Automatisiertes maschinelles Lernen (AutoML)
Optimieren Sie Projekte zum maschinellen Lernen mit AutoML! Automatisieren Sie Datenvorbereitung, Modellauswahl und -abstimmung, um Zeit zu sparen und KI für alle zugänglich zu machen.
Automatisiertes maschinelles Lernen (AutoML) steht für die Automatisierung der gesamten Pipeline zur Anwendung von maschinellem Lernen (ML) auf reale Probleme. Das Hauptziel von AutoML ist es, die Entwicklung von ML-Modellen zu vereinfachen und zu beschleunigen und fortgeschrittene Techniken auch für diejenigen zugänglich zu machen, die keine tiefgreifenden Kenntnisse in Datenwissenschaft oder ML haben. Durch die Automatisierung sich wiederholender und zeitaufwändiger Aufgaben ermöglicht AutoML Entwicklern und Forschern die effizientere Erstellung leistungsfähiger Modelle und reduziert die Notwendigkeit umfangreicher manueller Konfiguration und Experimente. Diese Automatisierung umfasst verschiedene Phasen, von der Vorbereitung der Rohdaten bis zur Bereitstellung optimierter Modelle.
Wichtige automatisierte Aufgaben in AutoML
AutoML-Systeme automatisieren mehrere Kernkomponenten des typischen ML-Workflows:
- Vorverarbeitung von Daten: Automatische Durchführung von Aufgaben wie Datenbereinigung, Verwaltung fehlender Werte, Datentypkonvertierung und Anwendung von Techniken wie Normalisierung oder Standardisierung zur Vorbereitung von Trainingsdaten für die Modellierung.
- Merkmal Technik: Automatisierung der Erstellung, Auswahl und Umwandlung von Eingangsmerkmalen zur Verbesserung der Modellleistung. Dabei können Techniken zum Einsatz kommen, die in den Feature-Engineering-Konzepten behandelt werden.
- Modell-Auswahl: Automatische Auswahl des besten Modelltyps (z. B. Entscheidungsbäume, neuronale Netze, SVMs) für eine bestimmte Aufgabe und einen bestimmten Datensatz aus einer Reihe von Möglichkeiten, einschließlich Objekterkennungsarchitekturen wie Ultralytics YOLO.
- Hyperparameter-Abstimmung: Optimierung der Hyperparameter des Modells (z. B. Lernrate, Stapelgröße) mit Techniken wie der Rastersuche, der Zufallssuche oder fortschrittlicheren Methoden wie der Bayesschen Optimierung, um Spitzenleistungen zu erzielen.
Vorteile von AutoML
Die Einführung von AutoML bietet erhebliche Vorteile:
- Effizienz: Drastische Reduzierung des Zeit- und Rechenaufwands für die Entwicklung und Feinabstimmung von ML-Modellen.
- Zugänglichkeit: Senkt die Einstiegshürde für ML, so dass Fachleute und Entwickler mit weniger ML-Erfahrung leistungsstarke Vorhersagefunktionen nutzen können. Ultralytics HUB zielt darauf ab, diesen Prozess weiter zu vereinfachen.
- Leistung: Ermittelt häufig Modelle und Konfigurationen, die eine hohe Genauigkeit und Robustheit erreichen und manchmal durch die Erkundung eines riesigen Suchraums die manuell entworfenen Modelle übertreffen.
- Geringere Verzerrungen: Durch die Automatisierung der Modellauswahl und -abstimmung kann AutoML dazu beitragen, menschliche Verzerrungen in der künstlichen Intelligenz, die durch manuelle Entscheidungen entstehen könnten, zu verringern, auch wenn eine sorgfältige Überwachung der Verzerrungen in den Datensätzen nach wie vor entscheidend ist.
Anwendungen in der realen Welt
AutoML findet in den verschiedensten Bereichen Anwendung:
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 die Bereitstellung, Überwachung, Verwaltung und Steuerung, um sicherzustellen, dass die Modelle in der Produktion zuverlässig funktionieren. AutoML ist häufig 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 den automatischen Entwurf der Architektur von neuronalen Netzen (NN) konzentriert. Während NAS den Entwurf von Netzen automatisiert, können umfassendere AutoML-Tools auch das Feature-Engineering und die Abstimmung von Hyperparametern für verschiedene Modelltypen automatisieren, nicht nur für NNs.