Glossaire

Apprentissage automatique de la machine (AutoML)

Rationalise les projets d'apprentissage automatique avec AutoML ! Automatise la préparation des données, la sélection des modèles et le réglage pour gagner du temps et rendre l'IA accessible à tous.

Entraîne les modèles YOLO simplement
avec Ultralytics HUB

En savoir plus

L'apprentissage automatique (AutoML) représente le processus d'automatisation du pipeline de bout en bout de l'application de l'apprentissage automatique (ML) aux problèmes du monde réel. L'objectif principal d'AutoML est de simplifier et d'accélérer le développement de modèles ML, en rendant les techniques avancées accessibles même à ceux qui n'ont pas d'expertise approfondie en science des données ou en ML. En automatisant les tâches répétitives et chronophages, AutoML permet aux développeurs et aux chercheurs de construire des modèles très performants plus efficacement, en réduisant la nécessité d'une configuration et d'une expérimentation manuelles approfondies. Cette automatisation couvre différentes étapes, de la préparation des données brutes au déploiement de modèles optimisés.

Principales tâches automatisées dans AutoML

Les systèmes AutoML automatisent plusieurs composants essentiels du flux de travail typique de la ML :

Avantages d'AutoML

L'adoption d'AutoML offre des avantages considérables :

  • Efficacité : Réduit considérablement le temps et les ressources informatiques nécessaires pour développer et affiner les modèles ML.
  • Accessibilité : Abaisse la barrière à l'entrée de la ML, permettant aux experts du domaine et aux développeurs ayant moins d'expérience en ML d'exploiter de puissantes capacités prédictives. Ultralytics HUB vise à simplifier davantage ce processus.
  • Performance : Identifie souvent des modèles et des configurations qui atteignent une grande précision et une grande robustesse, dépassant parfois les modèles conçus manuellement en explorant un vaste espace de recherche.
  • Réduction des biais : en automatisant la sélection et le réglage des modèles, AutoML peut contribuer à atténuer les biais humains dans l'IA qui pourraient résulter de choix manuels, bien qu'une surveillance attentive concernant les biais des ensembles de données soit toujours cruciale.

Applications dans le monde réel

AutoML trouve des applications dans divers secteurs :

AutoML vs. concepts apparentés

Il est utile de distinguer AutoML des domaines connexes :

  • AutoML vs. MLOps : Alors qu'AutoML cible spécifiquement l'automatisation de la construction de modèles (sélection, formation, réglage), Machine Learning Operations (MLOps) couvre l'ensemble du cycle de vie de l'apprentissage automatique. MLOps comprend le déploiement, la surveillance, la gestion et la gouvernance, garantissant que les modèles fonctionnent de manière fiable en production. AutoML est souvent un composant au sein d'un cadre MLOps plus large, rationalisant la phase de développement initiale avant le déploiement et la surveillance des modèles.
  • AutoML vs. NAS : La recherche d'architecture neuronale (NAS) est un sous-domaine d'AutoML qui se concentre spécifiquement sur la conception automatique de l'architecture des réseaux neuronaux (NN). Alors que NAS automatise la conception de réseaux, des outils AutoML plus larges peuvent également automatiser l'ingénierie des caractéristiques et le réglage des hyperparamètres pour divers types de modèles, et pas seulement pour les réseaux neuronaux.

Outils et plates-formes AutoML

De nombreux outils et plates-formes facilitent l'utilisation d'AutoML :

Tout lire