих AutoML-библиотек либо не поддерживают обучение моделей для понимания естественного языка (Natural Language Understanding, или NLU) из коробки, либо не умеют обучать хорошие out of scope детекторы, либо неудобны и требуют расширенной экспертизы для использования. Для того чтобы решить эти проблемы, мы в MWS AI разработали OpenAutoNLU — опенсорс-библиотеку для NLU, включающую диагностику качества данных, гибко настраиваемый пайплайн обучения модуля фильтра запросов, которые не относятся ни к одному из известных текстовых классификаторов меток OOD, и функции LLM. Делимся ей на GitHub . Под катом разберу, как устроен фреймворк, за счет чего он работает с минимальным вмешательством разработчика и какие результаты уже есть. Поехали!
https://habr.com/ru/companies/mts_ai/articles/1027072/
#nlu #nlp #transformers #data_quality #automl #opensource #ml #искусственный_интеллект #обработка_естественного_языка #автоматизация
-
Волков бояться — uplift в прод не катить, или AUF 2.0
Всем привет! Меня зовут Мельников Виктор, middle data scientist в Альфа-Банке в Управлении по разработке инструментов автоматизации моделирования. Год назад вышла статья о первой open source библиотеке Альфа-Банка для автоматического построения uplift-моделей Automatic Uplift Framework или же, сокращённо, AUF🐺. В ней мы рассмотрели основной функционал библиотеки с примерами кода. Также в ней можно найти ссылку на ноутбук с примером кода на открытом датасете. Прошел год, пришла пора рассказать о новшествах, а также о результатах применения библиотеки в Альфа-Банке. Также в конце будет ссылка на обновленный пример кода, с которым ты сможешь сразу начать строить uplift-модели быстро и качественно! Достаточно создать окружение с Python 3.8 и выполнить в нем команду pip install auf . Также доступен исходный код библиотеки на GitHub . В статье начнём с разбора того, как AutoML помогает превратить сложный поиск инкрементального эффекта в эффективный промышленный процесс. Вспомним основы uplift-моделирования и на практических кейсах покажем, как автоматизация ускорила разработку, позволила внедрить автопереобучение в продакшн и успешно реализовать поддержку мультитритмента. Вы узнаете, в каких сценариях AUF приносит максимум пользы, с какими ограничениями можно столкнуться и как использовать библиотеку для решения задач вашего бизнеса. Кроме прикладных кейсов, заглянем «под капот» архитектурных обновлений: от рефакторинга оптимизатора до продвинутой аналитики в стиле профи. Мы разберем новые режимы обучения, кастомизацию и инструменты глубокого анализа моделей, такие как оценка чувствительности сегментов и сравнение с моделями склонности. В завершение поделимся результатами масштабного рефакторинга кода, который сделал систему стабильнее, и расскажем, как наше видение «умных и свободных» моделей воплощается в жизнь прямо сейчас
https://habr.com/ru/companies/alfa/articles/1024090/
#uplift_modelling #data_science #machine_learning #python #open_source #automl #библиотека #коммуникация_с_клиентом #маркетинг #визуализации
-
Волков бояться — uplift в прод не катить, или AUF 2.0
Всем привет! Меня зовут Мельников Виктор, middle data scientist в Альфа-Банке в Управлении по разработке инструментов автоматизации моделирования. Год назад вышла статья о первой open source библиотеке Альфа-Банка для автоматического построения uplift-моделей Automatic Uplift Framework или же, сокращённо, AUF🐺. В ней мы рассмотрели основной функционал библиотеки с примерами кода. Также в ней можно найти ссылку на ноутбук с примером кода на открытом датасете. Прошел год, пришла пора рассказать о новшествах, а также о результатах применения библиотеки в Альфа-Банке. Также в конце будет ссылка на обновленный пример кода, с которым ты сможешь сразу начать строить