ENGLISH

With the data expansion, Data Science has become a relevant part of many applications. Many companies are applying Data Science in areas like Finance, Games, Health Care, Intelligent Cities, among many others. Most Data Science solutions rely on Machine Learning (ML), in particular End-to-End ML. An End-to-End ML solution includes all steps necessary to build a successful ML-based system, such as data preprocessing, feature engineering, model selection and hyperparameter tuning. However, their development process still strongly relies on human experts, which is rare and expensive. As the complexity of these tasks increases, so does the demand for Automated ML (AutoML) solutions. AutoML investigates how to support the data scientist and non-experts by automating the design of End-to-End ML solutions. Several companies, like Google, Facebook and Microsoft are investing in this new and exciting area. AutoML focus on users with little or no expert knowledge in ML, also providing new tools and functionalities to ML experts to advance the state-of-the-art in the area. It includes many topics related with ML, such as Bayesian Optimization, Evolutionary Computing, Transfer Learning and Meta-learning. The use of AutoML may relieve data scientists from the repetitive and time-consuming steps in the design of a full ML solution, so they can allocate their time on more difficult tasks. The goal of AutoML is to support data scientists in their work, not to replace them.

PORTUGUÊS

Com o crescente volume de dados, a Ciência dos Dados tornou-se uma parte relevante de muitas aplicações. Muitas empresas estão aplicando a Ciência de Dados em áreas como Finanças, Jogos, Assistência Médica, Cidades Inteligentes, entre muitas outras. A maioria das soluções da Ciência de Dados dependem do Aprendizado de Máquina (AM), em particular AM do início ao fim. Uma solução de AM do início ao fim inclui todas as etapas necessárias para a criação de um sistema bem-sucedido baseado em AM, como pré-processamento de dados, engenharia de atributos, seleção de modelos e ajuste de hiperparâmetros. No entanto, seu processo de desenvolvimento ainda depende fortemente de especialistas humanos, o que é raro e caro. À medida que a complexidade dessas tarefas aumenta, também aumenta a demanda por soluções automatizadas (Automated ML - AutoML). O AutoML investiga como apoiar o cientista de dados e não especialistas, automatizando o design de soluções de AM End-to-End. Várias empresas, como Google, Facebook e Microsoft, estão investindo nessa nova e excitante área. AutoML foca em usuários com pouco ou nenhum conhecimento em AM, também fornecendo novas ferramentas e funcionalidades para especialistas avançar o estado-da-arte. A área inclui muitos tópicos relacionados ao AM, como: Otimização Bayesiana, Computação Evolutiva, Transfer Learning e Meta-aprendizado. O uso de AutoML permite dispensar os cientistas de dados das etapas repetitivas e demoradas no projeto de uma solução de AM, de maneira que eles possam alocar seu tempo em tarefas mais difíceis e prioritárias. O objetivo do AutoML é apoiar cientistas de dados em seu trabalho, não substituí-los.