使用数据来预测未来结果的概念并不是什么新鲜事物。甚至执行“预测分析”分析的高科技产品也已经为企业组织使用了很多年。但是，开发和部署定制的预测解决方案的概念在很大程度上已成为《财富》 500强公司的专有领域。
企业中预测分析的稀有性主要是由于创建，训练和部署成功开发预测解决方案所需的复杂AI和机器学习(ML)模型所需的技术复杂性。在过去的几年中，AI和ML开发的世界发生了快速变化。机器学习模型的自动化是最关键的进步领域之一。
的出现“AutoML”平台已经允许数据科学团队加速ML算法的测试和培训，加快预测算法的开发。但是，问题在于，迄今为止，所有AutoML平台仍将重点放在数据科学家身上。
尽管这使大型企业可以加快预测解决方案的开发，但它仍然无法满足拥有深层BI基础结构的中型组织的需求-但是却没有大公司的数据科学资源。然而，在过去的一年中，随着旨在使AI / ML开发生命周期100%自动化的新平台的出现，AutoML的发展已经超越了ML算法的选择和优化。
现在可以使用“ AutoML 2.0”平台，其特定目标是使没有数据科学专业知识的BI团队可以更轻松地进行AI / ML开发。这些平台的核心功能在三个关键领域：首先，使BI团队更容易利用AI / ML的可用数据集。其次，使为AI / ML算法“准备”数据的过程变得不那么手动，最后，使AI / ML开发生命周期中最困难的部分自动化-功能工程。
任何BI团队在开发AI / ML模型时的第一个挑战都在于数据本身的性质。尽管BI数据(通常)已经进行了大量的清理，转换和标准化，但仍需要进行必要的转换才能使其准备好进行AI / ML开发(也称为数据准备)。AutoML 2.0平台可自动执行准备数据本身以使其“ AI友好”所需的步骤。
第二个挑战是必须如何构造数据以开发AI / ML模型。尽管绝大多数BI数据都位于关系数据存储库中，但AI / ML模型要求数据采用平面文件格式。传统上，AI / ML开发过程中最具挑战性和最耗时的部分之一就是构建这些平面文件表。AutoML 2.0平台通过自动连接到关系数据集并“即时”创建必要的平面文件来解决此问题。
最后，“功能工程”的过程是BI团队的最后一个任务，而且通常是最复杂的任务。FE是应用领域知识以从原始数据中提取分析表示形式，使其准备用于机器学习的过程。它涉及商业知识，数学和统计信息的应用，以将数据转换为机器学习模型可以直接使用的格式。在传统的数据科学过程中，“功能”的开发是一个非常反复且耗时的“试验和错误”过程，需要数据科学家和主题专家。
特征的开发涉及为每个特征创建一个假设，然后对该特征进行开发然后对其进行验证。这种重复和反复的过程是耗时，资源密集和昂贵的。再一次，AutoML 2.0平台通常能够使该过程自动化，从而使BI团队无需构建数据科学家就可以构建AI / ML模型。