Automated Machine Learning (AutoML)

A aprendizagem automática (AutoML) é o processo de automatizar as tarefas demoradas e iterativas do desenvolvimento de modelos de aprendizagem automática. Permite que cientistas de dados, analistas e programadores criem modelos de aprendizagem automática (ML) eficientes, produtivos e escaláveis, mantendo a qualidade dos modelos. O desenvolvimento tradicional de modelos requer muitos recursos, conhecimentos significativos do domínio e tempo para produzir e comparar dezenas de modelos. O AutoML automatiza etapas como o pré-processamento de dados, a seleção de características e a otimização de hiperparâmetros, tornando o poder da inteligência artificial (AI) acessível a não especialistas e acelerando o fluxo de trabalho de profissionais experientes.

Os principais componentes do AutoML#

O principal objetivo do AutoML é otimizar o desempenho de um modelo preditivo para um conjunto de dados específico, com o mínimo de intervenção manual. Um pipeline completo de AutoML gere normalmente várias etapas críticas:

• Limpeza e preparação de dados: Os dados brutos raramente estão prontos para o treino. As ferramentas de AutoML tratam automaticamente os valores em falta, detetam valores atípicos e formatam os dados de treino para garantir a consistência.
• Engenharia de características: Identificar quais as variáveis que mais contribuem para uma previsão é essencial. Os sistemas automatizados realizam a extração de características para criar novas variáveis de entrada e fazem a seleção para remover dados irrelevantes, melhorando a eficiência computacional.
• Seleção de modelos: As frameworks de AutoML pesquisam de forma inteligente vários algoritmos, desde a regressão linear simples até arquiteturas complexas de aprendizagem profunda (DL), para encontrar a opção mais adequada ao problema.
• Otimização de hiperparâmetros: Encontrar as definições exatas — como a taxa de aprendizagem ou o tamanho do lote — que produzem a maior exatidão é frequentemente a parte mais entediante da ML. O AutoML utiliza técnicas como a otimização bayesiana para percorrer rapidamente este espaço de pesquisa.

Aplicações no mundo real#

O AutoML está a revolucionar diversos setores ao reduzir a barreira de entrada para a implementação de soluções sofisticadas de AI.

1. Cuidados de saúde e diagnóstico: Na análise de imagens médicas, o AutoML ajuda os clínicos a desenvolver modelos que identificam patologias em radiografias ou exames de MRI. Ao automatizar a conceção de redes neuronais convolucionais (CNNs), os hospitais podem implementar sistemas com um recall elevado para assinalar potenciais tumores ou fraturas, servindo como uma segunda opinião fiável para os radiologistas.

2. Retalho e controlo de inventário: Os gigantes do comércio eletrónico e as lojas físicas utilizam AI no retalho para prever a procura. Os sistemas de AutoML analisam dados históricos de vendas para prever tendências futuras, otimizando a gestão automatizada do inventário. Além disso, é possível treinar modelos personalizados de deteção de objetos para monitorizar os níveis de stock nas prateleiras em tempo real.

Otimização automatizada com Ultralytics#

Os fluxos de trabalho modernos de visão computacional exigem frequentemente encontrar o equilíbrio perfeito entre os parâmetros de treino. A biblioteca ultralytics inclui funcionalidades integradas que funcionam de forma semelhante ao AutoML, automatizando a pesquisa de hiperparâmetros ideais (evolução genética) para modelos como o YOLO26.

O exemplo seguinte mostra como iniciar uma sessão de ajuste automatizado, que melhora iterativamente o desempenho do modelo num conjunto de dados:

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)

Distinguir o AutoML de termos relacionados#

Embora o AutoML partilhe algumas características com outros conceitos de AI, distingue-se pelo seu âmbito e aplicação:

• Pesquisa de arquiteturas neuronais (NAS) vs. AutoML: NAS é um subconjunto específico de AutoML. Enquanto o AutoML geral pode escolher entre uma árvore de decisão e uma rede neuronal, o NAS concentra-se exclusivamente na conceção da estrutura interna de uma rede neuronal (por exemplo, no número de camadas e ligações). O NAS exige muitos recursos computacionais e lida com a topologia do modelo.
• Aprendizagem por transferência vs. AutoML: A aprendizagem por transferência é uma técnica em que um modelo pré-treinado é adaptado para uma nova tarefa. O AutoML utiliza frequentemente a aprendizagem por transferência como estratégia para acelerar o treino, mas os conceitos não são iguais; o AutoML é o processo abrangente de automação, enquanto a aprendizagem por transferência é uma metodologia específica utilizada nesse processo.
• MLOps vs. AutoML: O AutoML concentra-se na fase de criação do modelo. O MLOps (Operações de aprendizagem automática) abrange todo o ciclo de vida, incluindo a implementação de modelos, a monitorização, a governação e o novo treino em ambientes de produção.

Ferramentas e Plataformas#

O panorama das ferramentas de AutoML é vasto, abrangendo desde soluções baseadas na cloud até bibliotecas de código aberto. Os principais fornecedores de cloud disponibilizam serviços como o Google Cloud AutoML e o AWS SageMaker Autopilot, que fornecem interfaces gráficas para treinar modelos sem escrever código. No ecossistema Python, bibliotecas como o auto-sklearn disponibilizam a seleção automatizada de algoritmos para conjuntos de dados padrão.

Especificamente para tarefas de visão computacional, a Ultralytics Platform simplifica o pipeline de treino. Oferece uma interface intuitiva para gerir conjuntos de dados, treinar modelos de última geração como o YOLO11 e o YOLO26 e implementá-los em vários dispositivos de edge, simplificando eficazmente os complexos mecanismos do desenvolvimento de AI para visão.