microsoft/FLAML

解决的问题

FLAML 解决了在不消耗过多计算资源的情况下自动化机器学习（ML）和 AI 操作的挑战。它简化了选择最佳模型和优化超参数的过程，这一过程通常需要大量时间和人工努力，尤其是在严格的资源限制下。

工作原理

FLAML 提供了一个轻量级的 Python 库，可自动完成传统机器学习模型和大语言模型的工作流程。它使用一系列基于研究的优化技术，快速为分类和回归任务找到高质量的模型。它还提供了一个通用的调优工具（tune.run），可用于优化自定义函数、基础模型推理超参数以及 MLOps/LMOps 配置，能够处理大规模搜索空间和复杂约束。

适用人群

专为需要快速且经济地找到高性能模型的数据科学家和 ML 工程师设计，也适合希望将自动化调优集成到其 ML/AI 流水线中的用户。

主要亮点

• 经济型 AutoML：以低计算开销快速找到分类和回归任务的高质量模型。
• 可自定义：支持灵活的自定义选项，允许用户限制学习器或使用自定义学习器。
• 通用超参数调优：能够对大搜索空间中的基础模型超参数和软件配置进行优化。
• 零样本 AutoML：无需手动调优即可为每个任务提供高性能的超参数配置。
• 集成支持：与 MLflow 完全集成，并在 Microsoft Fabric Data Science 中得到支持。