详细内容或原文请订阅后点击阅览
automl的阴影侧：当无代码工具造成的伤害超过帮助
抽象在软件中并不是什么新鲜事物，但是在机器学习中，没有监督的抽象将自动化变成建筑风险。帖子的阴影一面：当无代码工具的痛苦比首先迈向数据科学的帮助更大时。
来源:走向数据科学已成为许多组织的机器学习的门户药物。它准确承诺要在压力下要听到哪些团队：您带上数据，我们将处理建模。没有管道可以管理，没有可调节的超参数，也无需学习scikit-learn或tensorflow；只需单击，拖动和部署。
起初，这感觉令人难以置信。
您将其指向搅动数据集，运行训练循环，并吐出一个模型的排行榜，其AUC分数似乎太好了，无法实现。您将排名最高的模型部署到生产中，将一些API汇合，然后将其设置为每周进行重新训练。业务团队很高兴。没有人必须编写一行代码。
然后有一些微妙的休息。
支持门票停止正确确定优先级。欺诈模型首先忽略高风险交易。或者您的Churn Model旗帜忠实，活跃的客户，以供外展活动，同时错过即将离开的人。当您寻找根本原因时，您会意识到没有GIT提交，数据模式差异或审核跟踪。只是一个曾经工作的黑匣子，现在行不通。
这不是建模问题。这是一个系统设计问题。
自动工具删除摩擦，但它们也删除了可见性。在此过程中，他们暴露了传统ML工作流程旨在减轻的建筑风险：无声漂移，未跟踪的数据移动以及隐藏在无代码接口后面的故障点。与Jupyter笔记本中的错误不同，这些问题不会崩溃。它们侵蚀。
本文探讨了使用汽车管道使用的情况，而没有使机器学习可持续可持续的保障措施时会发生什么。使机器学习更轻松并不意味着放弃控制权，尤其是当错误的成本不仅是技术性的，而且是组织时。
架构自动构建：以及为什么是问题
这会产生两个系统性问题：
- 行为的细微变化：直到下游影响加起来之前，没有人注意到。