Aprendizagem automática de máquinas (AutoML)

Principais tarefas automatizadas no AutoML

Os sistemas AutoML automatizam normalmente vários passos críticos no fluxo de trabalho da aprendizagem automática:

• Pré-processamento de dados: Trata os valores em falta, dimensiona as caraterísticas e efectua as transformações necessárias nos dados de treino. Isto garante que os dados são adequados para o treino do modelo. Técnicas como a normalização são frequentemente automatizadas.
• Engenharia de caraterísticas: Cria automaticamente novas caraterísticas a partir das existentes ou seleciona as caraterísticas mais relevantes para melhorar o desempenho do modelo. Isto pode envolver técnicas abrangidas pelos conceitos de engenharia de caraterísticas.
• Seleção de modelos: Escolher o melhor algoritmo (por exemplo, árvores de decisão, redes neurais como Ultralytics YOLOou máquinas de vectores de suporte) para uma determinada tarefa e conjunto de dados. As plataformas AutoML exploram frequentemente várias arquitecturas de deteção de objectos ou modelos de classificação.
• Ajuste de hiperparâmetros: Optimiza as definições de configuração (hiperparâmetros) do modelo selecionado para obter o melhor desempenho. Esta é uma etapa crucial detalhada nos guias sobre ajuste de hiperparâmetros.

Benefícios do AutoML

A utilização da AutoML oferece várias vantagens:

• Aumenta a eficiência: Automatiza as tarefas repetitivas, reduzindo significativamente o tempo necessário para desenvolver e implementar modelos de ML.
• Acessibilidade melhorada: Permite que especialistas em domínios e desenvolvedores com menos experiência em ML aproveitem técnicas de modelagem poderosas.
• Desempenho melhorado: Pode explorar uma gama mais ampla de modelos e hiperparâmetros do que as abordagens manuais, potencialmente levando a modelos mais precisos e robustos. Plataformas como o Ultralytics HUB simplificam o processo de treinamento, contribuindo para essa eficiência.
• Redução do enviesamento: A automatização pode ajudar a atenuar o enviesamento humano na seleção e afinação de modelos de IA, embora continue a ser necessária uma supervisão cuidadosa.

Aplicações no mundo real

O AutoML é aplicado em várias indústrias:

1. Deteção de fraudes: As instituições financeiras utilizam o AutoML para criar e atualizar rapidamente modelos que detectam transacções fraudulentas, testando automaticamente diferentes algoritmos e caraterísticas nos dados das transacções. Isto melhora as taxas de deteção e adapta-se a novos padrões de fraude mais rapidamente do que a modelação manual.
2. Análise de imagens médicas: Na área da saúde, o AutoML ajuda a desenvolver modelos para tarefas como a análise de imagens médicas, como a identificação de tumores ou anomalias em raios X ou ressonâncias magnéticas. O AutoML pode otimizar modelos complexos de aprendizagem profunda para obter alta precisão.

Ferramentas e plataformas AutoML

Várias ferramentas e plataformas oferecem capacidades de AutoML:

• Plataformas de nuvem: Serviços como o Google Cloud AutoML, o Amazon SageMaker Autopilot e oMicrosoft Azure Machine Learning oferecem soluções abrangentes de AutoML integradas nos seus ambientes de computação em nuvem. OUltralytics HUB Cloud Training também oferece opções de formação simplificadas baseadas na nuvem.
• Bibliotecas de código aberto: Bibliotecas como a Auto-sklearn, TPOT e H2O AutoML oferecem funcionalidades flexíveis de AutoML em ambientes Python .

AutoML vs. MLOps

Enquanto o AutoML se concentra na automatização do processo de criação de modelos (seleção, formação, afinação), as operações de aprendizagem automática (MLOps) abrangem todo o ciclo de vida de um modelo de ML, incluindo a implementação, a monitorização, a gestão e a governação. O AutoML pode ser considerado um componente dentro de uma estratégia mais ampla de MLOps, simplificando a fase inicial de criação do modelo antes de passar para os pipelines de implantação e monitoramento do modelo.