Apprentissage automatique automatisé (AutoML)

L'apprentissage automatique automatisé (AutoML) est le processus d'automatisation des tâches itératives et chronophages de développement de modèles d'apprentissage automatique (ML). Il vise à rendre les modèles ML haute performance accessibles aux non-experts et à accroître la productivité des data scientists en automatisant la sélection des caractéristiques, des algorithmes et des paramètres. En gérant les tâches, du prétraitement des données au déploiement des modèles, AutoML rationalise l'ensemble du flux de travail, permettant une expérimentation plus rapide et la création de modèles plus précis et efficaces. Cette automatisation est une étape clé pour rendre l'IA avancée plus accessible et évolutive.

Comment fonctionne AutoML

Les systèmes AutoML automatisent les parties les plus répétitives du pipeline d'apprentissage automatique. Un processus AutoML typique implique 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 la gestion des valeurs manquantes, la normalisation et la création de nouvelles variables prédictives à partir de celles existantes.
• Sélection du modèle : Choisir l'algorithme le plus approprié (par exemple, un arbre de décision, une machine à vecteurs de support, ou un réseau de neurones) pour un problème donné parmi un large éventail de possibilités.
• Optimisation des hyperparamètres : Recherche automatique des hyperparamètres optimaux pour le modèle sélectionné. Ceci est souvent réalisé en utilisant des stratégies de recherche sophistiquées telles que l'optimisation bayésienne, la recherche sur grille ou les algorithmes évolutionnaires. Ultralytics intègre cela dans ses outils pour des tâches telles que le réglage des hyperparamètres.
• Évaluation et itération du modèle : Évaluer les performances du modèle à l'aide de métriques telles que la précision ou le score F1 et itérer tout au long du processus pour obtenir de meilleurs résultats.

Applications concrètes

L'AutoML est appliqué dans de nombreux secteurs pour accélérer le développement et améliorer les résultats.

1. L'IA dans le secteur de la santé : Dans l'analyse d'imagerie médicale, AutoML peut tester rapidement différents modèles de segmentation d'images pour détecter les tumeurs dans les scans. Un système pourrait automatiquement entraîner et évaluer diverses architectures sur un ensemble de données tel que l'ensemble de données sur les tumeurs cérébrales, réduisant considérablement le temps nécessaire aux chercheurs pour développer un outil de diagnostic déployable.
2. Services financiers : Les banques utilisent AutoML pour créer des modèles de détection de la fraude. En alimentant une plateforme AutoML avec des données transactionnelles historiques, elles peuvent automatiquement générer et optimiser des modèles qui identifient les schémas frauduleux avec une grande précision, une tâche qui nécessiterait autrement des efforts manuels considérables de la part des scientifiques des données. Ceci est exploré plus en détail dans la vision par ordinateur pour la finance.

AutoML vs. Concepts connexes

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, entraînement, réglage), les opérations d'apprentissage automatique (MLOps) couvrent l'ensemble du cycle de vie du ML. 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 du modèle et la surveillance du modèle.
• AutoML vs. NAS : La recherche d'architecture neuronale (NAS) est un sous-domaine d'AutoML axé spécifiquement sur la conception automatique de l'architecture des réseaux neuronaux. Alors que NAS automatise la conception du réseau, les outils AutoML plus larges peuvent également automatiser l'ingénierie des caractéristiques et le réglage des hyperparamètres pour différents types de modèles, et pas seulement les NN.

Outils et plateformes AutoML

De nombreux outils et plateformes facilitent l'AutoML :

• Plateformes infonuagiques : Les principaux fournisseurs offrent des services AutoML intégrés, tels que Google Cloud AutoML, Amazon SageMaker Autopilot et Microsoft Azure Machine Learning. Ceux-ci tirent parti des ressources évolutives d’informatique en nuage. Ultralytics offre également la formation infonuagique Ultralytics HUB.
• Bibliothèques Open Source : Les bibliothèques populaires incluent Auto-sklearn (basée sur scikit-learn), TPOT (qui utilise la programmation génétique) et H2O AutoML. Les frameworks tels que PyTorch et TensorFlow fournissent l'infrastructure sous-jacente pour de nombreuses tâches de ML, y compris celles automatisées par les outils AutoML.
• Plateformes intégrées : Ultralytics HUB intègre des fonctionnalités AutoML, en particulier pour le réglage des hyperparamètres, simplifiant ainsi le processus d'entraînement de modèles personnalisés pour des tâches telles que la détection d'objets.