极速与精准的AutoML平台：Decanter AI

在近日举办的AutoML线下技术分享会上，机器之心联合MoBagel（行动贝果）邀请了两位硅谷技术专家，MoBagel CEO钟哲民和ML总监郭安哲，分享了全流程AutoML技术的核心理念及其在实际业务中的应用。

AutoML技术的前沿探索

AutoML技术涵盖了自动数据清洗、特征工程、模型构建与评估等多个环节。在本次分享会上，两位嘉宾介绍了AutoML技术的最新进展及其在实际业务中的应用。通过AutoML技术，即使是刚入门的新手也能快速掌握机器学习模型的构建方法。

Decanter AI：超越Google AutoML

MoBagel在Kaggle竞赛中对比了Decanter AI与Google AutoML的表现，发现Decanter AI在多个业务场景中的准确率比Google AutoML高出10个百分点以上。特别是在训练速度上，Decanter AI比Google AutoML快110倍。这意味着Decanter AI能够更快地展示模型结果，从而加速模型迭代过程。

设计思路与体验

MoBagel的CEO钟哲民提到，他们最初采用Python等开源工具构建系统，希望通过集成更多开源工具简化操作。然而，随着业务规模的扩大，他们发现系统需要更高的速度、稳定性和准确性。因此，MoBagel转向Scala语言开发AutoML套件，并最终将整个系统重构为Scala版本。这不仅提升了系统的性能，还增强了其在商业环境中的实用性。

特色功能与应用场景

Decanter AI不仅在训练速度上表现卓越，还具备强大的特征工程能力和时序建模功能。通过自动选择重要特征并创建新的特征，Decanter AI能够更好地适应不同的模型需求。此外，Decanter AI还提供了全面的时序建模和交叉验证方案，使用户能够在处理时间序列数据时更加得心应手。

用户体验与反馈

一位来自味全的营业与财务主管李征分享了她使用Decanter AI的经验。她表示，Decanter AI显著提高了预测准确率，特别是在处理大量数据时，其表现远胜于其他工具。李征指出，Decanter AI使得即使没有机器学习背景的用户也能快速上手，极大地提升了工作效率。

Decanter AI的未来展望

MoBagel的团队正致力于进一步优化Decanter AI，使其在更多领域发挥更大的作用。通过开放AutoML库，MoBagel希望更多用户能够灵活地使用Decanter AI，进一步推动机器学习技术的应用和发展。

总的来说，Decanter AI凭借其卓越的性能和丰富的功能，已经成为一款极具竞争力的AutoML平台，为用户提供了高效、精准和易用的解决方案。