Нажмите "Enter" для перехода к содержанию

Команда Сбера победила в Kaggle AutoML Grand Prix по созданию моделей машинного обучения

  • Время на чтение:2мин.
  • Просмотров:23

Библиотека Сбера LightAutoML помогла победить в Kaggle AutoML Grand Prix

Команда Сбера одержала победу в престижном международном соревновании Kaggle AutoML Grand Prix по созданию моделей машинного обучения с помощью AutoML-инструментов. Благодаря инновационным решениям на основе библиотеки LightAutoML российская команда опередила серьезных соперников, включая команды Amazon и H2O, признанных лидеров AutoML.

«Победа нашей команды на Kaggle AutoML Grand Prix 2024 показала, что российские разработки в области автоматизации машинного обучения на равных конкурируют с лидерами мирового рынка. Сотрудники Сбера подтвердили высокий уровень автоматизации и эффективности своих решений, а использование LightAutoML ускорило подготовку моделей и помогло сосредоточиться на оптимизации их качества. По сути, итоги соревнования наглядно продемонстрировали огромную практическую пользу нашей open-source библиотеки LAMA, которую сегодня использует всё больше ML-инженеров по всей стране», — рассказал старший вице-президент, руководитель блока «Технологическое развитие» Сбербанка Андрей Белевцев.

LightAutoML (LAMA) — это open-source библиотека Сбера, которая ускоряет создание моделей машинного обучения и повышает их качество. Инструмент идеально подходит как для новичков, так и для опытных специалистов, которые могут глубоко кастомизировать решение под свои задачи. Применяя LAMA, можно получить готовую модель буквально за несколько строк кода и при необходимости гибко настроить ее, что делает инструмент по-настоящему универсальным.

Kaggle AutoML Grand Prix 2024 с участием лучших команд планеты было организовано на крупнейшей платформе для анализа данных Kaggle и приурочено к International Conference on Automated Machine Learning (AutoML). Соревнование состояло из пяти этапов: на каждом из них участники должны были за 24 часа создать эффективную модель машинного обучения, которая показала бы высокие результаты на предоставленных данных. Это требовало не только глубокого знания методов машинного обучения, но и умения оперативно адаптировать их под специфические задачи.

Спасибо, что читаете наши новости! Не забудьте подписаться на Телеграмм-канал!

Ваш комментарий будет первым

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *


Тема Mission News от Compete Themes.