Automatisches Maschinelles Lernen

Zielgruppen

• Data Scientists in Forschung und Industrie

Ihre Anforderungen

Unser Angebot

Die Verwendung von KI kann selbst erfahrene Entwickler vor eine Reihe von schwierige Design-Entscheidungen stellen, bspw. wie wähle ich die richtige Modellklasse, Architektur eines neuronalen Netzes, Datenvorverarbeitung, oder Hyperparameter. Neben den bereitgestellten Daten hängt der Erfolg von KI-Anwendungen stark von solchen Design-Entscheidungen ab.

Um die Entwicklung von neuen KI-Anwendungen effizienter zu gestalten, unterstützen wir Data Scientists (und ähnliche Berufsgruppen) mit Ansätzen, diese Vorschläge für diese Designentscheidungen zu geben. Damit wird die Entwicklungszeit dramatisch beschleunigt und Entwickler können sich mehr aufs Wesentliche konzentrieren, anstelle von vielen Fehlschlägen durch suboptimale Designentscheidungen.

Wir bieten eine Reihe von verschiedenen AutoML Tools an, die für verschiedene Aufgabenstellungen optimiert sind. Dazu zählen Auto-Sklearn für klassisches ML, Auto-PyTorch für Deep Learning, Auto-Pytorch für Zeitserien und SMAC für Hyperparameter Optimierung.

Nutzungsvoraussetzungen

Erfolgsstories

• https://arxiv.org/abs/2107.05847
  
• https://www.jmlr.org/papers/volume23/21-0992/21-0992.pdf
  
• https://arxiv.org/abs/2006.13799
  
• https://automl.github.io/auto-sklearn/master/
  
• https://github.com/automl/Auto-PyTorch
  
• https://automl.github.io/SMAC3/main/