Machine Learning Automatizzato (AutoML)

L'apprendimento automatico automatizzato (AutoML) è il processo di automazione delle attività iterative e dispendiose in termini di tempo dello sviluppo di modelli di machine learning (ML). Il suo obiettivo è rendere i modelli ML ad alte prestazioni accessibili ai non esperti e aumentare la produttività dei data scientist automatizzando la selezione di caratteristiche, algoritmi e parametri. Gestendo attività dalla pre-elaborazione dei dati alla distribuzione del modello, AutoML semplifica l'intero flusso di lavoro, consentendo una sperimentazione più rapida e la creazione di modelli più accurati ed efficienti. Questa automazione è un passo fondamentale per rendere l'AI avanzata più accessibile e scalabile.

Come funziona AutoML

I sistemi AutoML automatizzano le parti più ripetitive della pipeline di machine learning. Un tipico processo AutoML prevede diverse fasi chiave:

• Preparazione dei dati e Feature Engineering: Pulizia automatica dei dati grezzi e generazione di feature significative per il modello. Ciò può includere la gestione dei valori mancanti, la normalizzazione e la creazione di nuove variabili predittive da quelle esistenti.
• Selezione del modello: Scelta dell'algoritmo più adatto (ad esempio, albero decisionale, macchina a vettori di supporto (SVM) o una rete neurale) per un determinato problema tra una vasta gamma di possibilità.
• Ottimizzazione degli iperparametri: Ricerca automatica degli iperparametri ottimali per il modello selezionato. Questo viene spesso fatto utilizzando strategie di ricerca sofisticate come l'ottimizzazione bayesiana, la ricerca a griglia o gli algoritmi evolutivi. Ultralytics lo incorpora nei suoi strumenti per attività come l'ottimizzazione degli iperparametri.
• Valutazione e Iterazione del Modello: Valutare le prestazioni del modello utilizzando metriche come l'accuratezza o l'F1-score e iterare attraverso il processo per ottenere risultati migliori.

Applicazioni nel mondo reale

L'AutoML viene applicato in numerosi settori per accelerare lo sviluppo e migliorare i risultati.

1. AI nel settore sanitario: Nell'analisi di immagini mediche, AutoML può testare rapidamente diversi modelli di segmentazione delle immagini per rilevare tumori nelle scansioni. Un sistema potrebbe addestrare e valutare automaticamente varie architetture su un set di dati come il set di dati sui tumori cerebrali, riducendo significativamente il tempo necessario ai ricercatori per sviluppare uno strumento diagnostico implementabile.
2. Servizi finanziari: Le banche utilizzano AutoML per creare modelli di rilevamento delle frodi. Alimentando una piattaforma AutoML con dati storici sulle transazioni, possono generare e ottimizzare automaticamente modelli che identificano modelli fraudolenti con elevata precisione, un'attività che altrimenti richiederebbe un ampio sforzo manuale da parte dei data scientist. Questo è ulteriormente approfondito nella computer vision per la finanza.

AutoML vs. Concetti correlati

È utile distinguere AutoML da settori correlati:

• AutoML vs. MLOps: Mentre AutoML si rivolge specificamente all'automazione della costruzione del modello (selezione, training, tuning), le Machine Learning Operations (MLOps) coprono l'intero ciclo di vita dell'ML. MLOps include la distribuzione, il monitoraggio, la gestione e la governance, garantendo che i modelli funzionino in modo affidabile in produzione. AutoML è spesso un componente all'interno di un framework MLOps più ampio, semplificando la fase di sviluppo iniziale prima del deployment del modello e del monitoraggio del modello.
• AutoML vs. NAS: La Neural Architecture Search (NAS) è un sottocampo di AutoML focalizzato specificamente sulla progettazione automatica dell'architettura delle reti neurali. Mentre NAS automatizza la progettazione della rete, strumenti AutoML più ampi possono anche automatizzare l'ingegneria delle feature e il tuning degli iperparametri per vari tipi di modelli, non solo le NN.

Strumenti e piattaforme AutoML

Numerosi strumenti e piattaforme facilitano l'AutoML:

• Piattaforme cloud: I principali provider offrono servizi AutoML integrati, come Google Cloud AutoML, Amazon SageMaker Autopilot e Microsoft Azure Machine Learning. Questi sfruttano risorse di cloud computing scalabili. Ultralytics offre anche Ultralytics HUB Cloud Training.
• Librerie Open-Source: Le librerie più utilizzate includono Auto-sklearn (basata su scikit-learn), TPOT (che utilizza la programmazione genetica) e H2O AutoML. Framework come PyTorch e TensorFlow forniscono l'infrastruttura sottostante per molte attività di ML, comprese quelle automatizzate dagli strumenti AutoML.
• Piattaforme Integrate: Ultralytics HUB incorpora funzionalità AutoML, in particolare per la messa a punto degli iperparametri, semplificando il processo di training di modelli personalizzati per attività come il rilevamento di oggetti.