人工智能（AI）和机器学习正在改变着全球经济，那些能够迅速采用这些技术的公司将从那些没有采用这些技术的公司那里抓住1.2万亿美元的市场机会。那些未能利用预测分析，或者没有时间或资源（比如专业的数据科学家）的企业将落后于拥抱人工智能和机器学习的企业，无法从数据中提取业务价值。

自动化机器学习一种新的解决方案，用于加速和优化预测分析过程。结合顶级数据科学家的经验和专业知识，自动化机器学习可以自动执行传统数据科学所需的许多复杂和重复性任务，同时提供标准以确保不会错过关键步骤。本质是：数据科学家将更有价值，业务分析师和其他领域专家将转化为能够创建AI解决方案的“公民数据科学家”。

越来越多的所谓的“自动化机器学习”工具面市，但往往功能有限，因此需要为真正的自动化机器学习平台定义需求。本文重点介绍被视为是完整的自动化机器学习解决方案必须搞定的10项功能。

1.数据预处理

每种机器学习算法的工作方式不同，并具有不同的数据要求，例如某些算法需要对数字特征进行归一化处理，有些算法需要将文本分割为单词和短语的文本处理，这对日语等语言来说可能非常复杂。用户应该期望他们的自动化机器学习平台，知道如何为每种算法准备最佳数据，并遵循数据分类的最佳实践。

2.特征工程

特征工程是改变数据的过程，以帮助机器学习算法更好地工作，这往往是耗时的并且可能是成本昂贵的。尽管一些特征工程需要数据和业务规则的领域知识，但大多数特征工程是通用的。真正的自动化机器学习平台将根据现有的数据，分类和文本功能设计新功能。系统应该理解哪些算法可以从额外的特征工程中受益，哪些算法不会，并且只根据数据特征生成有意义的特征。

3.多种算法

每个数据集都包含反映企业个人事件和特征的独特信息。由于数据中表示的各种情况和条件，一种算法无法成功解决每个可能的业务问题或数据集。自动化机器学习平台需要访问各种算法库，以便对数据进行测试，以便找到正确的算法来解决手头的挑战。而且，平台应该随着最有前途的新机器学习算法不断更新，包括来自开源社区的算法。

4.算法选择

能够访问数百种算法非常好，但许多组织没有时间去尝试每种算法的数据。而一些算法不适合他们的数据或数据大小，而另一些则不太可能完全适合他们的数据。一个自动化的机器学习平台应该知道哪些算法适合企业的数据，并且只用适当的算法测试数据以更快地达到结果。

5.培训和调整

它是机器学习软件的标准，用于训练数据算法，但通常还需要一些超参数调整来优化算法的性能。此外，重要的是要了解哪些功能要保留或退出，哪些功能选择对不同类型最适合。一个有效的自动化机器学习平台采用针对每个单独模型的智能超参数调整，以及自动特征选择，以提高模型的速度和准确性。

6.集成

算法组（Teams of algorithms）被称为“集成算法”或“blenders”，每个算法的优势在于平衡另一组的弱点。由于它们的多样性，集合模型通常优于个别算法。一个自动化的机器学习平台应该找到最优化的算法进行集成，包括各种算法，并调整每个blenders内算法的权重。

7.Head-to-Head模型竞争

事先很难知道哪种算法在特定的建模挑战中表现最好，所以有必要比较不同算法对数据的准确性和速度，而不管程序设计语言或算法来自哪个机器学习库。真正的自动化机器学习平台必须构建和训练数十种算法，比较每种算法的准确性，速度和个体预测，然后根据业务需求对算法进行排序。

8.人性化的见解

机器学习和AI在预测能力方面取得了巨大进步，但往往以复杂性和可解释性为代价。模型在准确性和速度方面的得分很不够。在一些行业甚至一些地区（比如欧盟的GDPR），模型必须符合法规并由合规团队进行验证。自动化机器学习应以人类可解释的方式描述模型性能，并提供易于理解的个人预测原因，以帮助组织实现合规性。

9.轻松部署

分析团队可以建立一个令人印象深刻的预测模型，但如果模型太复杂，IT团队难以复制，或者企业缺乏将模型部署到生产环境的基础架构，则这种模型没有多大用处。简单灵活的部署选项是可行的自动化机器学习解决方案的特点，包括API，可导出的评分代码以及无需IT团队干预的按需预测。

10.模型监测和管理

即使最好的模型随着时间的推移或者新的数据来源可以随时间变化而变“陈旧”。理想的自动化机器学习解决方案可以轻松地在最新数据上运行新模型竞赛，帮助确定该模型是否仍然是最佳模型，或者是否需要更新模型。随着模型的改变，系统还应该能够快速更新模型文档以符合法规要求。

在构建机器学习模型时，转向包含这些功能的自动化机器学习的企业将节省时间，提高准确性并降低合规风险。帮助他们成为真正的由人工智能驱动的企业。