Автоматизированное машинное обучение (AutoML)

Основные автоматизированные задачи в AutoML

Системы AutoML обычно автоматизируют несколько важнейших этапов рабочего процесса машинного обучения:

• Предварительная обработка данных: Обработка недостающих значений, масштабирование признаков и выполнение необходимых преобразований в тренировочных данных. Это гарантирует, что данные подходят для обучения модели. Такие техники, как нормализация, часто автоматизируются.
• Feature Engineering: Автоматическое создание новых признаков на основе существующих или отбор наиболее подходящих признаков для улучшения работы модели. Для этого могут использоваться техники, описанные в концепциях инженерии признаков.
• Выбор модели: Выбор наилучшего алгоритма (например, деревьев решений, нейронных сетей, таких как Ultralytics YOLOили машины опорных векторов) для конкретной задачи и набора данных. Платформы AutoML часто исследуют различные архитектуры обнаружения объектов или модели классификации.
• Настройка гиперпараметров: Оптимизация параметров конфигурации (гиперпараметров) выбранной модели для достижения наилучшей производительности. Это важнейший шаг, подробно описанный в руководствах по настройке гиперпараметров.

Преимущества AutoML

Использование AutoML дает несколько преимуществ:

• Повышение эффективности: Автоматизирует повторяющиеся задачи, значительно сокращая время, необходимое для разработки и развертывания ML-моделей.
• Улучшенная доступность: Позволяет экспертам и разработчикам, не обладающим большим опытом в области ML, использовать мощные методы моделирования.
• Повышенная производительность: Можно исследовать более широкий диапазон моделей и гиперпараметров, чем при ручном подходе, что потенциально может привести к созданию более точных и надежных моделей. Платформы вроде Ultralytics HUB упрощают процесс обучения, способствуя повышению эффективности.
• Снижение предвзятости: автоматизация может помочь смягчить человеческую предвзятость при выборе и настройке моделей ИИ, хотя тщательный надзор все равно необходим.

Применение в реальном мире

AutoML применяется в различных отраслях промышленности:

1. Обнаружение мошенничества: Финансовые организации используют AutoML для быстрого построения и обновления моделей, выявляющих мошеннические операции, путем автоматического тестирования различных алгоритмов и функций на данных о транзакциях. Это повышает процент обнаружения и адаптируется к новым моделям мошенничества быстрее, чем ручное моделирование.
2. Анализ медицинских изображений: В здравоохранении AutoML помогает разрабатывать модели для таких задач, как анализ медицинских изображений, например для выявления опухолей или аномалий на рентгеновских или магнитно-резонансных снимках. AutoML может оптимизировать сложные модели глубокого обучения для достижения высокой точности.

Инструменты и платформы AutoML

Несколько инструментов и платформ предоставляют возможности AutoML:

• Облачные платформы: Такие сервисы, как Google Cloud AutoML, Amazon SageMaker Autopilot и Microsoft Azure Machine Learning, предлагают комплексные решения AutoML, интегрированные в их облачные вычислительные среды. Ultralytics HUB Cloud Training также предлагает упрощенные варианты облачного обучения.
• Библиотеки с открытым исходным кодом: Такие библиотеки, как Auto-sklearn, TPOT и H2O AutoML, предлагают гибкий функционал AutoML в среде Python .

AutoML против MLOps

В то время как AutoML фокусируется на автоматизации процесса создания модели (выбор, обучение, настройка), Machine Learning Operations (MLOps) охватывает весь жизненный цикл ML-модели, включая развертывание, мониторинг, управление и руководство. AutoML можно рассматривать как компонент более широкой стратегии MLOps, оптимизирующий начальный этап создания модели, а затем передающий его конвейерам развертывания и мониторинга моделей.