Apprentissage automatique de la machine (AutoML)

Comment fonctionne AutoML

Les systèmes AutoML automatisent les parties les plus répétitives du pipeline d'apprentissage automatique. Un processus AutoML typique comprend plusieurs étapes clés :

• Préparation des données et ingénierie des caractéristiques: Nettoyage automatique des données brutes et génération de caractéristiques significatives pour le modèle. Cela peut inclure le traitement des valeurs manquantes, la normalisation et la création de nouvelles variables prédictives à partir des variables existantes.
• Sélection de modèles: Choix de l'algorithme le plus approprié (par exemple, arbre de décision, machine à vecteur de support ou réseau neuronal) pour un problème donné parmi un large éventail de possibilités.
• Optimisation des hyperparamètres: Recherche automatique des hyperparamètres optimaux pour le modèle sélectionné. Cette opération est souvent réalisée à l'aide de stratégies de recherche sophistiquées telles que l'optimisation bayésienne, la recherche en grille ou les algorithmes évolutionnaires. Ultralytics intègre ces stratégies dans ses outils pour des tâches telles que le réglage des hyperparamètres.
• Évaluation du modèle et itération: Évaluation des performances du modèle à l'aide de mesures telles que la précision ou le score F1 et itération tout au long du processus pour obtenir de meilleurs résultats.

Applications dans le monde réel

AutoML est appliqué dans de nombreuses industries pour accélérer le développement et améliorer les résultats.

1. L'IA dans les soins de santé: Dans l'analyse d'images médicales, AutoML peut rapidement tester différents modèles de segmentation d'images pour détecter les tumeurs dans les scanners. Un système pourrait entraîner et évaluer automatiquement diverses architectures sur un ensemble de données comme celui des tumeurs cérébrales, ce qui réduirait considérablement le temps nécessaire aux chercheurs pour mettre au point un outil de diagnostic déployable.
2. Services financiers: Les banques utilisent AutoML pour élaborer des modèles de détection des fraudes. En introduisant des données de transactions historiques dans une plateforme AutoML, elles peuvent automatiquement générer et optimiser des modèles qui identifient des schémas frauduleux avec une grande précision, une tâche qui nécessiterait autrement un travail manuel important de la part des scientifiques des données. Cette question est examinée plus en détail dans la section " Vision artificielle pour la finance".

AutoML vs. concepts apparentés

Il est utile de distinguer AutoML des domaines connexes :

• AutoML vs. MLOps: Alors qu'AutoML cible spécifiquement l'automatisation de la construction de modèles (sélection, formation, réglage), Machine Learning Operations (MLOps) couvre l'ensemble du cycle de vie de l'apprentissage automatique. MLOps comprend le déploiement, la surveillance, la gestion et la gouvernance, garantissant que les modèles fonctionnent de manière fiable en production. AutoML est souvent un composant d'un cadre MLOps plus large, rationalisant la phase de développement initiale avant le déploiement et la surveillance des modèles.
• AutoML vs. NAS: La recherche d'architecture neuronale (NAS) est un sous-domaine d'AutoML spécifiquement axé sur la conception automatique de l'architecture des réseaux neuronaux. Alors que NAS automatise la conception de réseaux, les outils AutoML plus larges peuvent également automatiser l'ingénierie des caractéristiques et le réglage des hyperparamètres pour divers types de modèles, et pas seulement pour les réseaux neuronaux.

Outils et plates-formes AutoML

De nombreux outils et plates-formes facilitent l'utilisation d'AutoML :

• Plates-formes en nuage: Les principaux fournisseurs proposent des services AutoML intégrés, tels que Google Cloud AutoML, Amazon SageMaker Autopilot et Microsoft Azure Machine Learning. Ces services s'appuient sur des ressources informatiques en nuage évolutives. Ultralytics propose également la formation Ultralytics HUB Cloud.
• Bibliothèques libres: Les bibliothèques populaires comprennent Auto-sklearn (basé sur scikit-learn), TPOT (qui utilise la programmation génétique), et H2O AutoML. Des frameworks comme PyTorch et TensorFlow fournissent l'infrastructure sous-jacente pour de nombreuses tâches de ML, y compris celles automatisées par les outils AutoML.
• Plates-formes intégrées: Ultralytics HUB intègre les fonctionnalités d'AutoML, en particulier pour le réglage des hyperparamètres, ce qui simplifie le processus de formation de modèles personnalisés pour des tâches telles que la détection d'objets.