Apprendimento automatico della macchina (AutoML)
Semplificate i progetti di apprendimento automatico con AutoML! Automatizzate la preparazione dei dati, la selezione dei modelli e la messa a punto per risparmiare tempo e rendere l'IA accessibile a tutti.
L'Automated Machine Learning (AutoML) rappresenta il processo di automazione della pipeline end-to-end di applicazione del Machine Learning (ML) ai problemi del mondo reale. L'obiettivo principale di AutoML è quello di semplificare e accelerare lo sviluppo di modelli di ML, rendendo le tecniche avanzate accessibili anche a chi non ha una profonda esperienza di data science o ML. Automatizzando le attività ripetitive e dispendiose in termini di tempo, AutoML consente a sviluppatori e ricercatori di costruire modelli ad alte prestazioni in modo più efficiente, riducendo la necessità di una configurazione e di una sperimentazione manuali. L'automazione copre varie fasi, dalla preparazione dei dati grezzi alla distribuzione di modelli ottimizzati.
Principali operazioni automatizzate in AutoML
I sistemi AutoML automatizzano diversi componenti fondamentali del tipico flusso di lavoro di ML:
- Preelaborazione dei dati: Gestione automatica di attività come la pulizia dei dati, la gestione dei valori mancanti, la conversione dei tipi di dati e l'applicazione di tecniche come la normalizzazione o la standardizzazione per preparare i dati di addestramento alla modellazione.
- Ingegneria delle caratteristiche: Automatizzare la creazione, la selezione e la trasformazione delle caratteristiche di input per migliorare le prestazioni del modello. Questo può coinvolgere le tecniche discusse nei concetti di ingegneria delle caratteristiche.
- Selezione del modello: Scelta automatica del tipo di modello migliore (ad esempio, alberi decisionali, reti neurali, SVM) per un determinato compito e set di dati tra una serie di possibilità, comprese le architetture di rilevamento degli oggetti come Ultralytics YOLO.
- Regolazione degli iperparametri: Ottimizzazione degli iperparametri del modello (ad esempio, tasso di apprendimento, dimensione del batch) utilizzando tecniche come la ricerca a griglia, la ricerca casuale o metodi più avanzati come l'ottimizzazione bayesiana per ottenere le massime prestazioni.
Vantaggi di AutoML
L'adozione di AutoML offre notevoli vantaggi:
- Efficienza: Riduce drasticamente il tempo e le risorse computazionali necessarie per sviluppare e perfezionare i modelli ML.
- Accessibilità: Riduce la barriera all'ingresso del ML, consentendo agli esperti di dominio e agli sviluppatori con minore esperienza di ML di sfruttare potenti capacità predittive. Ultralytics HUB mira a semplificare ulteriormente questo processo.
- Prestazioni: Spesso identifica modelli e configurazioni che raggiungono un'elevata precisione e robustezza, talvolta superando i modelli progettati manualmente grazie all'esplorazione di un vasto spazio di ricerca.
- Riduzione delle distorsioni: automatizzando la selezione e la messa a punto dei modelli, AutoML può contribuire a mitigare le distorsioni umane nell'IA che potrebbero derivare dalle scelte manuali, sebbene sia ancora fondamentale un'attenta supervisione delle distorsioni del set di dati.
Applicazioni del mondo reale
AutoML trova applicazioni in diversi settori:
AutoML e concetti correlati
È utile distinguere l'AutoML dai campi correlati:
- AutoML vs. MLOps: mentre AutoML si rivolge specificamente all'automazione della creazione di modelli (selezione, formazione, messa a punto), Machine Learning Operations (MLOps) copre l'intero ciclo di vita del ML. Le MLOps comprendono la distribuzione, il monitoraggio, la gestione e la governance, per garantire che i modelli funzionino in modo affidabile in produzione. AutoML è spesso un componente di un framework MLOps più ampio, che semplifica la fase di sviluppo iniziale prima della distribuzione e del monitoraggio dei modelli.
- AutoML vs. NAS: Neural Architecture Search (NAS) è un sottocampo di AutoML incentrato specificamente sulla progettazione automatica dell'architettura delle reti neurali (NN). Mentre NAS automatizza la progettazione della rete, gli strumenti AutoML più ampi possono automatizzare anche l'ingegnerizzazione delle caratteristiche e la regolazione degli iperparametri per vari tipi di modelli, non solo per le NN.
IT
EN
ZH
KO
JA
RU
DE
FR
ES
PT
TR
VI
AR
.webp)
.webp)