uplift-модели быстро и качественно! Достаточно создать окружение с Python 3.8 и выполнить в нем команду pip install auf . Также доступен исходный код библиотеки на GitHub . В статье начнём с разбора того, как AutoML помогает превратить сложный поиск инкрементального эффекта в эффективный промышленный процесс. Вспомним основы uplift-моделирования и на практических кейсах покажем, как автоматизация ускорила разработку, позволила внедрить автопереобучение в продакшн и успешно реализовать поддержку мультитритмента. Вы узнаете, в каких сценариях AUF приносит максимум пользы, с какими ограничениями можно столкнуться и как использовать библиотеку для решения задач вашего бизнеса. Кроме прикладных кейсов, заглянем «под капот» архитектурных обновлений: от рефакторинга оптимизатора до продвинутой аналитики в стиле профи. Мы разберем новые режимы обучения, кастомизацию и инструменты глубокого анализа моделей, такие как оценка чувствительности сегментов и сравнение с моделями склонности. В завершение поделимся результатами масштабного рефакторинга кода, который сделал систему стабильнее, и расскажем, как наше видение «умных и свободных» моделей воплощается в жизнь прямо сейчас
https://habr.com/ru/companies/alfa/articles/1024090/
#uplift_modelling #data_science #machine_learning #python #open_source #automl #библиотека #коммуникация_с_клиентом #маркетинг #визуализации
-
Волков бояться — uplift в прод не катить, или AUF 2.0
Всем привет! Меня зовут Мельников Виктор, middle data scientist в Альфа-Банке в Управлении по разработке инструментов автоматизации моделирования. Год назад вышла статья о первой open source библиотеке Альфа-Банка для автоматического построения uplift-моделей Automatic Uplift Framework или же, сокращённо, AUF🐺. В ней мы рассмотрели основной функционал библиотеки с примерами кода. Также в ней можно найти ссылку на ноутбук с примером кода на открытом датасете. Прошел год, пришла пора рассказать о новшествах, а также о результатах применения библиотеки в Альфа-Банке. Также в конце будет ссылка на обновленный пример кода, с которым ты сможешь сразу начать строить uplift-модели быстро и качественно! Достаточно создать окружение с Python 3.8 и выполнить в нем команду pip install auf . Также доступен исходный код библиотеки на GitHub . В статье начнём с разбора того, как AutoML помогает превратить сложный поиск инкрементального эффекта в эффективный промышленный процесс. Вспомним основы uplift-моделирования и на практических кейсах покажем, как автоматизация ускорила разработку, позволила внедрить автопереобучение в продакшн и успешно реализовать поддержку мультитритмента. Вы узнаете, в каких сценариях AUF приносит максимум пользы, с какими ограничениями можно столкнуться и как использовать библиотеку для решения задач вашего бизнеса. Кроме прикладных кейсов, заглянем «под капот» архитектурных обновлений: от рефакторинга оптимизатора до продвинутой аналитики в стиле профи. Мы разберем новые режимы обучения, кастомизацию и инструменты глубокого анализа моделей, такие как оценка чувствительности сегментов и сравнение с моделями склонности. В завершение поделимся результатами масштабного рефакторинга кода, который сделал систему стабильнее, и расскажем, как наше видение «умных и свободных» моделей воплощается в жизнь прямо сейчас
https://habr.com/ru/companies/alfa/articles/1024090/
#uplift_modelling #data_science #machine_learning #python #open_source #automl #библиотека #коммуникация_с_клиентом #маркетинг #визуализации
-
Интеграция искусственного интеллекта в архитектуру маркетплейса на базе DST Platform
В современной электронной коммерции использование искусственного интеллекта (ИИ) перешло из категории экспериментальных технологий в разряд архитектурных решений. Для владельцев...
