Automated Machine Learning (AutoML)

Il Machine Learning Automatizzato (AutoML) è il processo di automazione delle attività iterative e dispendiose in termini di tempo dello sviluppo di modelli di machine learning. Consente a data scientist, analisti e sviluppatori di creare modelli di Machine Learning (ML) efficienti, produttivi e su larga scala, mantenendo al contempo la qualità del modello. Lo sviluppo tradizionale dei modelli richiede molte risorse, un notevole bagaglio di conoscenze di settore e tempo per produrre e confrontare decine di modelli. L'AutoML automatizza passaggi come la preelaborazione dei dati, la selezione delle feature e la regolazione degli iperparametri, rendendo il potere dell'Intelligenza Artificiale (AI) accessibile ai non esperti e accelerando il flusso di lavoro per i professionisti più esperti.

Link to this sectionLe componenti principali dell'AutoML#

L'obiettivo principale dell'AutoML è ottimizzare le prestazioni di un modello predittivo per un set di dati specifico con il minimo intervento manuale. Una pipeline AutoML completa gestisce solitamente diverse fasi critiche:

• Pulizia e preparazione dei dati: I dati grezzi sono raramente pronti per l'addestramento. Gli strumenti di AutoML gestiscono automaticamente i valori mancanti, rilevano i valori anomali e formattano i dati di addestramento per garantire la coerenza.
• Feature Engineering: Identificare quali variabili contribuiscono maggiormente a una previsione è vitale. I sistemi automatizzati eseguono l'estrazione delle feature per creare nuove variabili di input e la selezione per rimuovere i dati irrilevanti, migliorando l'efficienza computazionale.
• Selezione del modello: I framework AutoML ricercano in modo intelligente tra vari algoritmi, dalla semplice regressione lineare a complesse architetture di Deep Learning (DL), per trovare la soluzione migliore per il problema.
• Ottimizzazione degli iperparametri: Trovare le impostazioni esatte, come il learning rate o la dimensione del batch, che producono la massima accuratezza, è spesso la parte più noiosa del ML. L'AutoML utilizza tecniche come l'ottimizzazione bayesiana per navigare rapidamente in questo spazio di ricerca.

Link to this sectionApplicazioni nel mondo reale#

L'AutoML sta rivoluzionando diversi settori abbassando la barriera all'ingresso per il deployment di sofisticate soluzioni AI.

1. Sanità e diagnostica: Nell'analisi di immagini mediche, l'AutoML aiuta i medici a sviluppare modelli che identificano patologie in radiografie o risonanze magnetiche. Automatizzando la progettazione di Convolutional Neural Networks (CNNs), gli ospedali possono implementare sistemi con un elevato recall per segnalare potenziali tumori o fratture, fungendo da affidabile seconda opinione per i radiologi.

2. Vendita al dettaglio e controllo dell'inventario: I giganti dell'e-commerce e i negozi fisici utilizzano l'AI nella vendita al dettaglio per prevedere la domanda. I sistemi AutoML analizzano i dati storici di vendita per prevedere le tendenze future, ottimizzando la gestione automatizzata dell'inventario. Inoltre, è possibile addestrare modelli personalizzati di object detection per monitorare i livelli di stock a scaffale in tempo reale.

Link to this sectionOttimizzazione automatizzata con Ultralytics#

I moderni flussi di lavoro di computer vision richiedono spesso di trovare il perfetto equilibrio dei parametri di addestramento. La libreria ultralytics include funzionalità integrate che funzionano in modo simile all'AutoML, automatizzando la ricerca degli iperparametri ottimali (evoluzione genetica) per modelli come YOLO26.

Il seguente esempio mostra come avviare una sessione di tuning automatizzata, che migliora iterativamente le prestazioni del modello su un set di dati:

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)

Link to this sectionDistinguere l'AutoML da termini correlati#

Sebbene l'AutoML condivida aspetti comuni con altri concetti di AI, si distingue per ambito e applicazione:

• Neural Architecture Search (NAS) vs. AutoML: Il NAS è un sottoinsieme specifico dell'AutoML. Mentre un AutoML generico potrebbe scegliere tra un Decision Tree e una rete neurale, il NAS si concentra esclusivamente sulla progettazione della struttura interna di una rete neurale (ad esempio, numero di strati e connessioni). Il NAS è computazionalmente intensivo e si occupa della topologia del modello.
• Transfer Learning vs. AutoML: Il transfer learning è una tecnica in cui un modello pre-addestrato viene adattato per un nuovo compito. L'AutoML sfrutta spesso il transfer learning come strategia per velocizzare l'addestramento, ma non sono la stessa cosa; l'AutoML è il processo generale di automazione, mentre il transfer learning è una metodologia specifica utilizzata all'interno di tale processo.
• MLOps vs. AutoML: L'AutoML si concentra sulla fase di creazione del modello. MLOps (Machine Learning Operations) comprende l'intero ciclo di vita, inclusi il deployment del modello, il monitoraggio, la governance e il riaddestramento in ambienti di produzione.

Link to this sectionStrumenti e piattaforme#

Il panorama degli strumenti di AutoML è vasto e spazia da soluzioni basate su cloud a librerie open source. I principali provider cloud offrono servizi come Google Cloud AutoML e AWS SageMaker Autopilot, che forniscono interfacce grafiche per l'addestramento di modelli senza scrivere codice. Nell'ecosistema Python, librerie come auto-sklearn portano la selezione automatizzata degli algoritmi su set di dati standard.

Nello specifico per i task di computer vision, la Ultralytics Platform semplifica la pipeline di addestramento. Offre un'interfaccia intuitiva per gestire i set di dati, addestrare modelli allo stato dell'arte come YOLO11 e YOLO26, e distribuirli su vari dispositivi edge, ottimizzando efficacemente le complesse meccaniche dello sviluppo di vision AI.