建模数据科学家的福音：MIT系特征自动构造工具今日发布

Root 编译整理自TechCrunch & Feature Labs量子位 报道 | 公众号 QbitAI 建模数据科学家的活难度很大。 得洞察big data背后的本质，从海量复杂的原始数据中创建出有价值的特征，才能搭建出高质有效的机器学习算法。 而特征的创建要求建模数据科学家有对数据有深入的了解、极端敏感的直觉、以及扎实的行业相关知识。 即便是老司机，现阶段的人肉创建特征，还是很耗时烧脑，也不可避免会出错。 Feature Labs（特征实验室），这家打娘胎就在MIT的研究机构，致力于帮助数据科学家更快地构建机器学习算法，于今天正式成立。 Max Kanter，Feature Labs的CEO兼联合创始人，在接受TechCrunch采访时表示，该公司已经开发出一种特征自动构造的方法，帮助企业客户搭建、跑通、以及最最最重要的部署给力的机器学习产品模型。 这套特征自动构造工具，Kanter认为，是Feature Labs的王牌。 其中的"深度特征合成"（Deep Feature Synthesis）数据处理流程，可以直接从原始的关系数据集和交易数据集中（例如网站访问的用户或光放购物车不买的人），自动创建出特征，并自动转化为具有预测意义的信息。 DFS的原理→http://ift.tt/2EL92yj 这意味着，建模数据家花更少的时间，就能拿到以往掉头发熬通宵才能磨出来的特征。节省出的时间和脑子，可以用来搞明白他们需要预测什么信息，进一步改善产品模型。 特征自动构造咋用？ 想小试一下效果？ 可以用Feature Labs给开发者提供的开源框架，Featuretools。针对新的机器学习问题，构建小型项目的算法。 Featuretools使用指南→http://ift.tt/2ENgqsW 不过，如果想要扩大项目规模，就要购买Feature Labs提供的商用产品，有提供云服务方案，也有提供本地解决方案提，具体看客户的需求。 Feature Labs已经服务过的客户有西班牙对外银行（BBVA Bank），柯尔百货（Kohl's），NASA和美国国防部下属的国防高级研究计划局（DARPA）。 Feature Labs的前世 & 融资情况 2015年的时候，CEO Kanter在MIT计算机科学和人工智能实验室（CSAIL）工作。 之前提到的"深度特征合成"算法，就是他与老同学Kalyan Veeramachaneni、Ben Schreck在这段工作时间共同开发的。这算法强大到，在全球三项数据科学竞赛中pk掉了615个对手（总共有906个团队）。 这成绩吸引了200多家媒体的关注和报道。从中，他们看出了算法建模的市场需求。在和100多家企业沟通后，他们发现现有的问题不是ML不起作用，而是企业不知道怎么用ML。 根据这个现象，Kanter才有了打算，成立Feature Labs，并给企业几点建议： 1）这套工具适合解决以前从未解决的业务问题；2）用的数据集从来没经过ML处理；3）最重要的是，基于ML开发和部署的产品团队得对机器学习完全陌生。 Feature Labs希望合作项目能在8周内，测试好实用性和可行性，并把解决方案部署到一线的生产环境中。 正是和大量应用端的接触，和早期企业客户的大量合作，Feature Labs才有了一定的积累，推出这套特征自动构造的产品。 另外，Feature Labs还宣布，在去年3月份就拿到了150万美元的种子融资，由Flybridge Capital Partners领投，First Star Ventures和122 West Ventures跟投。 最后，附编译来源， http://ift.tt/2ooQ3OY https://www.featurelabs.com/blog/launching-featurelabs/ — 完 — 欢迎大家关注我们的专栏：量子位 - 知乎专栏 诚挚招聘 量子位正在招募编辑/记者，工作地点在北京中关村。期待有才气、有热情的同学加入我们！相关细节，请在量子位公众号(QbitAI)对话界面，回复"招聘"两个字。 量子位 QbitAI · 头条号签约作者 վ'ᴗ' ի 追踪AI技术和产品新动态 via 量子位 - 知乎专栏 http://ift.tt/2CE7dxf RSS5