Glossar

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) ist der Prozess der Automatisierung der zeitaufwändigen, iterativen Aufgaben der Modellentwicklung für maschinelles Lernen (ML). Ziel ist es, hochleistungsfähige ML-Modelle auch für Nicht-Experten zugänglich zu machen und die Produktivität von Datenwissenschaftlern zu erhöhen, 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 Arbeitsablauf und ermöglicht schnellere Experimente und die Erstellung genauerer und effizienterer Modelle. Diese Automatisierung ist ein wichtiger Schritt, um fortschrittliche KI zugänglicher und skalierbarer zu machen.

Wie AutoML funktioniert

AutoML-Systeme automatisieren die sich am häufigsten wiederholenden Teile der Pipeline für maschinelles Lernen. Ein typischer AutoML-Prozess umfasst mehrere wichtige Phasen:

  • Datenaufbereitung und Merkmalstechnik: Automatisches Bereinigen von Rohdaten und Erzeugen aussagekräftiger Merkmale für das Modell. Dies kann den Umgang mit fehlenden Werten, die Normalisierung und die Erstellung neuer Vorhersagevariablen aus vorhandenen Variablen umfassen.
  • Modellauswahl: Auswahl des am besten geeigneten Algorithmus (z. B. Entscheidungsbaum, Support Vector Machine oder neuronales Netz) für ein bestimmtes Problem aus einer Vielzahl von Möglichkeiten.
  • Hyperparameter-Optimierung: Automatische Suche nach den optimalen Hyperparametern für das ausgewählte Modell. Dies geschieht oft mit ausgeklügelten Suchstrategien wie Bayes'scher Optimierung, Gittersuche oder evolutionären Algorithmen. Ultralytics integriert dies in seine Tools für Aufgaben wie die Abstimmung von Hyperparametern.
  • Modellbewertung und Iteration: Bewertung der Leistung des Modells anhand von Metriken wie Genauigkeit oder F1-Score und Iteration des Prozesses, um bessere Ergebnisse zu erzielen.

Anwendungen in der realen Welt

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 Hirntumor-Datensatz trainieren und bewerten und so die Zeit, die Forscher für die Entwicklung eines einsatzfähigen Diagnosewerkzeugs benötigen, erheblich verkürzen.
  2. Finanzdienstleistungen: Banken verwenden 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 erkennen - eine Aufgabe, die andernfalls umfangreichen manuellen Aufwand von Datenwissenschaftlern erfordern würde. Dies wird in Computer Vision für das Finanzwesen weiter erforscht.

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 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.

AutoML-Werkzeuge und -Plattformen

Zahlreiche Werkzeuge und Plattformen erleichtern AutoML:

Werden Sie Mitglied der Ultralytics-Gemeinschaft

Beteiligen Sie sich an der Zukunft der KI. Vernetzen Sie sich, arbeiten Sie zusammen und wachsen Sie mit globalen Innovatoren

Jetzt beitreten
Link in die Zwischenablage kopiert