Спасибо за содержательный обзор. Возник вопрос - как выглядит работа с вашей реализацией automl с точки зрения пользователя? Анлогично LightAutoML, т.е. pip install, импорт бибиотеки в сессию, оперделение пайплайна, фит, предикт, или принципиально по другому?
Теория должна подтверждаться на практике. Это важный тезис. Вопрос, как правило упирается в наличие материалов в открытом доступе. Далеко не все компании (особенно если речь идет про крупный бизнес), опробовавшие на практике тот или иной обладают необходимой мотивацией рассказать об своем опыте.
Вместе с тем истории, связанные с применением low-code инструментов для анализа данных, встречаются, пусть и не так часто как хотелось бы.
Например, в этой статье https://habr.com/ru/company/sberbank/blog/489158/ рассказывается об опыте использования ML платформы с графическим интерфейсов. В данном кейсе команда Сбера является одновременно и разработчиком, и пользователем аналитического инструмента.
Для примера выбрал решение, с которым было больше всего практического опыта работы. Достаточно логично. А у вас был опыт работы в аналогах? Интересно узнать, если поделитесь.
Справедливо. Но франшиза как то бурно пошла развиваться, и не удивлюсь если в очередной серии будет история про то, что в прошлое отправляться именно киборг в дополнение к ранее отправленному роботу.
Это один из примеров low-code платформ для аналитики, другие инструменты тоже интересно обсудить, но в таком случае статья получилась бы слишком объемной. А от щепотки практики в море теории хуже точно не станет :)
Проект операционализации можно было выстроить на MLflow, но тогда 'за бортом' останутся согласования, валидация и мониторинг. Если контролируемый процесс внедрения и мониторинга моделей не нужен - можно обойтись без Мodel Мanager. Если организация доросла до необходимости выстроить понятный управляемый процесс, в котором должны участвовать в том числе и бизнес-пользователи (с помощью GUI, с интеграцией с доменными учетными записями и т.д.) - в этом случае нужен ММ.
Спасибо за содержательный обзор. Возник вопрос - как выглядит работа с вашей реализацией automl с точки зрения пользователя? Анлогично LightAutoML, т.е. pip install, импорт бибиотеки в сессию, оперделение пайплайна, фит, предикт, или принципиально по другому?
Теория должна подтверждаться на практике. Это важный тезис. Вопрос, как правило упирается в наличие материалов в открытом доступе. Далеко не все компании (особенно если речь идет про крупный бизнес), опробовавшие на практике тот или иной обладают необходимой мотивацией рассказать об своем опыте.
Вместе с тем истории, связанные с применением low-code инструментов для анализа данных, встречаются, пусть и не так часто как хотелось бы.
Например, в этой статье https://habr.com/ru/company/sberbank/blog/489158/ рассказывается об опыте использования ML платформы с графическим интерфейсов. В данном кейсе команда Сбера является одновременно и разработчиком, и пользователем аналитического инструмента.
Лидерами не рождаются, ими становятся :)
Для примера выбрал решение, с которым было больше всего практического опыта работы. Достаточно логично. А у вас был опыт работы в аналогах? Интересно узнать, если поделитесь.
Справедливо. Но франшиза как то бурно пошла развиваться, и не удивлюсь если в очередной серии будет история про то, что в прошлое отправляться именно киборг в дополнение к ранее отправленному роботу.
Это один из примеров low-code платформ для аналитики, другие инструменты тоже интересно обсудить, но в таком случае статья получилась бы слишком объемной. А от щепотки практики в море теории хуже точно не станет :)
Проект операционализации можно было выстроить на MLflow, но тогда 'за бортом' останутся согласования, валидация и мониторинг. Если контролируемый процесс внедрения и мониторинга моделей не нужен - можно обойтись без Мodel Мanager. Если организация доросла до необходимости выстроить понятный управляемый процесс, в котором должны участвовать в том числе и бизнес-пользователи (с помощью GUI, с интеграцией с доменными учетными записями и т.д.) - в этом случае нужен ММ.