> ML_KUTUPHANE // FLAML_v1.0
FLAML
Microsoft Research — Otomatik makine öğrenimi ve hiperparametre optimizasyonu için hızlı ve hafif kütüphane.
automl-hpov2.3.2MITqualified
Model Eğitimi (Training)
Desteklenen Hızlandırıcılar:
CPUCUDA
Dağıtık Eğitim (Distributed):Evet
Model Sunumu (Inference)
Inference Hızlandırıcıları:
CPUCUDA
Hedef Ortamlar (Targets):server, edge
Neleri Sağlar (Ne Yapar)
- +Hızlı ve maliyet odaklı hiperparametre optimizasyonu (Cost-Frugal Optimization - CFO)
- +LightGBM, XGBoost, CatBoost ve Random Forest arasında otomatik seçim
- +Kesin zaman bütçesi zorunluluğu (örn. 60 saniyede en iyi modeli bulma)
Neleri Sağlamaz (Ne Yapmaz)
- -Modelleri doğrudan bağımsız ikili mikro servisler olarak dağıtma
- -Sıfırdan ham görüntü evrişimli omurgaları eğitme
- -İstemci web tarayıcılarında çalışma
>Uygun İş Tipleri
- Kaynak kısıtlı CI/CD otomatik yeniden eğitim boru hatları
- Sıkı bulut maliyet bütçesi altında hızlı model keşfi
- Hızlı tek modelli çıkarımla hafif tablo tahminleri
>Uygun Olmayan İş Tipleri
- Disk boyutunun önemsiz olduğu ve rekabetçi yarışmalarda binde birlik doğruluk için devasa yığınların gerektiği senaryolar
- Sıfır örnekli (zero-shot) bilgisayarlı görü
Veri Yerleşimi ve İkameti
Yerel sunucu belleği.
Güvenlik Değerlendirmesi
Pickle risklerinden kaçınmak için seçilen tahminciler ONNX formatına aktarılabilir.
Operasyonel Metrikler ve Bilinen Kısıtlar
Olgunluk:mature
Öğrenme Eğrisi:low
Operasyon Yükü:low
Maliyet Seviyesi:free-oss
> Bilinen Kısıtlamalar:
- Derin çok katmanlı yığınlar yerine en iyi tekil tahminciyi üretir (küçük bir doğruluk kaybı karşılığında 10 kat daha hızlı çıkarım sağlar).
- Özel metrikler için varsayılan arama uzayları ince ayar gerektirebilir.
İlişkili Üretim Arıza Paternleri (Incidentpedia)
Bu kütüphaneyi üretimde kullanırken aşağıdaki arıza senaryolarına karşı fail-closed korumalar uygulayın:
> Birincil Kanıt ve Doğrulama Kaynakları
FLAML Documentationofficial-docs • >=2.0.0, <=2.3.x
2026-09-25HIGH