Apprendimento automatico della macchina (AutoML)

Come funziona AutoML

I sistemi AutoML automatizzano le parti più ripetitive della pipeline di apprendimento automatico. Un tipico processo AutoML prevede diverse fasi chiave:

• Preparazione dei dati e ingegneria delle caratteristiche: Pulizia automatica dei dati grezzi e generazione di caratteristiche significative per il modello. Ciò può includere la gestione dei valori mancanti, la normalizzazione e la creazione di nuove variabili predittive da quelle esistenti.
• Selezione del modello: Scelta dell'algoritmo più adatto (ad esempio, albero decisionale, macchina a vettori di supporto o rete neurale) per un determinato problema tra un'ampia gamma di possibilità.
• Ottimizzazione degli iperparametri: Trovare automaticamente gli iperparametri ottimali per il modello selezionato. Spesso si ricorre a strategie di ricerca sofisticate come l'ottimizzazione bayesiana, la ricerca a griglia o gli algoritmi evolutivi. Ultralytics incorpora questo aspetto nei suoi strumenti per attività come la regolazione degli iperparametri.
• Valutazione e iterazione del modello: Valutazione delle prestazioni del modello utilizzando metriche come l'accuratezza o il punteggio F1 e iterazione del processo per ottenere risultati migliori.

Applicazioni del mondo reale

L'AutoML viene applicato in numerosi settori per accelerare lo sviluppo e migliorare i risultati.

1. L'intelligenza artificiale nell'assistenza sanitaria: Nell'analisi delle immagini mediche, AutoML può testare rapidamente diversi modelli di segmentazione delle immagini per individuare i tumori nelle scansioni. Un sistema potrebbe addestrare e valutare automaticamente diverse architetture su un set di dati come quello dei tumori cerebrali, riducendo in modo significativo il tempo necessario ai ricercatori per sviluppare uno strumento diagnostico utilizzabile.
2. Servizi finanziari: Le banche utilizzano AutoML per costruire modelli di rilevamento delle frodi. Inserendo i dati storici delle transazioni in una piattaforma AutoML, possono generare e ottimizzare automaticamente modelli che identificano modelli di frode con alta precisione, un compito che altrimenti richiederebbe un grande sforzo manuale da parte dei data scientist. Questo aspetto viene approfondito in Computer Vision for Finance.

AutoML e concetti correlati

È utile distinguere l'AutoML dai campi correlati:

• AutoML vs. MLOps: mentre AutoML si rivolge specificamente all'automazione della creazione di modelli (selezione, formazione, messa a punto), Machine Learning Operations (MLOps) copre l'intero ciclo di vita del ML. Le MLOps comprendono la distribuzione, il monitoraggio, la gestione e la governance, per garantire che i modelli funzionino in modo affidabile in produzione. AutoML è spesso un componente di un framework MLOps più ampio, che semplifica la fase di sviluppo iniziale prima della distribuzione e del monitoraggio dei modelli.
• AutoML vs. NAS: Neural Architecture Search (NAS) è un sottocampo di AutoML incentrato specificamente sulla progettazione automatica dell'architettura delle reti neurali. Mentre NAS automatizza la progettazione della rete, gli strumenti AutoML più ampi possono automatizzare anche l'ingegnerizzazione delle caratteristiche e la regolazione degli iperparametri per vari tipi di modelli, non solo per le reti neurali.

Strumenti e piattaforme AutoML

Numerosi strumenti e piattaforme facilitano l'AutoML:

• Piattaforme cloud: I principali fornitori offrono servizi AutoML integrati, come Google Cloud AutoML, Amazon SageMaker Autopilot e Microsoft Azure Machine Learning. Questi sfruttano risorse scalabili di cloud computing. Ultralytics offre anche Ultralytics HUB Cloud Training.
• Librerie open source: Le librerie più diffuse sono Auto-sklearn (basata su scikit-learn), TPOT (che utilizza la programmazione genetica) e H2O AutoML. Framework come PyTorch e TensorFlow forniscono l'infrastruttura di base per molte attività di ML, comprese quelle automatizzate dagli strumenti AutoML.
• Piattaforme integrate: Ultralytics HUB incorpora le funzionalità di AutoML, in particolare per la regolazione degli iperparametri, semplificando il processo di formazione di modelli personalizzati per attività come il rilevamento di oggetti.