Automatisiertes maschinelles Lernen (AutoML)

Automatisiertes maschinelles Lernen (AutoML) ist der Prozess der Automatisierung zeitaufwändiger, iterativer Aufgaben der Entwicklung von Modellen für maschinelles Lernen. Es ermöglicht Datenwissenschaftlern, Analysten und Entwicklern, hochskalierbare, effiziente und produktive Modelle für maschinelles Lernen (ML) zu erstellen und dabei die Modellqualität aufrechtzuerhalten. Die traditionelle Modellentwicklung ist ressourcenintensiv und erfordert umfangreiches Fachwissen sowie viel Zeit, um Dutzende von Modellen zu erstellen und zu vergleichen. AutoML automatisiert Schritte wie die Datenvorverarbeitung, die Merkmalsauswahl und die Hyperparameter-Optimierung und macht so die Leistungsfähigkeit der künstlichen Intelligenz (KI) auch für Nicht-Experten zugänglich, während es gleichzeitig den Arbeitsablauf für erfahrene Fachleute beschleunigt.

Die Kernkomponenten von AutoML

Das Hauptziel von AutoML ist die Optimierung der Leistung eines Vorhersagemodells für einen bestimmten Datensatz bei minimalem manuellem Eingriff. Eine umfassende AutoML-Pipeline umfasst in der Regel mehrere wichtige Phasen:

• Datenbereinigung und -aufbereitung: Rohdaten sind selten für das Training bereit. AutoML-Tools behandeln fehlende Werte automatisch, detect und formatieren Trainingsdaten, um Konsistenz zu gewährleisten.
• Feature Engineering: Es ist von entscheidender Bedeutung, zu ermitteln, welche Variablen am meisten zu einer Vorhersage beitragen. Automatisierte Systeme führen eine Merkmalsextraktion durch, um neue Eingabevariablen zu erstellen , und eine Auswahl, um irrelevante Daten zu entfernen, wodurch die Recheneffizienz verbessert wird.
• Modellauswahl: AutoML-Frameworks durchsuchen auf intelligente Weise verschiedene Algorithmen, von einfachen linearen Regressionen bis hin zu komplexen Deep-Learning -Architekturen (DL), um die beste Lösung für das jeweilige Problem zu finden.
• Hyperparameter-Optimierung: Die Suche nach den exakten Einstellungen – wie Lernrate oder Batchgröße –, die die höchste Genauigkeit erzielen, ist oft der mühsamste Teil des ML. AutoML nutzt Techniken wie die Bayes'sche Optimierung, um diesen Suchraum schnell zu durchforsten.

Anwendungsfälle in der Praxis

AutoML revolutioniert verschiedene Branchen, indem es die Einstiegshürden für den Einsatz komplexer KI senkt.

1. Gesundheitswesen und Diagnostik: Bei der medizinischen Bildanalyse unterstützt AutoML Ärzte bei der Entwicklung von Modellen, die Pathologien in Röntgen- oder MRT-Aufnahmen erkennen. Durch die Automatisierung des Entwurfs von Convolutional Neural Networks (CNNs) können Krankenhäuser Systeme mit hoher Wiederauffindbarkeit einsetzen, um potenzielle Tumore oder Frakturen zu kennzeichnen, die als zuverlässige Zweitmeinung für Radiologen dienen.
2. Einzelhandel und Bestandsverwaltung: E-Commerce-Giganten und physische Geschäfte nutzen KI im Einzelhandel, um die Nachfrage zu prognostizieren. AutoML-Systeme analysieren historische Verkaufsdaten, um zukünftige Trends vorherzusagen und die automatisierte Bestandsverwaltung zu optimieren. Darüber hinaus können benutzerdefinierte Objekterkennungsmodelle trainiert werden, um die Lagerbestände in Echtzeit zu überwachen.

Automatisierte Optimierung mit Ultralytics

Moderne Computer-Vision-Workflows erfordern oft die Suche nach der perfekten Balance der Trainingsparameter. Die ultralytics Die Bibliothek enthält integrierte Funktionen, die ähnlich wie AutoML arbeiten, indem sie die Suche nach optimalen Hyperparametern (genetische Evolution) für Modelle wie YOLO26.

Das folgende Beispiel zeigt, wie eine automatisierte Optimierungssitzung initiiert wird, die die Modellleistung anhand eines Datensatzes iterativ verbessert:

from ultralytics import YOLO

# Load the latest YOLO26 model
model = YOLO("yolo26n.pt")

# Start automated hyperparameter tuning
# This runs multiple experiments, mutating parameters to maximize metrics
model.tune(data="coco8.yaml", epochs=30, iterations=10, plots=False)

Unterscheidung zwischen AutoML und verwandten Begriffen

AutoML hat zwar Gemeinsamkeiten mit anderen KI-Konzepten, unterscheidet sich jedoch in seinem Umfang und seiner Anwendung:

• Neural Architecture Search (NAS) vs. AutoML: NAS ist eine spezifische Untergruppe von AutoML. Während allgemeines AutoML zwischen einem Entscheidungsbaum und einem neuronalen Netzwerk wählen kann, konzentriert sich NAS ausschließlich auf die Gestaltung der internen Struktur eines neuronalen Netzwerks (z. B. Anzahl der Schichten und Verbindungen). NAS ist rechenintensiv und befasst sich mit der Topologie des Modells.
• Transferlernen vs. AutoML: Transferlernen ist eine Technik, bei der ein vortrainiertes Modell für eine neue Aufgabe angepasst wird. AutoML nutzt häufig Transferlernen als Strategie zur Beschleunigung des Trainings, aber es handelt sich nicht um dasselbe: AutoML ist der übergeordnete Prozess der Automatisierung, während Transferlernen eine spezifische Methodik ist, die innerhalb dieses Prozesses verwendet wird.
• MLOps vs. AutoML: AutoML konzentriert sich auf die Erstellungsphase des Modells. MLOps (Machine Learning Operations) umfasst den gesamten Lebenszyklus, einschließlich Modellbereitstellung, Überwachung, Governance und Nachschulung in Produktionsumgebungen.

Tools und Plattformen

Die Landschaft der AutoML-Tools ist riesig und reicht von cloudbasierten Lösungen bis hin zu Open-Source-Bibliotheken. Große Cloud-Anbieter bieten Dienste wie Google AutoML und AWS SageMaker Autopilot an, die grafische Schnittstellen für das Training von Modellen ohne Programmierung bereitstellen. Im Python ermöglichen Bibliotheken wie auto-sklearn die automatisierte Algorithmusauswahl für Standard-Datensätze .

Speziell für Computer-Vision-Aufgaben bietet die Ultralytics die Trainingspipeline. Sie bietet eine intuitive Benutzeroberfläche zur Verwaltung von Datensätzen und zum Training modernster Modelle wie YOLO11 und YOLO26 zu trainieren und diese auf verschiedenen Edge-Geräten einzusetzen, wodurch die komplexen Mechanismen der Entwicklung von Vision-KI effektiv optimiert werden.