【51CTO.com原創(chuàng)稿件】隨著網(wǎng)絡(luò)的更新迭代，網(wǎng)絡(luò)數(shù)據(jù)成幾何倍飛速增長，各行各業(yè)都面臨著海量數(shù)據(jù)處理的壓力。當人工不能很好的對龐大數(shù)據(jù)進行計算與分析時，大數(shù)據(jù)分析應(yīng)運而生。

大數(shù)據(jù)分析現(xiàn)狀

伴隨大數(shù)據(jù)相關(guān)的基礎(chǔ)設(shè)施、服務(wù)器、軟件系統(tǒng)和理論體系的持續(xù)發(fā)展，大數(shù)據(jù)分析方面的解決方案逐漸趨近成熟，且普及開來。隨著大數(shù)據(jù)技術(shù)的迭代更新，自助和自動化的信息服務(wù)需求也茂盛起來。雖然業(yè)界有諸多簡單易用的大數(shù)據(jù)分析工具及相關(guān)的解決方案，但具備基本的通信技術(shù)和信息處理領(lǐng)域的專業(yè)知識仍是剛需。

數(shù)據(jù)分析中的特征工程

在海量的數(shù)據(jù)分析過程中，特征工程發(fā)揮著重要作用。特征工程是為了使特征（數(shù)據(jù)抽取出來的對結(jié)果預(yù)測有幫助的信息）在機器學習算法和模型上發(fā)揮更優(yōu)效果的過程，該過程往往需要數(shù)據(jù)科學家人工地找出***的特征組合，所以在效果及效率上有一定的局限性。自動特征工程出現(xiàn)前，需要依靠人類的經(jīng)驗去完成這項耗時且龐大的工程。

自動特征組合方式

自動特征工程應(yīng)用以后，解決了人工經(jīng)驗不足帶來的不能及時發(fā)現(xiàn)有效特征以及自動特征組合繁瑣的問題。目前，機器學習在業(yè)界研究自動特征工程問題時，主要從以下三個方向著手：隱式特征組合、半顯式特征組合和顯式特征組合。

其優(yōu)缺點對比如下表所示：

隱式特征組合、半顯式特征組合和顯式特征組合優(yōu)缺點對比

AI賦能數(shù)據(jù)分析，攻克技術(shù)壁壘

對于傳統(tǒng)特征工程帶來的低效、復(fù)雜等問題，來自寶島臺灣的美商行動貝果MoBagel（以下簡稱行動貝果）給出了自己的解決方案——一款簡單易用的AI預(yù)測工具Decanter，Decanter是由行動貝果自主研發(fā)的自動化機器學習引擎，結(jié)合136種機器學習算法（包含深度學習算法）進行自動建模和優(yōu)化，為企業(yè)大量數(shù)據(jù)與商業(yè)目標在數(shù)千算法組合中尋得***模型，提供精準的即時預(yù)測分析服務(wù)。Decanter主要提供自動化數(shù)據(jù)清洗、特征工程、建立及調(diào)教預(yù)測模型三大功能，這樣將數(shù)據(jù)分析預(yù)測變得簡單、準確、快速，同時將全自動機器學習(AutoML)導(dǎo)入企業(yè)，建立符合行業(yè)需求的AI模塊。

采訪的***，行動貝果的CTO林昭寬表示，比起行動貝果獨自開拓市場，加入微軟加速器·北京第11期后，擁有了更強大的資源優(yōu)勢與影響力，加上許多校友企業(yè)互相幫助，以及微軟加速器·北京本身的市場滲透率與知名度，行動貝果可以快速開拓更廣闊的市場發(fā)展與布局。