隨著越來越多的公司推出數(shù)字基礎(chǔ)架構(gòu)，他們正在吸收大量數(shù)據(jù)，業(yè)務(wù)分析人員可以使用這些數(shù)據(jù)來衡量客戶意圖并促進交易。數(shù)據(jù)科學家的復雜性和缺乏使那些希望通過“黑暗”數(shù)據(jù)獲利的中型公司更加難以實現(xiàn)這一轉(zhuǎn)變。

因此，機器學習供應(yīng)商正在使數(shù)據(jù)科學工作流的關(guān)鍵方面實現(xiàn)自動化，這將使領(lǐng)域?qū)＜铱梢愿鶕?jù)特定數(shù)據(jù)類型自定義管道和算法。提倡使用AutoML方法來提高按月生成的機器學習模型的數(shù)量和質(zhì)量。

這是Stradigi AI本周發(fā)布的新AutoML平臺的目標之一。開普勒平臺同時尋求解決數(shù)據(jù)科學家的短缺問題，從而導致無法將AI模型投入生產(chǎn)，然后再擴展這些模型。該策略的重點是讓域?qū)＜易杂蛇x擇所需的數(shù)據(jù)科學工具，以更快地獲得機器模型，而最初的重點是最有可能產(chǎn)生可操作結(jié)果的“高價值”用例，例如庫存控制或客戶流失。

Stradigi首席商務(wù)官Per Nyberg表示，數(shù)據(jù)科學自動化的“最佳結(jié)合點”是尋求獲得數(shù)字化轉(zhuǎn)型收益的中型企業(yè)。因此，開普勒使數(shù)據(jù)科學步驟自動化，以使業(yè)務(wù)分析人員快速地沿著機器學習曲線前進。