#DST #DSTGlobal #ДСТ #ДСТГлобал #DSTplatform #ДСТПлатформ #DSTmarketplace #DSTМаркетплейс #маркетплейс #разработка #CMS #CMF #framework #Фреймворк #искусственныйинтеллект #DSTAI #AutoML
-
Интеграция искусственного интеллекта в архитектуру маркетплейса на базе DST Platform
В современной электронной коммерции использование искусственного интеллекта (ИИ) перешло из категории экспериментальных технологий в разряд архитектурных решений. Для владельцев...
#DST #DSTGlobal #ДСТ #ДСТГлобал #DSTplatform #ДСТПлатформ #DSTmarketplace #DSTМаркетплейс #маркетплейс #разработка #CMS #CMF #framework #Фреймворк #искусственныйинтеллект #DSTAI #AutoML
-
Интеграция искусственного интеллекта в архитектуру маркетплейса на базе DST Platform
В современной электронной коммерции использование искусственного интеллекта (ИИ) перешло из категории экспериментальных технологий в разряд архитектурных решений. Для владельцев...
#DST #DSTGlobal #ДСТ #ДСТГлобал #DSTplatform #ДСТПлатформ #DSTmarketplace #DSTМаркетплейс #маркетплейс #разработка #CMS #CMF #framework #Фреймворк #искусственныйинтеллект #DSTAI #AutoML
-
Интеграция искусственного интеллекта в архитектуру маркетплейса на базе DST Platform
В современной электронной коммерции использование искусственного интеллекта (ИИ) перешло из категории экспериментальных технологий в разряд архитектурных решений. Для владельцев...
#DST #DSTGlobal #ДСТ #ДСТГлобал #DSTplatform #ДСТПлатформ #DSTmarketplace #DSTМаркетплейс #маркетплейс #разработка #CMS #CMF #framework #Фреймворк #искусственныйинтеллект #DSTAI #AutoML
-
Тренды аналитики в 2026 году: как меняется роль аналитика в мире неопределенности и AI
К 2026 году AI перестал быть будущим, экономическая турбулентность стала фоном, а запросы бизнеса к аналитике заметно выросли. От специалистов всё реже ждут просто цифры или аккуратные дашборды, всё чаще — понимания, интерпретации и решений. Я выделил восемь трендов, характерных для этого года, — давайте обсуждать каждый!
https://habr.com/ru/companies/garage8/articles/1000314/
#аналитика_данных #тренды_аналитики #продуктовая_аналитика #datadriven #selfservice_BI #AI_в_аналитике #eventbased_аналитика #realtime_аналитика #AutoML #рынок_труда_2026
-
Тренды аналитики в 2026 году: как меняется роль аналитика в мире неопределенности и AI
К 2026 году AI перестал быть будущим, экономическая турбулентность стала фоном, а запросы бизнеса к аналитике заметно выросли. От специалистов всё реже ждут просто цифры или аккуратные дашборды, всё чаще — понимания, интерпретации и решений. Я выделил восемь трендов, характерных для этого года, — давайте обсуждать каждый!
https://habr.com/ru/companies/garage8/articles/1000314/
#аналитика_данных #тренды_аналитики #продуктовая_аналитика #datadriven #selfservice_BI #AI_в_аналитике #eventbased_аналитика #realtime_аналитика #AutoML #рынок_труда_2026
-
Тренды аналитики в 2026 году: как меняется роль аналитика в мире неопределенности и AI
К 2026 году AI перестал быть будущим, экономическая турбулентность стала фоном, а запросы бизнеса к аналитике заметно выросли. От специалистов всё реже ждут просто цифры или аккуратные дашборды, всё чаще — понимания, интерпретации и решений. Я выделил восемь трендов, характерных для этого года, — давайте обсуждать каждый!
