Aible是一家专注于考虑到业务变量和约束的现实世界人工智能的初创公司，它推出了Aible Advanced，这是一种面向数据科学家和开发人员的自动化机器学习平台。

通过此举，Aible为企业用户提供了一个版本，旨在使机器学习过程(AutoML)自动化，并使数据科学家和开发人员能够连接到容纳关键数据的企业系统。

Aible首席执行官Arijit Sengupta 表示，Aible Advanced背后的想法是使数据科学家和开发人员能够通过模型进行思考以及如何链接回企业系统。他说：“缺少的部分是企业应用程序，人工智能与预测实际工作的频率之间的联系。”

Sengupta是Salesforce爱因斯坦背后的主要高管之一，基于AI已经变得过于理论化而无法用于商业用途的想法创立了Aible。

“我进入AI领域已有20多年了，我终于意识到，人工智能是在错误的事情上受过训练的。它经过了准确性的培训，但变得过于理论化。这对业务有什么影响?” 他问。“无法教业务用户AI的工作原理，但是您可以教AI以关联的方式了解业务，成本收益，业务问题和约束。”

以业务为中心的人工智能方法导致Aible于3月推出。Aible的发布意味着业务用户可以输入业务目标和约束条件，然后创建旨在最大化业务影响力的预测模型。传统的AI会着重于预测十分之三的人会购买产品。Sengupta解释说，该模型可能是准确的，但如果企业确实需要50个潜在客户来进行转换，则可以不用花钱。

虽然Aible的商业模式围绕软件即服务进行，但Sengupta表示，该公司还将削减归因于这些模型的资金，在某些情况下占收入的10%至15%。作为一种服务方法，其结果值得关注。Sengupta说，该模型是可行的，因为Aible具有内置的性能监视功能。

Sengupta补充说，它在收入分成模式中拥有一些大型企业，并且倾向于吸引企业高管，但采购却有所减少。

从理论上讲，Aible可以根据销售人员的风格和进取心为他们创建模型。Aible的方法引起了Forrester和Gartner等研究公司的关注。Gartner最近发表了有关制造和分销公司Merrow的案例研究，该研究使用Aible来最大化其市场机会。

Sengupta说，Aible Advanced将使用10个步骤来生成模型，是其他AutoML工具的两倍。这些步骤包括：

在AutoML学习业务目标，现实情况和用例的地方进行需求收集。

好的预测因素浮出水面的蓝图。

数据食谱，用于从现有企业应用程序和数据存储库中收集培训数据。

数据增强功能可以清理和准备用于机器学习的数据并创建派生变量。

模型定制可确保对模型进行培训，以最大程度地提高实际业务目标并尊重业务约束。

超参数调整可训练各种类型的模型并尝试设置。

选择模型，以推荐能够最佳地优化业务目标并进行评估(例如敏感性，假设分析和方案分析)的模型。

模型部署，它开始在客户环境中运行模型。

Prediction Writeback，它将预测写回企业应用程序和业务用户。

监视它观察实际业务结果的位置，并将其与预测结果进行比较以进行再培训。

最重要的是，模型训练围绕前两个项目进行。通常不考虑业务现实。

为了宣传Aible Advanced，Aible启动了30分钟的AutoML挑战。在不到30分钟的时间内，Aible将基于用户在其自己的AWS账户中的专有数据创建预测模型。如果Aible失败，用户将免费使用该模型。