Eureka：企业AI云资源需求预测的智能特征工程

有效的特征对于预测模型的性能至关重要，但创建它们通常需要领域专业知识，从而限制了跨应用程序的可扩展性。我们将特征工程定义为代理代码生成问题：特征不是静态数据转换，而是可以生成、评估和迭代改进的可执行程序。我们提出了 Eureka，一个由 LLM 驱动的框架，分为三个阶段。 (1) 专家代理通过领域知识的 SFT 进行微调，生成 JSON 格式的结构化特征设计计划。 （2）LLM特征工厂通过链式推理将每个计划翻译成可执行的Python代码，将特征假设转化为可运行的程序。 （3）自我进化对齐引擎使用强化学习（GRPO）和双通道奖励（基于度量的效用+语义对齐）来提高代码质量。通过将特征表达为程序，学习到的生成模式可以跨域转移。根据医疗保健、金融和社会领域的 7 个公共基准进行评估，Eureka 始终优于传统的 AutoFE 和基于 LLM 的基准。我们在阿里云进一步证明了Eureka在云GPU资源需求预测方面的有效性，其中Eureka将需求满足率提高了16%，并将计算资源迁移率降低了33%。