Automated Machine Learning (AutoML)

Automatisiertes maschinelles Lernen (AutoML) ist der Prozess, die zeitaufwendigen, iterativen Aufgaben bei der Entwicklung von Modellen für maschinelles Lernen zu automatisieren. Dadurch können Datenwissenschaftler, Analysten und Entwickler skalierbare, effiziente und produktive Modelle für maschinelles Lernen (ML) erstellen und gleichzeitig die Modellqualität aufrechterhalten. Die herkömmliche 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 Optimierung von Hyperparametern. Dadurch wird die Leistungsfähigkeit der künstlichen Intelligenz (AI) auch für Nichtfachleute zugänglich, während der Arbeitsablauf für erfahrene Fachleute beschleunigt wird.

Die Kernkomponenten von AutoML#

Das primäre Ziel von AutoML besteht darin, die Leistung eines Vorhersagemodells für einen bestimmten Datensatz mit minimalem manuellem Eingreifen zu optimieren. Eine umfassende AutoML-Pipeline verwaltet typischerweise mehrere wichtige Phasen:

• Datenbereinigung und -aufbereitung: Rohdaten sind nur selten sofort für das Training geeignet. AutoML-Tools verarbeiten fehlende Werte automatisch, erkennen Ausreißer und formatieren Trainingsdaten, um Konsistenz sicherzustellen.
• Merkmalsentwicklung: Es ist entscheidend zu ermitteln, welche Variablen am stärksten zu einer Vorhersage beitragen. Automatisierte Systeme führen eine Merkmalsextraktion durch, um neue Eingabevariablen zu erstellen, und wählen Merkmale aus, um irrelevante Daten zu entfernen und die Recheneffizienz zu verbessern.
• Modellauswahl: AutoML-Frameworks durchsuchen intelligent verschiedene Algorithmen – von der einfachen linearen Regression bis hin zu komplexen Architekturen für Deep Learning (DL) –, um die beste Lösung für das jeweilige Problem zu finden.
• Hyperparameteroptimierung: Die passenden Einstellungen – etwa die Lernrate oder die Batch-Größe – zu finden, die die höchste Genauigkeit liefern, ist oft der mühsamste Teil von ML. AutoML verwendet Techniken wie die Bayes'sche Optimierung, um diesen Suchraum schnell zu durchsuchen.

Anwendungen in der Praxis#

AutoML verändert zahlreiche Branchen, indem es die Einstiegshürden für den Einsatz anspruchsvoller KI senkt.

1. [Gesundheitswesen und Diagnostik: Bei der Analyse medizinischer Bilder unterstützt AutoML medizinisches Fachpersonal bei der Entwicklung von Modellen, die Krankheitsbilder auf Röntgen- oder MRT-Aufnahmen erkennen. Durch die Automatisierung des Entwurfs faltender neuronaler Netze (CNNs) können Krankenhäuser Systeme mit hoher Trefferquote einsetzen, die auf mögliche Tumore oder Knochenbrüche hinweisen und Radiologen als zuverlässige zweite Einschätzung dienen.

2. Einzelhandel und Bestandsverwaltung: E-Commerce-Giganten und stationäre Geschäfte nutzen KI im Einzelhandel, um die Nachfrage vorherzusagen. AutoML-Systeme analysieren historische Verkaufsdaten, um zukünftige Trends vorherzusagen und die automatisierte Bestandsverwaltung zu optimieren. Darüber hinaus lassen sich maßgeschneiderte Modelle zur Objekterkennung trainieren, um die Bestandsmengen in Regalen in Echtzeit zu überwachen.

Automatisierte Optimierung mit Ultralytics#

Moderne Arbeitsabläufe in der Computer Vision erfordern häufig ein ausgewogenes Verhältnis zwischen den Trainingsparametern. Die Bibliothek ultralytics enthält integrierte Funktionen, die ähnlich wie AutoML arbeiten, indem sie die Suche nach optimalen Hyperparametern (genetische Evolution) für Modelle wie YOLO26 automatisieren.

Das folgende Beispiel zeigt, wie du eine automatische Abstimmungssitzung startest, die die Modellleistung auf einem Datensatz 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)

AutoML im Vergleich zu verwandten Begriffen#

AutoML weist zwar Überschneidungen mit anderen KI-Konzepten auf, unterscheidet sich jedoch in Umfang und Anwendung:

• Suche nach neuronalen Architekturen (NAS) im Vergleich zu AutoML: NAS ist eine spezielle Teilmenge von AutoML. Während allgemeines AutoML beispielsweise zwischen einem Entscheidungsbaum und einem neuronalen Netz wählen kann, konzentriert sich NAS ausschließlich auf den Entwurf der internen Struktur eines neuronalen Netzes (z. B. auf die Anzahl der Schichten und Verbindungen). NAS ist rechenintensiv und befasst sich mit der Topologie des Modells.
• Transferlernen im Vergleich zu AutoML: Transferlernen ist eine Technik, bei der ein vortrainiertes Modell an eine neue Aufgabe angepasst wird. AutoML nutzt Transferlernen häufig als Strategie, um das Training zu beschleunigen. Beide Verfahren sind jedoch nicht identisch: AutoML ist der übergeordnete Automatisierungsprozess, während Transferlernen eine spezifische Methode innerhalb dieses Prozesses darstellt.
• MLOps im Vergleich zu AutoML: AutoML konzentriert sich auf die Erstellungsphase des Modells. MLOps (Betrieb des maschinellen Lernens) umfasst den gesamten Lebenszyklus, einschließlich der Bereitstellung von Modellen, der Überwachung, der Governance und des erneuten Trainings in Produktivumgebungen.

Tools und Plattformen#

Die Landschaft der AutoML-Tools ist vielfältig und reicht von cloudbasierten Lösungen bis hin zu Open-Source-Bibliotheken. Große Cloud-Anbieter bieten Dienste wie Google Cloud AutoML und AWS SageMaker Autopilot an, die grafische Benutzeroberflächen für das Trainieren von Modellen ohne Programmierung bereitstellen. Im Python-Ökosystem ermöglichen Bibliotheken wie auto-sklearn die automatische Auswahl von Algorithmen für Standarddatensätze.

Speziell für Computer-Vision-Aufgaben vereinfacht die Ultralytics Platform die Trainingspipeline. Sie bietet eine intuitive Oberfläche zur Verwaltung von Datensätzen, zum Trainieren hochmoderner Modelle wie YOLO11 und YOLO26 sowie zu deren Bereitstellung auf verschiedenen Edge-Geräten. Dadurch werden die komplexen Abläufe bei der Entwicklung von Vision-KI deutlich vereinfacht.