التعلم الآلي الآلي (AutoML)

التعلم الآلي الآلي (AutoML) هو عملية أتمتة المهام المتكررة والمستهلكة للوقت لتطوير نماذج التعلم الآلي (ML). ويهدف إلى جعل نماذج ML عالية الأداء في متناول غير الخبراء وزيادة إنتاجية علماء البيانات عن طريق أتمتة اختيار الميزات والخوارزميات والمعلمات. من خلال التعامل مع المهام من معالجة البيانات الأولية إلى نشر النموذج، يعمل AutoML على تبسيط سير العمل بأكمله، مما يتيح تجربة أسرع وإنشاء نماذج أكثر دقة وكفاءة. هذه الأتمتة هي خطوة رئيسية نحو جعل الذكاء الاصطناعي المتقدم أكثر سهولة وقابلية للتطوير.

كيف تعمل تقنية AutoML؟

تقوم أنظمة AutoML بأتمتة الأجزاء الأكثر تكرارًا في خط أنابيب تعلم الآلة. تتضمن عملية AutoML النموذجية عدة مراحل رئيسية:

• إعداد البيانات وهندسة الميزات: تنظيف البيانات الأولية تلقائيًا وإنشاء ميزات ذات مغزى للنموذج. يمكن أن يشمل ذلك معالجة القيم المفقودة، والتطبيع، وإنشاء متغيرات تنبؤية جديدة من المتغيرات الموجودة.
• اختيار النموذج: اختيار الخوارزمية الأنسب (مثل شجرة القرار أو آلة المتجهات الداعمة أو شبكة عصبية) لمشكلة معينة من بين مجموعة واسعة من الاحتمالات.
• تحسين المعلمات الفائقة (Hyperparameter Optimization): العثور تلقائيًا على المعلمات الفائقة المثالية للنموذج المحدد. غالبًا ما يتم ذلك باستخدام استراتيجيات بحث متطورة مثل التحسين البايزي أو البحث الشبكي أو الخوارزميات التطورية. تدمج Ultralytics هذا في أدواتها لمهام مثل ضبط المعلمات الفائقة.
• تقييم النموذج والتكرار: تقييم أداء النموذج باستخدام مقاييس مثل الدقة أو F1-score والتكرار خلال العملية لتحقيق نتائج أفضل.

تطبيقات واقعية

يتم تطبيق AutoML في العديد من الصناعات لتسريع التطوير وتحسين النتائج.

1. الذكاء الاصطناعي في الرعاية الصحية: في تحليل الصور الطبية، يمكن لـ AutoML اختبار نماذج تقسيم الصور المختلفة بسرعة للكشف عن الأورام في الفحوصات. يمكن لنظام ما أن يقوم تلقائيًا بتدريب وتقييم بنى مختلفة على مجموعة بيانات مثل مجموعة بيانات أورام الدماغ، مما يقلل بشكل كبير من الوقت اللازم للباحثين لتطوير أداة تشخيصية قابلة للنشر.
2. الخدمات المالية: تستخدم البنوك AutoML لبناء نماذج الكشف عن الاحتيال. من خلال تغذية بيانات المعاملات التاريخية في نظام AutoML الأساسي، يمكنهم تلقائيًا إنشاء وتحسين النماذج التي تحدد الأنماط الاحتيالية بدقة عالية، وهي مهمة تتطلب خلاف ذلك جهدًا يدويًا مكثفًا من علماء البيانات. يتم استكشاف هذا بالتفصيل في رؤية الكمبيوتر للتمويل.

AutoML مقابل المفاهيم ذات الصلة

من المفيد التمييز بين التعلم الآلي الآلي (AutoML) والمجالات ذات الصلة:

• AutoML مقابل MLOps: في حين أن AutoML تستهدف على وجه التحديد أتمتة بناء النماذج (الاختيار والتدريب والضبط)، فإن عمليات تعلم الآلة (MLOps) تغطي دورة حياة تعلم الآلة بأكملها. تتضمن MLOps النشر والمراقبة والإدارة والحوكمة، مما يضمن تشغيل النماذج بشكل موثوق في مرحلة الإنتاج. غالبًا ما يكون AutoML مكونًا داخل إطار MLOps أكبر، مما يبسط مرحلة التطوير الأولية قبل نشر النموذج و مراقبة النموذج.
• AutoML مقابل NAS: البحث عن بنية الشبكة العصبية (NAS) هو حقل فرعي من AutoML يركز تحديدًا على التصميم التلقائي لبنية الشبكات العصبية. في حين أن NAS تعمل على أتمتة تصميم الشبكة، فإن أدوات AutoML الأوسع قد تعمل أيضًا على أتمتة هندسة الميزات وضبط المعلمات الفائقة لأنواع النماذج المختلفة، وليس فقط الشبكات العصبية.

أدوات ومنصات AutoML

العديد من الأدوات والمنصات تسهل AutoML:

• المنصات السحابية: يقدم كبار المزودين خدمات AutoML متكاملة، مثل Google Cloud AutoML و Amazon SageMaker Autopilot و Microsoft Azure Machine Learning. تستفيد هذه من موارد الحوسبة السحابية القابلة للتطوير. تقدم Ultralytics أيضًا Ultralytics HUB Cloud Training.
• مكتبات مفتوحة المصدر: تتضمن المكتبات الشائعة Auto-sklearn (استنادًا إلى scikit-learn) و TPOT (الذي يستخدم البرمجة الجينية) و H2O AutoML. توفر أطر العمل مثل PyTorch و TensorFlow البنية التحتية الأساسية للعديد من مهام تعلم الآلة، بما في ذلك تلك التي تتم أتمتتها بواسطة أدوات AutoML.
• المنصات المتكاملة: يشتمل Ultralytics HUB على ميزات AutoML، خاصة لضبط المعلمات الفائقة، مما يبسط عملية تدريب النماذج المخصصة لمهام مثل اكتشاف الكائنات.