https://habr.com/ru/companies/garage8/articles/1000314/
#аналитика_данных #тренды_аналитики #продуктовая_аналитика #datadriven #selfservice_BI #AI_в_аналитике #eventbased_аналитика #realtime_аналитика #AutoML #рынок_труда_2026
-
GigaEvo — эволюционный фреймворк для автоматизации ML и LLM-ориентированных задач
Привет, Хабр! Этой осенью Google порадовали нас релизом AlphaEvolve — фреймворка, который комбинирует способности LLM к написанию кода с эволюционным подходом к вычислению. Новый метод доказал свою эффективность на сложных алгоритмических или математических задачах, но, как это часто бывает у таких компаний, технические детали AlphaEvolve остаются коммерческой тайной. Тогда мы в AIRI решили создать свой фреймворк. Так усилиями научной группы «Мультимодальные архитектуры ИИ» лаборатории «Сильный искусственный интеллект в медицине», научной группы «Генеративное проектирование» лаборатории FusionBrain, лаборатории «Доверенные и безопасные интеллектуальные системы» и отдела научно‑технической разработки увидел свет GigaEvo — эволюционный фреймворк для автоматизации ML и LLM‑ориентированных задач, который мы представили в ноябре на AIJ и чей код выложили на GitHub . Здесь хотелось бы рассказать о нём подробнее, описать его внутреннее устройство и дать рекомендации к использованию.
https://habr.com/ru/companies/airi/articles/967620/
#evolve #automl #автоматизации_ML #оптимизация_моделей #оптимизация_параметров #эволюционные_алгоритмы
-
Time-series forecasting without endless tweaking? Databricks AutoML makes it real.
#Databricks #AutoML unites automation, transparency, and production readiness in one low-code workflow. For anyone seeking fast, reliable, and explainable sales forecasts, AutoML on the #Lakehouse is a smart default.
For #SAP costumers, SAP Databricks in BDC is a game-changer for precise forecasting and planning. Check out the step-by-step walkthrough in our blog post:
https://www.nextlytics.com/blog/databricks-automl-for-time-series-fast-reliable-sales-forecasting
-
Top Machine Learning Trends to Watch in 2024
https://jivoice.com/machine-learning-trends/
#AIinbusiness #futureofmachinelearning #largelanguagemodels #tinyML #datasciencetrends #AutoML #AItrends #generativeAI #reinforcementlearningfromhumanfeedback #causalAI
-
Как автоматизировать обучение ML-моделей и сократить время вывода в прод до двух дней
В прошлой статье мы говорили о подходе к рекомендации сервисов на основании автоматизации расчета склонностей клиентов и единого репозитория предложений. В ней мы углубились в создание репозитория, описание логики категоризации и набора в кампании для коммуникации с клиентами. Сегодня мы подробнее расскажем про наш подход к автоматизации построения и вывода в прод набора моделей.
https://habr.com/ru/companies/beeline_tech/articles/926982/
#data_science #machine_learning #automl #feature_store #automatization
-
🔧 No Code. No Team. Just $2K Saved Every Month.
AutoML is turning everyday professionals into AI builders.
From hospital admins to coffee shop owners, this no-code revolution is real. ☕🏥💥 Real-world case studies
📉 Predictive models that cut costs
⚙️ LLM + AutoML = instant pipelines🔥 Read the full breakdown here:
👉 https://medium.com/@rogt.x1997/7-ways-automl-is-saving-businesses-2k-a-month-no-coding-required-6b615d1f1b8d#AutoML #NoCodeAI #AIRevolution #SmallBusinessTech
https://medium.com/@rogt.x1997/7-ways-automl-is-saving-businesses-2k-a-month-no-coding-required-6b615d1f1b8d -
• 🚀 #MindsDB: Platform for building #AI from enterprise data
• 🔗 Integrates with #databases, #vectorstores, and #applications
• 🤖 Deploy, serve, and fine-tune #AImodels in real-time
• 🔧 Connects to popular #AIML frameworks, including #AutoML and #LLMs
• 💻 Enhances #SQL syntax for seamless AI-powered app development
• 🛠️ Offers #SQL, #REST, #Python, #JavaScript, and #MongoDBQL interfaces
-
• 🚀 #MindsDB: Platform for building #AI from enterprise data
• 🔗 Integrates with #databases, #vectorstores, and #applications
• 🤖 Deploy, serve, and fine-tune #AImodels in real-time
• 🔧 Connects to popular #AIML frameworks, including #AutoML and #LLMs
• 💻 Enhances #SQL syntax for seamless AI-powered app development
• 🛠️ Offers #SQL, #REST, #Python, #JavaScript, and #MongoDBQL interfaces
-
Побеждаем рутину в Data Science: как перестать быть недопрограммистами и недоисследователями
Профессия Data Scientist сейчас стала особенно привлекательна, вовлекая еще больше энтузиастов и даже евангелистов, благодаря последним достижениям в области генерации текстов и изображений. Внешний фон наводит на мысли, что будни дата сайентиста заполнены исключительно творческой самореализацией, и рутина в процессы его работы никогда не сможет просочиться. Увы, но большую часть DS команд рутина уже поглотила.
