التعلم الآلي الآلي (AutoML)
تبسيط مشاريع التعلم الآلي باستخدام AutoML! قم بأتمتة إعداد البيانات واختيار النماذج وضبطها لتوفير الوقت وإتاحة الذكاء الاصطناعي للجميع.
التعلُّم الآلي الآلي (AutoML) هو عملية أتمتة المهام التكرارية المستهلكة للوقت في تطوير نماذج التعلُّم الآلي. يهدف إلى جعل نماذج التعلم الآلي عالية الأداء في متناول غير الخبراء وزيادة إنتاجية علماء البيانات من خلال أتمتة اختيار الميزات والخوارزميات والمعلمات. من خلال التعامل مع المهام بدءًا من المعالجة المسبقة للبيانات وحتى نشر النماذج، يعمل AutoML على تبسيط سير العمل بالكامل، مما يتيح إجراء التجارب بشكل أسرع وإنشاء نماذج أكثر دقة وكفاءة. تُعد هذه الأتمتة خطوة أساسية نحو جعل الذكاء الاصطناعي المتقدم أكثر سهولة وقابلية للتطوير.
كيف يعمل AutoML
تعمل أنظمة AutoML على أتمتة الأجزاء الأكثر تكرارًا في عملية التعلم الآلي. تتضمن عملية AutoML النموذجية عدة مراحل رئيسية:
- إعداد البيانات وهندسة الميزات: تنظيف البيانات الأولية تلقائيًا وإنشاء ميزات ذات معنى للنموذج. يمكن أن يشمل ذلك التعامل مع القيم المفقودة، والتطبيع، وإنشاء متغيرات تنبؤية جديدة من المتغيرات الموجودة.
- اختيار النموذج: اختيار أنسب خوارزمية (مثل شجرة القرار أو آلة ناقلات الدعم أو الشبكة العصبية) لمشكلة معينة من بين مجموعة واسعة من الاحتمالات.
- تحسين البارامتر الفائق: العثور تلقائيًا على المعلمات الفائقة المثلى للنموذج المحدد. وغالباً ما يتم ذلك باستخدام استراتيجيات بحث متطورة مثل التحسين البايزي أو البحث الشبكي أو الخوارزميات التطورية. تدمج Ultralytics هذا الأمر في أدواتها لمهام مثل ضبط المعلمات الفائقة.
- تقييم النموذج وتكراره: تقييم أداء النموذج باستخدام مقاييس مثل الدقة أو النتيجة F1 وتكرار العملية لتحقيق نتائج أفضل.
التطبيقات الواقعية
يتم تطبيق AutoML في العديد من الصناعات لتسريع عملية التطوير وتحسين النتائج.
- الذكاء الاصطناعي في الرعاية الصحية: في تحليل الصور الطبية، يمكن للتعلم الآلي التلقائي للذكاء الاصطناعي أن يختبر بسرعة نماذج مختلفة لتجزئة الصور للكشف عن الأورام في عمليات المسح. يمكن للنظام تدريب وتقييم البنى المختلفة تلقائيًا على مجموعة بيانات مثل مجموعة بيانات أورام الدماغ، مما يقلل بشكل كبير من الوقت اللازم للباحثين لتطوير أداة تشخيصية قابلة للنشر.
- الخدمات المالية: تستخدم البنوك AutoML لإنشاء نماذج للكشف عن الاحتيال. من خلال إدخال بيانات المعاملات التاريخية في منصة AutoML، يمكنهم إنشاء وتحسين النماذج التي تحدد الأنماط الاحتيالية بدقة عالية تلقائيًا، وهي مهمة تتطلب جهدًا يدويًا مكثفًا من علماء البيانات. يتم استكشاف ذلك بشكل أكبر في الرؤية الحاسوبية للتمويل.
تعلم الآلي التلقائي مقابل المفاهيم ذات الصلة
من المفيد تمييز AutoML عن المجالات ذات الصلة:
- AutoML مقابل MLOps: بينما يستهدف AutoML على وجه التحديد أتمتة بناء النماذج (الاختيار، والتدريب، والضبط)، فإن عمليات تعلّم الآلة (MLOps) تغطي دورة حياة تعلّم الآلة بأكملها. تتضمن عمليات التعلم الآلي النشر، والمراقبة، والإدارة، والحوكمة، مما يضمن تشغيل النماذج بشكل موثوق في الإنتاج. غالبًا ما يكون التعلم الآلي التلقائي للتعلم الآلي مكونًا ضمن إطار عمل أكبر لعمليات التعلم الآلي الآلي، مما يبسط مرحلة التطوير الأولية قبل نشر النموذج ومراقبة النموذج.
- AutoML مقابل NAS: البحث عن البنية العصبية (NAS) هو مجال فرعي من AutoML يركز تحديدًا على تصميم بنية الشبكات العصبية تلقائيًا. بينما تقوم NAS بأتمتة تصميم الشبكات، فإن أدوات AutoML الأوسع نطاقًا قد تقوم أيضًا بأتمتة هندسة الميزات وضبط المعلمات الفائقة لأنواع مختلفة من النماذج، وليس فقط الشبكات العصبية.
أدوات ومنصات AutoML
هناك العديد من الأدوات والمنصات التي تسهّل عملية AutoML: