Glossar

Automatisiertes maschinelles Lernen (AutoML)

Rationalisiere Projekte zum maschinellen Lernen mit AutoML! Automatisiere die Datenvorbereitung, Modellauswahl und -optimierung, um Zeit zu sparen und KI für alle zugänglich zu machen.

Trainiere YOLO Modelle einfach
mit Ultralytics HUB

Mehr erfahren

Automatisiertes maschinelles Lernen (Automated Machine Learning, AutoML) ist ein Prozess, der die gesamte Pipeline der Anwendung von maschinellem Lernen (ML) auf reale Probleme automatisiert. Das Hauptziel von AutoML ist es, die Entwicklung von ML-Modellen zu vereinfachen und zu beschleunigen und fortgeschrittene Techniken auch für diejenigen zugänglich zu machen, die keine tiefgreifenden Kenntnisse in Data Science oder ML haben. Durch die Automatisierung sich wiederholender und zeitaufwändiger Aufgaben ermöglicht AutoML Entwicklern und Forschern, leistungsfähige Modelle effizienter zu erstellen und den Bedarf an umfangreichen manuellen Konfigurationen und Experimenten zu reduzieren. Diese Automatisierung umfasst verschiedene Stufen, von der Aufbereitung der Rohdaten bis zur Bereitstellung optimierter Modelle.

Wichtige automatisierte Aufgaben in AutoML

AutoML-Systeme automatisieren mehrere Kernkomponenten des typischen ML-Workflows:

Vorteile von AutoML

Die Einführung von AutoML bietet erhebliche Vorteile:

  • Effizienz: Der Zeit- und Rechenaufwand für die Entwicklung und Feinabstimmung von ML-Modellen wird drastisch reduziert.
  • Zugänglichkeit: Die Einstiegshürde für ML wird gesenkt, so dass auch Fachleute und Entwickler mit weniger ML-Erfahrung leistungsstarke Vorhersagefunktionen nutzen können. Ultralytics HUB zielt darauf ab, diesen Prozess weiter zu vereinfachen.
  • Leistung: Identifiziert oft Modelle und Konfigurationen, die eine hohe Genauigkeit und Robustheit erreichen und manchmal sogar die manuell entwickelten Modelle übertreffen, indem sie einen riesigen Suchraum erkunden.
  • Geringere Verzerrungen: Durch die Automatisierung der Modellauswahl und -abstimmung kann AutoML dazu beitragen, menschliche Verzerrungen in der KI, die durch manuelle Entscheidungen entstehen können, zu verringern, auch wenn eine sorgfältige Überwachung der Verzerrungen in den Datensätzen immer noch wichtig ist.

Anwendungen in der realen Welt

AutoML findet in vielen verschiedenen Bereichen Anwendung:

AutoML vs. Verwandte Konzepte

Es ist hilfreich, AutoML von verwandten Bereichen zu unterscheiden:

  • AutoML vs. MLOps: Während AutoML speziell auf die Automatisierung der Modellerstellung (Auswahl, Training, Tuning) abzielt, deckt Machine Learning Operations (MLOps) den gesamten ML-Lebenszyklus ab. MLOps umfasst die Bereitstellung, Überwachung, Verwaltung und Steuerung und stellt sicher, dass die Modelle in der Produktion zuverlässig funktionieren. AutoML ist oft eine Komponente in einem größeren MLOps-Framework, das die anfängliche Entwicklungsphase vor der Modellbereitstellung und -überwachung rationalisiert.
  • AutoML vs. NAS: Neural Architecture Search (NAS) ist ein Teilbereich von AutoML, der sich speziell auf den automatischen Entwurf der Architektur von neuronalen Netzen (NN) konzentriert. Während NAS den Entwurf von Netzen automatisiert, können umfassendere AutoML-Tools auch das Feature-Engineering und die Abstimmung von Hyperparametern für verschiedene Modelltypen automatisieren, nicht nur für NNs.

AutoML Tools und Plattformen

Zahlreiche Tools und Plattformen erleichtern AutoML:

Alles lesen