自動機械学習（AutoML）は、実世界の問題に機械学習（ML）を適用するエンドツーエンドのパイプラインを自動化するプロセスを表しています。AutoMLの主な目標は、MLモデルの開発を簡素化・高速化し、データサイエンスやMLに関する深い専門知識を持たない人でも高度なテクニックにアクセスできるようにすることです。AutoMLは、反復的で時間のかかる作業を自動化することで、開発者や研究者がより効率的に高性能なモデルを構築できるようにし、手作業による大規模な設定や実験の必要性を低減します。この自動化は、生データの準備から最適化されたモデルの展開まで、様々な段階をカバーしています。
AutoMLの主な自動化タスク
AutoMLシステムは、典型的なMLワークフローのいくつかのコアコンポーネントを自動化する：
AutoMLの利点
AutoMLを採用することで、大きなメリットが得られる：
- 効率性：MLモデルの開発と微調整に必要な時間と計算リソースを大幅に削減。
- アクセシビリティ：MLへの参入障壁を下げ、ML経験の少ないドメインエキスパートや開発者が強力な予測機能を活用できるようにします。Ultralytics HUBは、このプロセスをさらに簡素化することを目指しています。
- パフォーマンス：多くの場合、膨大な探索空間を探索することで、高い精度とロバスト性を達成するモデルや構成を特定し、時には手動で設計したモデルを凌駕することもある。
- バイアスの軽減：モデルの選択とチューニングを自動化することで、AutoMLは、データセットのバイアスに関する慎重な監視が重要であることに変わりはないが、手作業による選択から生じる可能性のあるAIにおける人間のバイアスを軽減するのに役立つ。
実世界での応用
AutoMLは様々な分野に応用されている：
AutoMLと関連概念
AutoMLを関連分野と区別することは有益である：
- AutoMLとMLOpsの比較：AutoMLがモデル構築（選択、トレーニング、チューニング）の自動化に特化しているのに対し、機械学習オペレーション（MLOps）はMLのライフサイクル全体をカバーする。MLOpsには、デプロイメント、モニタリング、管理、ガバナンスが含まれ、モデルが本番環境で確実に動作することを保証します。AutoMLは多くの場合、より大規模なMLOpsフレームワーク内のコンポーネントであり、モデルのデプロイと モデル監視の前の初期開発フェーズを効率化します。
- AutoMLとNASの比較： ニューラル・アーキテクチャ・サーチ（NAS）は、ニューラルネットワーク（NN）のアーキテクチャを自動的に設計することに特化したAutoMLのサブ分野です。NASがネットワーク設計を自動化するのに対し、より広範なAutoMLツールは、NNだけでなく様々なタイプのモデルの特徴エンジニアリングとハイパーパラメータのチューニングも自動化します。
AutoMLツールとプラットフォーム
AutoMLを容易にするツールやプラットフォームは数多くある：
JA
EN
ZH
KO
RU
DE
FR
ES
PT
IT
AR
TR
VI
