يمثل التعلُّم الآلي الآلي (AutoML) عملية أتمتة خط أنابيب تطبيق التعلُّم الآلي (ML) على مشاكل العالم الحقيقي. يتمثل الهدف الأساسي من AutoML في تبسيط وتسريع عملية تطوير نماذج التعلم الآلي وتسريعها، مما يجعل التقنيات المتقدمة في متناول حتى أولئك الذين ليس لديهم خبرة عميقة في علوم البيانات أو التعلم الآلي. من خلال أتمتة المهام المتكررة والمستهلكة للوقت، يُمكّن AutoML المطورين والباحثين من بناء نماذج عالية الأداء بكفاءة أكبر، مما يقلل من الحاجة إلى التكوين والتجريب اليدوي المكثف. تغطي هذه الأتمتة مراحل مختلفة، بدءًا من إعداد البيانات الخام إلى نشر النماذج المحسّنة.
المهام الآلية الرئيسية في AutoML
تعمل أنظمة AutoML على أتمتة العديد من المكونات الأساسية لسير العمل النموذجي لتعلم الآلة:
فوائد AutoML
يوفر اعتماد AutoML التلقائي مزايا كبيرة:
- الكفاءة: يقلل بشكل كبير من الوقت والموارد الحاسوبية اللازمة لتطوير نماذج تعلّم الآلة وضبطها.
- سهولة الوصول: يقلل من عائق الدخول إلى التعلم الآلي، مما يسمح لخبراء المجال والمطورين ذوي الخبرة الأقل في مجال التعلم الآلي بالاستفادة من القدرات التنبؤية القوية. يهدف Ultralytics HUB إلى تبسيط هذه العملية بشكل أكبر.
- الأداء: غالبًا ما تحدد النماذج والتكوينات التي تحقق دقة ومتانة عالية، وتتفوق أحيانًا على النماذج المصممة يدويًا من خلال استكشاف مساحة بحث واسعة.
- الحد من التحيز: من خلال أتمتة اختيار النموذج وضبطه، يمكن أن يساعد AutoML في الحد من التحيز البشري في الذكاء الاصطناعي الذي قد ينشأ عن الاختيارات اليدوية، على الرغم من أن الإشراف الدقيق على تحيز مجموعة البيانات لا يزال أمرًا بالغ الأهمية.
التطبيقات الواقعية
يجد AutoML تطبيقات في قطاعات متنوعة:
تعلم الآلي التلقائي مقابل المفاهيم ذات الصلة
من المفيد تمييز AutoML عن المجالات ذات الصلة:
- AutoML مقابل MLOps: بينما يستهدف AutoML على وجه التحديد أتمتة بناء النماذج (الاختيار، والتدريب، والضبط)، فإن عمليات تعلّم الآلة (MLOps) تغطي دورة حياة تعلّم الآلة بأكملها. تتضمن عمليات التعلم الآلي النشر، والمراقبة، والإدارة، والحوكمة، مما يضمن تشغيل النماذج بشكل موثوق في الإنتاج. غالبًا ما يكون التعلم الآلي التلقائي للتعلم الآلي مكونًا ضمن إطار عمل أكبر لعمليات التعلم الآلي الآلي، مما يبسط مرحلة التطوير الأولية قبل نشر النموذج ومراقبة النموذج.
- AutoML مقابل NAS: البحث عن البنية العصبية (NAS) هو مجال فرعي من AutoML يركز بشكل خاص على تصميم بنية الشبكات العصبية (NN) بشكل آلي. بينما تقوم NAS بأتمتة تصميم الشبكات، فإن أدوات AutoML الأوسع نطاقًا قد تقوم أيضًا بأتمتة هندسة الميزات وضبط المعلمات الفائقة لأنواع مختلفة من النماذج، وليس فقط الشبكات العصبية.
أدوات ومنصات AutoML
هناك العديد من الأدوات والمنصات التي تسهّل عملية AutoML: