Automatisiertes maschinelles Lernen (AutoML)

Automatisiertes maschinelles Lernen (AutoML) ist der Prozess der Automatisierung der zeitaufwändigen, iterativen Aufgaben der Entwicklung von Modellen des maschinellen Lernens (ML). Es zielt darauf ab, leistungsstarke ML-Modelle für Nicht-Experten zugänglich zu machen und die Produktivität von Data Scientists zu steigern, indem die Auswahl von Merkmalen, Algorithmen und Parametern automatisiert wird. Durch die Übernahme von Aufgaben von der Datenvorverarbeitung bis zur Modellbereitstellung rationalisiert AutoML den gesamten Workflow und ermöglicht schnellere Experimente und die Erstellung von genaueren und effizienteren Modellen. Diese Automatisierung ist ein wichtiger Schritt, um fortschrittliche KI zugänglicher und skalierbarer zu machen.

Wie AutoML funktioniert

AutoML-Systeme automatisieren die sich wiederholenden Teile der Machine-Learning-Pipeline. Ein typischer AutoML-Prozess umfasst mehrere Schlüsselphasen:

• Datenaufbereitung und Feature Engineering: Automatische Bereinigung von Rohdaten und Generierung aussagekräftiger Features für das Modell. Dies kann den Umgang mit fehlenden Werten, Normalisierung und die Erstellung neuer prädiktiver Variablen aus bestehenden umfassen.
• Modellauswahl: Auswahl des am besten geeigneten Algorithmus (z. B. Entscheidungsbaum, Support Vector Machine oder ein neuronales Netzwerk) für ein gegebenes Problem aus einer Vielzahl von Möglichkeiten.
• Hyperparameter-Optimierung: Automatisches Finden der optimalen Hyperparameter für das ausgewählte Modell. Dies geschieht oft mithilfe ausgefeilter Suchstrategien wie Bayes'sche Optimierung, Gittersuche oder evolutionärer Algorithmen. Ultralytics integriert dies in seine Tools für Aufgaben wie Hyperparameter-Tuning.
• Modellbewertung und -iteration: Bewertung der Leistung des Modells anhand von Metriken wie Genauigkeit oder F1-Score und Iteration durch den Prozess, um bessere Ergebnisse zu erzielen.

Anwendungsfälle in der Praxis

AutoML wird in zahlreichen Branchen eingesetzt, um die Entwicklung zu beschleunigen und die Ergebnisse zu verbessern.

1. KI im Gesundheitswesen: In der medizinischen Bildanalyse kann AutoML schnell verschiedene Bildsegmentierungsmodelle testen, um Tumore in Scans zu erkennen. Ein System könnte automatisch verschiedene Architekturen auf einem Datensatz wie dem Brain Tumor dataset trainieren und evaluieren, wodurch die Zeit, die Forscher für die Entwicklung eines einsetzbaren Diagnosetools benötigen, erheblich reduziert wird.
2. Finanzdienstleistungen: Banken nutzen AutoML, um Modelle zur Betrugserkennung zu erstellen. Indem sie historische Transaktionsdaten in eine AutoML-Plattform einspeisen, können sie automatisch Modelle generieren und optimieren, die betrügerische Muster mit hoher Präzision identifizieren, eine Aufgabe, die ansonsten umfangreiche manuelle Arbeit von Datenwissenschaftlern erfordern würde. Dies wird in Computer Vision für das Finanzwesen weiter untersucht.

AutoML vs. verwandte Konzepte

Es ist hilfreich, AutoML von verwandten Bereichen abzugrenzen:

• AutoML vs. MLOps: Während AutoML speziell auf die Automatisierung der Modellerstellung (Auswahl, Training, Tuning) abzielt, deckt Machine Learning Operations (MLOps) den gesamten ML-Lebenszyklus ab. MLOps umfasst Bereitstellung, Überwachung, Verwaltung und Governance, um sicherzustellen, dass Modelle zuverlässig in der Produktion arbeiten. AutoML ist oft eine Komponente innerhalb eines größeren MLOps-Frameworks, das die anfängliche Entwicklungsphase vor der Modellbereitstellung und Modellüberwachung rationalisiert.
• AutoML vs. NAS: Neural Architecture Search (NAS) ist ein Teilbereich von AutoML, der sich speziell auf die automatische Gestaltung der Architektur von neuronalen Netzen konzentriert. Während NAS das Netzwerkdesign automatisiert, können umfassendere AutoML-Tools auch Feature Engineering und Hyperparameter-Optimierung für verschiedene Modelltypen automatisieren, nicht nur für NNs.

AutoML-Tools und -Plattformen

Zahlreiche Tools und Plattformen erleichtern AutoML:

• Cloud-Plattformen: Große Anbieter bieten integrierte AutoML-Dienste an, wie z. B. Google Cloud AutoML, Amazon SageMaker Autopilot und Microsoft Azure Machine Learning. Diese nutzen skalierbare Cloud-Computing-Ressourcen. Ultralytics bietet auch Ultralytics HUB Cloud Training an.
• Open-Source-Bibliotheken: Beliebte Bibliotheken sind Auto-sklearn (basierend auf scikit-learn), TPOT (das genetische Programmierung verwendet) und H2O AutoML. Frameworks wie PyTorch und TensorFlow stellen die zugrunde liegende Infrastruktur für viele ML-Aufgaben bereit, einschliesslich derjenigen, die von AutoML-Tools automatisiert werden.
• Integrierte Plattformen: Ultralytics HUB beinhaltet AutoML-Funktionen, insbesondere für die Hyperparameter-Optimierung, wodurch der Prozess des Trainierens von benutzerdefinierten Modellen für Aufgaben wie die Objekterkennung vereinfacht wird.