Aprendizagem automática de máquinas (AutoML)

Como funciona o AutoML

Os sistemas AutoML automatizam as partes mais repetitivas do pipeline de aprendizagem automática. Um processo típico de AutoML envolve várias etapas principais:

• Preparação de dados e engenharia de caraterísticas: Limpeza automática de dados brutos e geração de caraterísticas significativas para o modelo. Isto pode incluir o tratamento de valores em falta, normalização e criação de novas variáveis preditivas a partir de variáveis existentes.
• Seleção de modelos: Escolher o algoritmo mais adequado (por exemplo, árvore de decisão, máquina de vectores de suporte ou uma rede neural) para um determinado problema a partir de um vasto leque de possibilidades.
• Otimização de hiperparâmetros: Encontrar automaticamente os hiperparâmetros óptimos para o modelo selecionado. Isto é frequentemente feito utilizando estratégias de pesquisa sofisticadas, como a otimização Bayesiana, a pesquisa em grelha ou os algoritmos evolutivos. O Ultralytics incorpora isto nas suas ferramentas para tarefas como a afinação de hiperparâmetros.
• Avaliação e iteração do modelo: Avaliar o desempenho do modelo utilizando métricas como a exatidão ou a pontuação F1 e iterar através do processo para obter melhores resultados.

Aplicações no mundo real

O AutoML está a ser aplicado em várias indústrias para acelerar o desenvolvimento e melhorar os resultados.

1. IA nos cuidados de saúde: Na análise de imagens médicas, o AutoML pode testar rapidamente diferentes modelos de segmentação de imagens para detetar tumores em exames. Um sistema poderia treinar e avaliar automaticamente várias arquitecturas num conjunto de dados como o conjunto de dados de tumores cerebrais, reduzindo significativamente o tempo necessário para os investigadores desenvolverem uma ferramenta de diagnóstico implementável.
2. Serviços financeiros: Os bancos utilizam o AutoML para criar modelos de deteção de fraudes. Ao alimentar uma plataforma AutoML com dados históricos de transacções, podem gerar e otimizar automaticamente modelos que identificam padrões fraudulentos com elevada precisão, uma tarefa que, de outra forma, exigiria um grande esforço manual por parte dos cientistas de dados. Esta questão é explorada mais pormenorizadamente em Visão computacional para finanças.

AutoML vs. Conceitos relacionados

É útil distinguir a AutoML de campos relacionados:

• AutoML vs. MLOps: Enquanto o AutoML visa especificamente a automatização da criação de modelos (seleção, formação, afinação), as Operações de Aprendizagem Automática (MLOps) abrangem todo o ciclo de vida do ML. O MLOps inclui a implementação, a monitorização, a gestão e a governação, garantindo que os modelos funcionam de forma fiável na produção. O AutoML é frequentemente um componente dentro de uma estrutura MLOps maior, simplificando a fase inicial de desenvolvimento antes da implantação e monitoramento do modelo.
• AutoML vs. NAS: A Pesquisa de Arquitetura Neural (NAS) é um subcampo do AutoML que se centra especificamente na conceção automática da arquitetura das redes neuronais. Enquanto o NAS automatiza o projeto de redes, as ferramentas mais amplas do AutoML também podem automatizar a engenharia de recursos e o ajuste de hiperparâmetros para vários tipos de modelos, não apenas NNs.

Ferramentas e plataformas AutoML

Existem inúmeras ferramentas e plataformas que facilitam o AutoML:

• Plataformas de nuvem: Os principais fornecedores oferecem serviços integrados de AutoML, como o Google Cloud AutoML, o Amazon SageMaker Autopilot e o Microsoft Azure Machine Learning. Estes serviços tiram partido de recursos de computação em nuvem escaláveis. A Ultralytics também oferece o Ultralytics HUB Cloud Training.
• Bibliotecas de código aberto: As bibliotecas populares incluem Auto-sklearn (baseada no scikit-learn), TPOT (que utiliza programação genética) e H2O AutoML. Estruturas como PyTorch e TensorFlow fornecem a infraestrutura subjacente para muitas tarefas de ML, incluindo as automatizadas por ferramentas AutoML.
• Plataformas integradas: O Ultralytics HUB incorpora as funcionalidades do AutoML, nomeadamente para a afinação de hiperparâmetros, simplificando o processo de formação de modelos personalizados para tarefas como a deteção de objectos.