https://habr.com/ru/companies/alfa/articles/788290/
#data_science #automl #services #automatization #productivity
-
#AutoML23 bringt #MachineLearning Expert:innen am HPI zusammen🎉
Führende Forschende im Bereich Machine Learning waren diese Woche für die #AutoML zu Gast am HPI.
Die internationale Konferenz ist die erste Zusammenkunft von Fachleuten, die sich mit der fortschreitenden Automatisierung des maschinellen Lernens befassen.
Zu den Highlights gehörten hochkarätige Keynote Speaker, interaktive Poster Sessions, der AutoML Cup, spannende Podiumsdiskussionen u.v.m.
📸:Reinhardt und Sommer Fotografie
-
#AutoML23 bringt #MachineLearning Expert:innen am HPI zusammen🎉
Führende Forschende im Bereich Machine Learning waren diese Woche für die #AutoML zu Gast am HPI.
Die internationale Konferenz ist die erste Zusammenkunft von Fachleuten, die sich mit der fortschreitenden Automatisierung des maschinellen Lernens befassen.
Zu den Highlights gehörten hochkarätige Keynote Speaker, interaktive Poster Sessions, der AutoML Cup, spannende Podiumsdiskussionen u.v.m.
📸:Reinhardt und Sommer Fotografie
-
⬆️🧵 #KNIME #DataApp Examples 🧵⬇️
A data app to control the #AutoML component from the web browser.
Find the workflow on KNIME Community Hub:
https://hub.knime.com/-/spaces/-/latest/~ZBbj2fObfRwrp8ht/ -
⬆️🧵 #KNIME #DataApp Examples 🧵⬇️
A data app to control the #AutoML component from the web browser.
Find the workflow on KNIME Community Hub:
https://hub.knime.com/-/spaces/-/latest/~ZBbj2fObfRwrp8ht/ -
⬆️🧵 #KNIME #DataApp Examples 🧵⬇️
A data app to control the #AutoML component from the web browser.
Find the workflow on KNIME Community Hub:
https://hub.knime.com/-/spaces/-/latest/~ZBbj2fObfRwrp8ht/ -
⬆️🧵 #KNIME #DataApp Examples 🧵⬇️
A data app to control the #AutoML component from the web browser.
Find the workflow on KNIME Community Hub:
https://hub.knime.com/-/spaces/-/latest/~ZBbj2fObfRwrp8ht/ -
At the end of #AUTOML22, we asked the attendees to fill out a survey s.t. we can further improve the #AutoML conference.
Frank Hutter and I summarized the main takeaways and some changes for #AUTOML23 in a new blog post: https://2023.automl.cc/blog/wrapping-up-automl-conf-2022-and-introducing-the-2023-edition/ -
The first version of our new #AUTOML23 website is online. It includes all important dates and the call for papers (#CfP). Most important: The submission deadline is on March 23rd! https://2023.automl.cc #AutoML
