A Aprendizagem Automática de Máquinas (AutoML) representa o processo de automatização do pipeline de ponta a ponta da aplicação da Aprendizagem Automática (ML) a problemas do mundo real. O principal objetivo do AutoML é simplificar e acelerar o desenvolvimento de modelos de ML, tornando as técnicas avançadas acessíveis mesmo para quem não tem conhecimentos profundos em ciência de dados ou ML. Ao automatizar tarefas repetitivas e demoradas, o AutoML permite que os programadores e investigadores criem modelos de elevado desempenho de forma mais eficiente, reduzindo a necessidade de configuração e experimentação manuais extensivas. Esta automatização abrange várias fases, desde a preparação de dados em bruto até à implementação de modelos optimizados.
Principais tarefas automatizadas no AutoML
Os sistemas AutoML automatizam vários componentes essenciais do fluxo de trabalho típico de ML:
- Pré-processamento de dados: Trata automaticamente tarefas como a limpeza de dados, a gestão de valores em falta, a conversão de tipos de dados e a aplicação de técnicas como a normalização ou a padronização para preparar dados de treino para modelação.
- Engenharia de caraterísticas: Automatização da criação, seleção e transformação de caraterísticas de entrada para melhorar o desempenho do modelo. Pode envolver técnicas abordadas nos conceitos de engenharia de caraterísticas.
- Seleção de modelos: Escolhe automaticamente o melhor tipo de modelo (por exemplo, árvores de decisão, redes neurais, SVMs) para uma determinada tarefa e conjunto de dados a partir de uma série de possibilidades, incluindo arquitecturas de deteção de objectos como Ultralytics YOLO.
- Ajuste de hiperparâmetros: Otimização dos hiperparâmetros do modelo (por exemplo, taxa de aprendizagem, tamanho do lote) utilizando técnicas como a pesquisa em grelha, pesquisa aleatória ou métodos mais avançados como a otimização Bayesiana para atingir o desempenho máximo.
Benefícios do AutoML
A adoção da AutoML oferece vantagens significativas:
- Eficiência: Reduz drasticamente o tempo e os recursos computacionais necessários para desenvolver e ajustar os modelos de ML.
- Acessibilidade: Diminui a barreira de entrada para o ML, permitindo que especialistas em domínios e desenvolvedores com menos experiência em ML aproveitem recursos preditivos poderosos. OUltralytics HUB tem como objetivo simplificar ainda mais este processo.
- Desempenho: Identifica frequentemente modelos e configurações que atingem uma elevada precisão e robustez, por vezes ultrapassando os modelos concebidos manualmente através da exploração de um vasto espaço de pesquisa.
- Redução do enviesamento: Ao automatizar a seleção e a afinação do modelo, o AutoML pode ajudar a atenuar o enviesamento humano na IA que pode surgir das escolhas manuais, embora continue a ser crucial uma supervisão cuidadosa relativamente ao enviesamento do conjunto de dados.
Aplicações no mundo real
O AutoML encontra aplicações em diversos sectores:
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, monitorização, gestão e governação, garantindo que os modelos funcionam de forma fiável na produção. O AutoML é muitas vezes um componente dentro de uma estrutura maior de MLOps, 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 (NN). Enquanto o NAS automatiza o projeto da rede, 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.
PT
EN
ZH
KO
JA
RU
DE
FR
ES
IT
AR
TR
VI
