مسرد المصطلحات

التعلم الآلي الآلي (AutoML)

تبسيط مشاريع التعلم الآلي باستخدام AutoML! قم بأتمتة إعداد البيانات واختيار النماذج وضبطها لتوفير الوقت وإتاحة الذكاء الاصطناعي للجميع.

تدريب YOLO النماذج
ببساطة مع Ultralytics HUB

التعرف على المزيد

يشير مصطلح التعلم الآلي للآلة (AutoML) إلى عملية أتمتة المهام التكرارية التي تستغرق وقتًا طويلاً في تطوير نماذج التعلم الآلي. ويهدف إلى جعل تقنيات التعلم الآلي في متناول الأفراد الذين قد لا يكونون خبراء في هذا المجال (مثل علماء البيانات) وتسريع عملية التطوير للممارسين ذوي الخبرة. تعمل أدوات ومنصات AutoML على أتمتة مراحل مختلفة من خط أنابيب التعلم الآلي، مما يسمح للمستخدمين ببناء نماذج عالية الجودة بأقل قدر من التدخل اليدوي.

المهام الآلية الرئيسية في AutoML

تعمل أنظمة AutoML عادةً على أتمتة العديد من الخطوات المهمة في سير عمل التعلم الآلي:

  • المعالجة المسبقة للبيانات: معالجة القيم المفقودة وقياس الميزات وإجراء التحويلات اللازمة على بيانات التدريب. يضمن ذلك أن البيانات مناسبة لتدريب النموذج. وغالبًا ما تكون تقنيات مثل التطبيع مؤتمتة.
  • هندسة الميزات: إنشاء ميزات جديدة تلقائيًا من الميزات الموجودة أو اختيار الميزات الأكثر ملاءمة لتحسين أداء النموذج. يمكن أن يتضمن ذلك التقنيات المشمولة في مفاهيم هندسة الميزات.
  • اختيار النموذج: اختيار أفضل خوارزمية (مثل أشجار القرار والشبكات العصبية مثل Ultralytics YOLOأو آلات متجهات الدعم) لمهمة معينة ومجموعة بيانات معينة. غالبًا ما تستكشف منصات AutoML غالبًا العديد من بنيات الكشف عن الكائنات أو نماذج التصنيف.
  • ضبط المعلمات الفائقة: تحسين إعدادات التكوين (المعلمات الفائقة) للنموذج المحدد لتحقيق أفضل أداء. هذه خطوة حاسمة مفصلة في الأدلة الإرشادية الخاصة بضبط المعلمات الفائقة.

فوائد AutoML

يوفر استخدام AutoML العديد من المزايا:

  • زيادة الكفاءة: يعمل على أتمتة المهام المتكررة، مما يقلل بشكل كبير من الوقت اللازم لتطوير نماذج تعلّم الآلة ونشرها.
  • تحسين إمكانية الوصول: تمكين خبراء المجال والمطورين ذوي الخبرة الأقل في مجال التعلم الآلي من الاستفادة من تقنيات النمذجة القوية.
  • أداء محسّن: يمكن استكشاف نطاق أوسع من النماذج والمعلمات الفائقة مقارنةً بالنهج اليدوية، مما قد يؤدي إلى نماذج أكثر دقة وقوة. تعمل منصات مثل Ultralytics HUB على تبسيط عملية التدريب، مما يساهم في تحقيق هذه الكفاءة.
  • الحد من التحيز: يمكن أن تساعد الأتمتة في التخفيف من التحيز البشري في اختيار نموذج الذكاء الاصطناعي وضبطه، على الرغم من أن الإشراف الدقيق لا يزال ضروريًا.

التطبيقات الواقعية

يتم تطبيق AutoML في مختلف الصناعات:

  1. كشف الاحتيال: تستخدم المؤسسات المالية AutoML لإنشاء وتحديث النماذج التي تكتشف المعاملات الاحتيالية بسرعة من خلال اختبار خوارزميات وميزات مختلفة تلقائيًا على بيانات المعاملات. يؤدي ذلك إلى تحسين معدلات الكشف والتكيف مع أنماط الاحتيال الجديدة بشكل أسرع من النمذجة اليدوية.
  2. تحليل الصور الطبية: في مجال الرعاية الصحية، يساعد AutoML في تطوير نماذج لمهام مثل تحليل الصور الطبية، مثل تحديد الأورام أو الحالات الشاذة في صور الأشعة السينية أو التصوير بالرنين المغناطيسي. يستطيع AutoML تحسين نماذج التعلم العميق المعقدة للحصول على دقة عالية.

أدوات ومنصات AutoML

توفر العديد من الأدوات والمنصات إمكانيات AutoML:

التشغيل الأوتوماتيكي مقابل التشغيل الآلي

في حين يركز AutoML على أتمتة عملية بناء النموذج (الاختيار، والتدريب، والضبط)، فإن عمليات تعلّم الآلة (MLOps) تشمل دورة حياة نموذج تعلّم الآلة بالكامل، بما في ذلك النشر، والمراقبة، والإدارة، والحوكمة. يمكن اعتبار AutoML مكونًا ضمن استراتيجية عمليات التعلم الآلي الأوسع نطاقًا، حيث يعمل على تبسيط مرحلة إنشاء النموذج الأولي قبل تسليمه إلى خطوط أنابيب النشر ومراقبة النموذج.

قراءة الكل