自動機械学習（AutoML）

自動機械学習（AutoML）は、機械学習（ML）モデル開発における時間のかかる反復的なタスクを自動化するプロセスです。AutoMLは、高性能なMLモデルを専門家以外の人でも利用できるようにし、特徴量、アルゴリズム、パラメータの選択を自動化することで、データサイエンティストの生産性を向上させることを目的としています。データの前処理からモデルのデプロイまでタスクを処理することで、AutoMLはワークフロー全体を効率化し、より迅速な実験と、より正確で効率的なモデルの作成を可能にします。この自動化は、高度なAIをよりアクセスしやすく、スケーラブルにするための重要なステップです。

AutoMLの仕組み

AutoMLシステムは、機械学習パイプラインの中で最も反復的な部分を自動化します。一般的なAutoMLプロセスには、いくつかの重要な段階があります。

• データ準備と特徴量エンジニアリング: 生データを自動的にクレンジングし、モデルにとって意味のある特徴量を生成します。これには、欠損値の処理、正規化、および既存の変数から新しい予測変数の作成が含まれます。
• モデルの選択: 与えられた問題に対して、最も適切なアルゴリズム（決定木、サポートベクターマシン、またはニューラルネットワークなど）を、幅広い可能性の中から選択します。
• ハイパーパラメータ最適化：選択されたモデルに最適なハイパーパラメータを自動的に見つけます。これは、ベイズ最適化、グリッドサーチ、進化的アルゴリズムなどの高度な探索戦略を使用して行われることがよくあります。 Ultralyticsは、ハイパーパラメータチューニングなどのタスクのために、これをツールに組み込んでいます。
• モデルの評価と反復: 精度やF1スコアなどの指標を使用してモデルの性能を評価し、より良い結果を達成するためにプロセスを繰り返します。

実際のアプリケーション

AutoMLは、開発を加速し、成果を向上させるために、多くの業界で応用されています。

1. ヘルスケアにおけるAI: 医用画像解析では、AutoMLはさまざまな画像セグメンテーションモデルを迅速にテストして、スキャンで腫瘍を検出できます。システムは、脳腫瘍データセットのようなデータセットでさまざまなアーキテクチャを自動的にトレーニングおよび評価し、研究者が展開可能な診断ツールを開発するために必要な時間を大幅に短縮できます。
2. 金融サービス: 銀行はAutoMLを使用して不正検出モデルを構築します。過去の取引データをAutoMLプラットフォームに入力することで、データサイエンティストによる広範な手作業を必要とせずに、不正なパターンを高精度で識別するモデルを自動的に生成および最適化できます。これについては、金融におけるコンピュータビジョンでさらに詳しく説明されています。

AutoMLと関連概念

AutoMLを関連分野と区別することは有益です。

• AutoMLとMLOps: AutoMLが特にモデル構築（選択、学習、チューニング）の自動化を対象とするのに対し、Machine Learning Operations (MLOps)はMLライフサイクル全体をカバーします。MLOpsには、デプロイメント、モニタリング、管理、ガバナンスが含まれており、モデルが本番環境で確実に動作するようにします。AutoMLは、より大規模なMLOpsフレームワーク内のコンポーネントであることが多く、モデルのデプロイとモデルのモニタリングの前の初期開発段階を効率化します。
• AutoMLとNAS: Neural Architecture Search (NAS)は、ニューラルネットワークのアーキテクチャを自動的に設計することに特化したAutoMLのサブフィールドです。NASがネットワーク設計を自動化する一方で、より広範なAutoMLツールは、NNだけでなく、さまざまなモデルタイプに対する特徴量エンジニアリングやハイパーパラメータのチューニングも自動化できます。

AutoMLツールとプラットフォーム

多数のツールとプラットフォームがAutoMLを促進します。

• クラウドプラットフォーム：主要プロバイダーは、Google Cloud AutoML、Amazon SageMaker Autopilot、Microsoft Azure Machine Learningなどの統合AutoMLサービスを提供しています。これらは、スケーラブルなクラウドコンピューティングリソースを活用します。Ultralyticsは、Ultralytics HUB Cloud Trainingも提供しています。
• オープンソースライブラリ: 一般的なライブラリには、Auto-sklearn (scikit-learnに基づく)、TPOT (遺伝的プログラミングを使用)、H2O AutoMLなどがあります。PyTorchやTensorFlowのようなフレームワークは、AutoMLツールによって自動化されたものを含む、多くのMLタスクの基盤となるインフラストラクチャを提供します。
• 統合プラットフォーム：Ultralytics HUBは、特にハイパーパラメータ調整のためのAutoML機能を組み込んでおり、物体検出などのタスクのためのカスタムモデルのトレーニングプロセスを簡素化します。