AutoML パッケージの開発を円滑に進めたい / How to develop AutoML package

https://data-engineering.connpass.com/event/136756/

Transcript

1. AutoML パッケージの開発を円滑に進めたい データと ML 周辺エンジニアリングを考える会 #2 Jul 19, 2019
2. Yu Ohori (a.k.a. Kon) NS Solutions Corporation (Apr 2017 - ) • Researcher • Data Science & Infrastructure Technologies • System Research & Development Center • Technology Bureau @Y_oHr_N @Y-oHr-N #SemiSupervisedLearning #AnomalyDetection #DataOps
3. 約 3 ヶ月，同僚 3 名と以下の大会に参加した April 1, 2019 - July 20, 2019 3 任意のデータセットに対 する予測精度を競う大会 https://www.4paradigm.com/competition/kddcup2019
4. 何故参加したか？ AutoML 周辺技術の調査 開発力強化 案件利用 4
5. 本大会の内容は？ 入力 • 5 つの表形式データセット • スキーマ，関係等が記載されたファイル（右図） 提出物 • 学習，予測を行うコード 制約 • 計算資源：4 vCPUs (16 GB Memory) • 計算時間：数十分程度 評価指標 • AUROC 5
6. 本大会の課題は？ 時系列データの扱い • data leak を予防する方法は？ • concept drift に対応する方法は？ 複数表の扱い • 一対多，多対多で結ばれる表を結合する方法は？ 4 つの型の扱い • cat 型を num 型に変換する方法は？ • multi-cat 型を num 型に変換する方法は？ • time 型を num 型に変換する方法は？ 6
7. Concept drift とは？ データを生成する確率分布が時間経過で変化する現象 • cat 型の場合，新規カテゴリの出現が相当 7 Gama, J., et al., "A survey on concept drift adaptation," ACM CSUR, 46(4), p. 44, 2014.
8. 結果は？ 計算時間超過で失格… 通過チームは 31/161 パッケージの内容は 懇親会でお話します 8
9. 開発中，問題になったことは？ コードが煩雑で，予測精度が低下した際にバグを特定できない 9
10. どうやってこれらの問題を解決したか？ Codecov カバレッジを記録 CircleCI テストを実行 Comet.ml 学習結果を記録 開発者 変更を push/PR GitHub 外部サービスに通知 テスト及び CV スコアの監視を継続的に行い，バグの混入を早急に察知する 10
11. 何故これらのサービスを採用したか？ 環境構築の手間を削減できるため • mlflow は自身でサーバを構築する必要がある private リポジトリに無料利用できるため • Travis CI は課金する必要がある • Code Climate は private リポジトリに利用できない 11
12. 何を学習結果として記録したか？ • commit ID • ブランチ名 • 実行日時 • 計算時間 • 標準出力 • 依存関係 • 学習曲線 • CV スコア • ベストパラメータ • 等 12