Автоматизированное машинное обучение (AutoML)

Как работает AutoML

Системы AutoML автоматизируют наиболее повторяющиеся части конвейера машинного обучения. Типичный процесс AutoML включает в себя несколько ключевых этапов:

• Подготовка данных и создание признаков: Автоматическая очистка исходных данных и создание значимых признаков для модели. Это может включать обработку отсутствующих значений, нормализацию и создание новых прогностических переменных на основе существующих.
• Выбор модели: Выбор наиболее подходящего алгоритма (например, дерева решений, машины векторов поддержки или нейронной сети) для данной задачи из широкого спектра возможных.
• Оптимизация гиперпараметров: Автоматический поиск оптимальных гиперпараметров для выбранной модели. Для этого часто используются сложные стратегии поиска, такие как байесовская оптимизация, поиск по сетке или эволюционные алгоритмы. Ultralytics включает их в свои инструменты для решения таких задач, как настройка гиперпараметров.
• Оценка и итерация модели: Оценка эффективности модели с помощью таких показателей, как точность или F1-score, и итерация процесса для достижения лучших результатов.

Применение в реальном мире

AutoML применяется во многих отраслях промышленности для ускорения разработки и улучшения результатов.

1. ИИ в здравоохранении: В анализе медицинских изображений AutoML может быстро протестировать различные модели сегментации изображений для обнаружения опухолей на сканах. Система может автоматически обучать и оценивать различные архитектуры на наборе данных, например на наборе данных по опухолям головного мозга, что значительно сокращает время, необходимое исследователям для разработки готового к применению диагностического инструмента.
2. Финансовые услуги: Банки используют AutoML для построения моделей обнаружения мошенничества. Подавая данные о транзакциях в платформу AutoML, они могут автоматически генерировать и оптимизировать модели, которые с высокой точностью выявляют мошеннические схемы, что в противном случае потребовало бы больших ручных усилий от специалистов по анализу данных. Подробнее об этом рассказывается в статье "Компьютерное зрение для финансов".

AutoML в сравнении со смежными концепциями

Полезно отличать AutoML от смежных областей:

• AutoML vs. MLOps: Если AutoML нацелен на автоматизацию построения моделей (выбор, обучение, настройка), то Machine Learning Operations (MLOps) охватывает весь жизненный цикл ML. MLOps включает в себя развертывание, мониторинг, управление и контроль, обеспечивая надежную работу моделей в производстве. AutoML часто является компонентом более крупной системы MLOps, упрощая начальный этап разработки до развертывания и мониторинга моделей.
• AutoML vs. NAS: Поиск нейронной архитектуры (NAS) - это подполе AutoML, ориентированное на автоматическое проектирование архитектуры нейронных сетей. В то время как NAS автоматизирует проектирование сетей, более широкие инструменты AutoML могут также автоматизировать разработку функций и настройку гиперпараметров для различных типов моделей, а не только для NN.

Инструменты и платформы AutoML

Многочисленные инструменты и платформы облегчают работу с AutoML:

• Облачные платформы: Крупнейшие поставщики предлагают интегрированные сервисы AutoML, такие как Google Cloud AutoML, Amazon SageMaker Autopilot и Microsoft Azure Machine Learning. Они используют масштабируемые облачные вычислительные ресурсы. Ultralytics также предлагает облачное обучение Ultralytics HUB.
• Библиотеки с открытым исходным кодом: К популярным библиотекам относятся Auto-sklearn (на основе scikit-learn), TPOT (использует генетическое программирование) и H2O AutoML. Такие фреймворки, как PyTorch и TensorFlow, обеспечивают базовую инфраструктуру для многих задач ML, включая те, которые автоматизируют инструменты AutoML.
• Интегрированные платформы: Ultralytics HUB включает в себя функции AutoML, в частности, для настройки гиперпараметров, что упрощает процесс обучения пользовательских моделей для таких задач, как обнаружение объектов.