Automated Machine Learning (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 apprendimento automatico. Consente a data scientist, analisti e sviluppatori di creare modelli di apprendimento automatico (ML) efficienti, produttivi e scalabili, mantenendo al contempo la qualità del modello. Lo sviluppo tradizionale dei modelli richiede molte risorse, oltre a una conoscenza approfondita del dominio e molto tempo per produrre e confrontare decine di modelli. AutoML automatizza fasi come la pre-elaborazione dei dati, la selezione delle caratteristiche e l'ottimizzazione degli iperparametri, rendendo la potenza dell'intelligenza artificiale (AI) accessibile ai non esperti e accelerando il flusso di lavoro dei professionisti più esperti.

I componenti fondamentali di AutoML#

L'obiettivo principale di AutoML è ottimizzare le prestazioni di un modello predittivo per uno specifico dataset con un intervento manuale minimo. Una pipeline AutoML completa gestisce in genere diverse fasi critiche:

• Pulizia e preparazione dei dati: i dati grezzi sono raramente pronti per l'addestramento. Gli strumenti AutoML gestiscono automaticamente i valori mancanti, rilevano gli outlier e formattano i dati di addestramento per garantire la coerenza.
• Ingegneria delle caratteristiche: identificare quali variabili contribuiscono maggiormente a una previsione è fondamentale. I sistemi automatizzati eseguono l'estrazione delle caratteristiche per creare nuove variabili di input e la selezione delle caratteristiche per rimuovere i dati irrilevanti, migliorando l'efficienza computazionale.
• Selezione del modello: i framework AutoML eseguono una ricerca intelligente tra vari algoritmi, dalla semplice regressione lineare alle complesse architetture di apprendimento profondo (DL), per trovare quello più adatto al problema.
• Ottimizzazione degli iperparametri: trovare le impostazioni esatte, come il tasso di apprendimento o la dimensione del batch, che producono la massima accuratezza, è spesso la parte più tediosa dell'ML. AutoML utilizza tecniche come l'ottimizzazione bayesiana per esplorare rapidamente questo spazio di ricerca.

Applicazioni nel mondo reale#

AutoML sta rivoluzionando diversi settori abbassando la barriera d'ingresso per l'implementazione di un'AI sofisticata.

1. Sanità e diagnostica: nell'analisi di immagini mediche, AutoML aiuta i medici a sviluppare modelli in grado di identificare patologie nelle radiografie o nelle scansioni MRI. Automatizzando la progettazione delle reti neurali convoluzionali (CNN), gli ospedali possono implementare sistemi con un recall elevato per segnalare potenziali tumori o fratture, fornendo ai radiologi un secondo parere affidabile.

2. Vendita al dettaglio e gestione dell'inventario: i colossi dell'e-commerce e i negozi fisici utilizzano l'AI nel settore retail per prevedere la domanda. I sistemi AutoML analizzano i dati storici delle vendite per prevedere le tendenze future, ottimizzando la gestione automatizzata dell'inventario. Inoltre, è possibile addestrare modelli personalizzati di rilevamento degli oggetti per monitorare in tempo reale i livelli delle scorte sugli scaffali.

Ottimizzazione automatizzata con Ultralytics#

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

L'esempio seguente mostra come avviare una sessione di ottimizzazione automatizzata, che migliora iterativamente le prestazioni del modello su un dataset:

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)

Distinguere AutoML dai termini correlati#

Sebbene AutoML abbia elementi in comune con altri concetti di AI, si distingue per portata e applicazione:

• Ricerca dell'architettura neurale (NAS) e AutoML: NAS è un sottoinsieme specifico di AutoML. Mentre l'AutoML generico può scegliere tra un albero decisionale e una rete neurale, NAS si concentra esclusivamente sulla progettazione della struttura interna di una rete neurale (ad esempio, il numero di livelli e connessioni). NAS richiede molte risorse computazionali e si occupa della topologia del modello.
• Apprendimento per trasferimento e AutoML: l'apprendimento per trasferimento è una tecnica in cui un modello preaddestrato viene adattato a una nuova attività. AutoML sfrutta spesso l'apprendimento per trasferimento come strategia per accelerare l'addestramento, ma i due concetti non coincidono: AutoML è il processo generale di automazione, mentre l'apprendimento per trasferimento è una metodologia specifica utilizzata all'interno di tale processo.
• Operazioni di apprendimento automatico (MLOps) e AutoML: AutoML si concentra sulla fase di creazione del modello. MLOps (operazioni di apprendimento automatico) comprende l'intero ciclo di vita, inclusi il deployment del modello, il monitoraggio, la governance e il riaddestramento negli ambienti di produzione.

Strumenti e piattaforme#

Il panorama degli strumenti AutoML è vasto e spazia dalle soluzioni basate sul cloud alle librerie open source. I principali provider cloud offrono servizi come Google Cloud AutoML e AWS SageMaker Autopilot, che forniscono interfacce grafiche per addestrare modelli senza scrivere codice. Nell'ecosistema Python, librerie come auto-sklearn portano la selezione automatizzata degli algoritmi nei dataset standard.

Per le attività di computer vision in particolare, la Ultralytics Platform semplifica la pipeline di addestramento. Offre un'interfaccia intuitiva per gestire i dataset, addestrare modelli all'avanguardia come YOLO11 e YOLO26 e implementarli su vari dispositivi edge, semplificando efficacemente i complessi meccanismi dello sviluppo dell'AI per la visione.