Automated Machine Learning (AutoML)

L’apprentissage automatique (AutoML) est le processus d’automatisation des tâches chronophages et itératives liées au développement de modèles de machine learning. Il permet aux data scientists, aux analystes et aux développeurs de créer des modèles de machine learning (ML) hautement évolutifs, efficaces et productifs, tout en maintenant leur qualité. Le développement traditionnel de modèles mobilise beaucoup de ressources et nécessite des connaissances approfondies du domaine ainsi que du temps pour produire et comparer des dizaines de modèles. AutoML automatise des étapes telles que le prétraitement des données, la sélection des caractéristiques et l’optimisation des hyperparamètres, rendant la puissance de l’intelligence artificielle (AI) accessible aux non-spécialistes tout en accélérant le workflow des professionnels expérimentés.

Les composants clés d’AutoML#

L’objectif principal d’AutoML est d’optimiser les performances d’un modèle prédictif pour un jeu de données donné, avec une intervention manuelle minimale. Un pipeline AutoML complet gère généralement plusieurs étapes critiques :

• Nettoyage et préparation des données : les données brutes sont rarement prêtes pour l’entraînement. Les outils AutoML gèrent automatiquement les valeurs manquantes, détectent les valeurs aberrantes et mettent en forme les données d’entraînement afin de garantir leur cohérence.
• Ingénierie des caractéristiques : identifier les variables qui contribuent le plus à une prédiction est essentiel. Les systèmes automatisés effectuent une extraction de caractéristiques pour créer de nouvelles variables d’entrée et sélectionnent les plus pertinentes afin de supprimer les données inutiles et d’améliorer l’efficacité des calculs.
• Sélection du modèle : les frameworks AutoML explorent intelligemment différents algorithmes, de la régression linéaire simple aux architectures complexes d’apprentissage profond (DL), afin de trouver celui qui convient le mieux au problème.
• Optimisation des hyperparamètres : trouver les paramètres exacts — comme le taux d’apprentissage ou la taille des lots — qui offrent la meilleure précision est souvent la partie la plus fastidieuse du ML. AutoML utilise des techniques telles que l’optimisation bayésienne pour parcourir rapidement cet espace de recherche.

Applications concrètes#

AutoML révolutionne de nombreux secteurs en réduisant les obstacles au déploiement d’outils d’IA sophistiqués.

1. Santé et diagnostic : dans l’analyse d’images médicales, AutoML aide les cliniciens à développer des modèles capables d’identifier des pathologies sur des radiographies ou des IRM. En automatisant la conception de réseaux de neurones convolutifs (CNNs), les hôpitaux peuvent déployer des systèmes offrant un rappel élevé pour signaler d’éventuelles tumeurs ou fractures, fournissant ainsi un second avis fiable aux radiologues.

2. Commerce de détail et gestion des stocks : les géants du e-commerce et les magasins physiques utilisent l’IA dans le commerce de détail pour prévoir la demande. Les systèmes AutoML analysent les données historiques de vente afin de prédire les tendances futures et d’optimiser la gestion automatisée des stocks. En outre, des modèles personnalisés de détection d’objets peuvent être entraînés pour surveiller en temps réel les niveaux de stock en rayon.

Optimisation automatisée avec Ultralytics#

Les workflows modernes de vision par ordinateur nécessitent souvent de trouver l’équilibre parfait entre les paramètres d’entraînement. La bibliothèque ultralytics intègre des fonctionnalités qui fonctionnent de manière similaire à AutoML en automatisant la recherche des hyperparamètres optimaux (évolution génétique) pour des modèles tels que YOLO26.

L’exemple suivant montre comment lancer une session de réglage automatisé qui améliore progressivement les performances du modèle sur un jeu de données :

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)

Distinguer AutoML des concepts associés#

Bien qu’AutoML partage certains points communs avec d’autres concepts d’IA, son périmètre et ses applications le distinguent :

• Recherche d’architecture neuronale (NAS) par rapport à AutoML : NAS est un sous-ensemble spécifique d’AutoML. Alors qu’AutoML au sens large peut choisir entre un arbre de décision et un réseau de neurones, NAS se concentre exclusivement sur la conception de la structure interne d’un réseau de neurones (par exemple, le nombre de couches et de connexions). NAS est très gourmand en ressources de calcul et s’intéresse à la topologie du modèle.
• Apprentissage par transfert par rapport à AutoML : l’apprentissage par transfert est une technique qui consiste à adapter un modèle préentraîné à une nouvelle tâche. AutoML s’appuie souvent sur l’apprentissage par transfert pour accélérer l’entraînement, mais ces deux concepts ne sont pas identiques : AutoML est le processus global d’automatisation, tandis que l’apprentissage par transfert est une méthodologie spécifique utilisée dans ce processus.
• MLOps par rapport à AutoML : AutoML se concentre sur la phase de création du modèle. Les MLOps (opérations de machine learning) couvrent l’ensemble du cycle de vie, notamment le déploiement du modèle, la supervision, la gouvernance et le réentraînement dans les environnements de production.

Outils et plateformes#

L’écosystème des outils AutoML est vaste, allant des solutions cloud aux bibliothèques open source. Les principaux fournisseurs cloud proposent des services tels que Google Cloud AutoML et AWS SageMaker Autopilot, qui fournissent des interfaces graphiques pour entraîner des modèles sans écrire de code. Dans l’écosystème Python, des bibliothèques comme auto-sklearn apportent la sélection automatisée d’algorithmes aux jeux de données standard.

Pour les tâches de vision par ordinateur, la plateforme Ultralytics simplifie le pipeline d’entraînement. Elle offre une interface intuitive pour gérer les jeux de données, entraîner des modèles de pointe tels que YOLO11 et YOLO26, puis les déployer sur différents appareils edge, simplifiant ainsi les mécanismes complexes du développement de l’IA appliquée à la vision.