Automated Machine Learning (AutoML)

التعلم الآلي المؤتمت (AutoML) هو أتمتة أعمال التجربة والخطأ عند إنشاء نموذج التعلم الآلي (ML): إعداد السمات، واختيار خوارزمية، وضبط المعلمات الفائقة، وأحيانًا تصميم بنية شبكة أو دمج عدة نماذج. وباستخدام مجموعة بيانات ومقياس مستهدف وميزانية حوسبة، يبحث نظام AutoML في مسارات مرشحة، ويقيّم كلًا منها على بيانات محجوبة، ثم يعيد أفضل مسار يعثر عليه. وصاغ مشروع Auto-WEKA جوهر هذه المهمة على أنه مشكلة الجمع بين اختيار الخوارزمية وتحسين المعلمات الفائقة (CASH)، وهو توصيف اعتمدته لاحقًا أدوات مثل auto-sklearn. ويوفر AutoML خطوط أساس قوية لغير المتخصصين، ويوفر على الخبراء الجزء التكراري من التجارب.

آلية عمل AutoML#

يتألف نظام AutoML من ثلاثة عناصر. يحدد فضاء البحث ما يمكن تغييره، بدءًا من خطوات المعالجة المسبقة للبيانات وهندسة السمات، وصولًا إلى عائلة النموذج مثل الانحدار الخطي أو XGBoost أو الشبكة العصبية، وإعدادات كل عائلة مثل معدل التعلم. وتختار استراتيجية البحث المرشحين الذين ستجربهم، مستخدمةً البحث العشوائي أو التحسين البايزي الذي ينمذج المناطق الواعدة في الفضاء، أو الخوارزميات التطورية التي تحوّر الإعدادات الجيدة وتعيد تركيبها. وتقيّم خطوة التقييم كل مرشح على بيانات التحقق أو باستخدام التحقق المتقاطع. كما تبدأ أنظمة كثيرة البحث باستخدام التعلم الفوقي المستند إلى مجموعات بيانات سابقة، وتنهيه بدمج أفضل المرشحين في مجموعة نماذج.

يمثل تدريب كل مرشح حتى اكتماله التكلفة الرئيسية، لذا تدرب أساليب تعدد مستويات الدقة أولًا عددًا كبيرًا من الإعدادات بتكلفة منخفضة، ولا تنفق أكثر إلا على الإعدادات الواعدة. ويكرر الإقصاء المتتابع، وهو المكوّن الأساسي في Hyperband، جولة واحدة حتى يتبقى إعداد واحد:

قد يؤدي البحث واسع النطاق أيضًا إلى فرط التكيّف مع بيانات التحقق، إذ يرجع فوز النموذج جزئيًا إلى كونه الأكثر حظًا بين مرشحين كثيرين؛ ولهذا يُقيّم النموذج النهائي على مجموعة اختبار منفصلة.

أدوات AutoML#

• AutoGluon: مكتبة مفتوحة المصدر بدأت في Amazon، وتدرّب أنواعًا كثيرة من النماذج على البيانات الجدولية والنصوص والصور والسلاسل الزمنية، ثم تكدّسها في مجموعة نماذج.
• auto-sklearn: يبحث في مسارات scikit-learn باستخدام التحسين البايزي والتعلم الفوقي وإنشاء مجموعات النماذج.
• FLAML: مكتبة من Microsoft تستهدف إجراء بحث منخفض التكلفة عن النماذج الجدولية ومعلماتها الفائقة.
• Optuna: إطار عمل لتحسين المعلمات الفائقة، توقف أدوات الإقصاء فيه التجارب غير الواعدة مبكرًا، ويُستخدم كثيرًا كمحرك بحث داخل حلقات AutoML مخصصة.
• Google Cloud AutoML: خدمة مُدارة، أصبحت الآن جزءًا من Gemini Enterprise Agent Platform، وكانت تُعرف سابقًا باسم Vertex AI، وتدرّب نماذج تصنيف الصور واكتشاف الأجسام والبيانات الجدولية دون كتابة تعليمات برمجية.
• Amazon SageMaker Autopilot: خدمة AutoML من AWS، توجد واجهتها الآن في SageMaker Canvas.

بالنسبة إلى الجداول الصغيرة، تقدم النماذج التأسيسية للبيانات الجدولية مسارًا مختلفًا لتحقيق الهدف نفسه؛ إذ تتنبأ من صفوف التدريب ضمن السياق دون إجراء بحث خاص بكل مجموعة بيانات.

الضبط المؤتمت لـ YOLO#

بالنسبة إلى نماذج الرؤية الحاسوبية ذات البنية الثابتة المدربة مسبقًا، يستهدف البحث المؤتمت عادةً وصفة التدريب. وتطوّر model.tune() من Ultralytics YOLO، افتراضيًا، 26 معلمة فائقة للتدريب، منها معدل التعلم والزخم ومكاسب دالة الخسارة وشدات التعزيز: تحوّر كل دورة أفضل الإعدادات التي عُثر عليها حتى ذلك الحين وتعيد تركيبها، ثم تدرب لفترة وجيزة وتسجل قيمة الملاءمة، ويحفظ التشغيل best_hyperparameters.yaml مع مخططات لقيم الملاءمة عبر الدورات. ويؤدي تمرير use_ray=True إلى توجيه البحث إلى Ray Tune بدلًا من ذلك.

from ultralytics import YOLO

# ⁨حمّل نموذج YOLO26 مدربًا مسبقًا لضبطه⁩
model = YOLO("yolo26n.pt")

# ⁨طوّر المعلمات الفائقة: تحوّر كل دورة أفضل الإعدادات حتى ذلك الحين، وتدرّب، وتقيّم الملاءمة⁩
model.tune(data="coco8.yaml", epochs=30, iterations=10, plots=False, save=False, val=False)

AutoML ومصطلحات ذات صلة#

• ضبط المعلمات الفائقة: يحسّن إعدادات نموذج واحد مختار. وعادةً ما يضم AutoML هذه العملية مرحلةً ضمن بحث أوسع يختار النموذج أيضًا.
• البحث عن البنية العصبية (NAS): فرع من AutoML يصمم بنى الشبكات، مثل أنواع الطبقات وعمقها وروابطها.
• التعلم بالنقل: يبدأ من نموذج مدرب مسبقًا بدلًا من البدء من الصفر. وغالبًا ما تبحث أنظمة AutoML في شبكات الأساس المدربة مسبقًا، ما يجعل المجالين متكاملين.
• عمليات التعلم الآلي (MLOps): تشمل دورة حياة النموذج بأكملها، بما في ذلك النشر والمراقبة وإعادة التدريب، وغالبًا ما تستخدم AutoML كخطوة ضمن مسار تدريب.