Aprendizaje automático de máquinas (AutoML)

Tareas automatizadas clave en AutoML

Los sistemas AutoML suelen automatizar varios pasos críticos del flujo de trabajo del aprendizaje automático:

• Preprocesamiento de datos: Tratar los valores que faltan, escalar las características y realizar las transformaciones necesarias en los datos de entrenamiento. Esto garantiza que los datos son adecuados para el entrenamiento del modelo. Las técnicas como la normalización suelen estar automatizadas.
• Ingeniería de rasgos: Creación automática de nuevas características a partir de las existentes o selección de las más relevantes para mejorar el rendimiento del modelo. Esto puede implicar técnicas cubiertas en los conceptos de ingeniería de características.
• Selección del modelo: Elección del mejor algoritmo (por ejemplo, árboles de decisión, redes neuronales como Ultralytics YOLOo máquinas de vectores de soporte) para una tarea y un conjunto de datos determinados. Las plataformas AutoML suelen explorar varias arquitecturas de detección de objetos o modelos de clasificación.
• Ajuste de hiperparámetros: Optimizar los ajustes de configuración (hiperparámetros) del modelo seleccionado para conseguir el mejor rendimiento. Se trata de un paso crucial que se detalla en las guías sobre el ajuste de hiperparámetros.

Ventajas de AutoML

Utilizar AutoML ofrece varias ventajas:

• Mayor eficacia: Automatiza las tareas repetitivas, reduciendo significativamente el tiempo necesario para desarrollar y desplegar modelos ML.
• Accesibilidad mejorada: Permite a los expertos del dominio y a los desarrolladores con menos experiencia en ML aprovechar las potentes técnicas de modelado.
• Rendimiento mejorado: Puede explorar una gama más amplia de modelos e hiperparámetros que los enfoques manuales, lo que puede conducir a modelos más precisos y robustos. Plataformas como Ultralytics HUB simplifican el proceso de entrenamiento, contribuyendo a esta eficacia.
• Reducción del sesgo: La automatización puede ayudar a mitigar el sesgo humano en la selección y ajuste del modelo de IA, aunque sigue siendo necesaria una supervisión cuidadosa.

Aplicaciones en el mundo real

AutoML se aplica en varios sectores:

1. Detección de fraudes: Las instituciones financieras utilizan AutoML para construir y actualizar rápidamente modelos que detectan transacciones fraudulentas probando automáticamente diferentes algoritmos y características en los datos de las transacciones. Esto mejora los índices de detección y se adapta a nuevos patrones de fraude más rápidamente que el modelado manual.
2. Análisis de imágenes médicas: En sanidad, AutoML ayuda a desarrollar modelos para tareas como el análisis de imágenes médicas, como la identificación de tumores o anomalías en radiografías o resonancias magnéticas. AutoML puede optimizar modelos complejos de aprendizaje profundo para obtener una gran precisión.

Herramientas y plataformas AutoML

Varias herramientas y plataformas ofrecen funciones AutoML:

• Plataformas en la nube: Servicios como Google Cloud AutoML, Amazon SageMaker Autopilot y Microsoft Azure Machine Learning ofrecen soluciones AutoML completas integradas en sus entornos de computación en la nube. Ultralytics HUB Cloud Training también ofrece opciones simplificadas de formación en la nube.
• Bibliotecas de código abierto: Bibliotecas como Auto-sklearn, TPOT y H2O AutoML ofrecen funcionalidades AutoML flexibles dentro de entornos Python .

AutoML vs. MLOps

Mientras que AutoML se centra en la automatización del proceso de creación de modelos (selección, entrenamiento, ajuste), Machine Learning Operations (MLOps) abarca todo el ciclo de vida de un modelo ML, incluidos el despliegue, la supervisión, la gestión y la gobernanza. AutoML puede considerarse un componente dentro de una estrategia MLOps más amplia, que agiliza la fase inicial de creación de modelos antes de pasar a los conductos de despliegue y supervisión de modelos.