Aprendizagem automática de máquinas (AutoML)
Simplifique os projectos de aprendizagem automática com o AutoML! Automatize a preparação de dados, a seleção de modelos e o ajuste para poupar tempo e tornar a IA acessível a todos.
A Aprendizagem Automática de Máquinas (AutoML) representa o processo de automatização da cadeia de ponta a ponta da aplicação da Aprendizagem Automática (ML) a problemas do mundo real. O principal objetivo do AutoML é simplificar e acelerar o desenvolvimento de modelos de ML, tornando as técnicas avançadas acessíveis mesmo para quem não tem conhecimentos profundos em ciência de dados ou ML. Ao automatizar tarefas repetitivas e demoradas, o AutoML permite que os programadores e investigadores criem modelos de elevado desempenho de forma mais eficiente, reduzindo a necessidade de configuração e experimentação manuais extensivas. Esta automatização abrange várias fases, desde a preparação de dados em bruto até à implementação de modelos optimizados.
Principais tarefas automatizadas no AutoML
Os sistemas AutoML automatizam vários componentes essenciais do fluxo de trabalho típico de ML:
- Pré-processamento de dados: Tratamento automático de tarefas como a limpeza de dados, a gestão de valores em falta, a conversão de tipos de dados e a aplicação de técnicas como a normalização ou a padronização para preparar dados de treino para modelação.
- Engenharia de recursos: Automatização da criação, seleção e transformação de caraterísticas de entrada para melhorar o desempenho do modelo. Isto pode envolver técnicas abordadas nos conceitos de engenharia de caraterísticas.
- Seleção de modelos: Escolher automaticamente o melhor tipo de modelo (por exemplo, árvores de decisão, redes neurais, SVMs) para uma determinada tarefa e conjunto de dados a partir de uma série de possibilidades, incluindo arquitecturas de deteção de objectos como o Ultralytics YOLO.
- Afinação de hiperparâmetros: Otimização dos hiperparâmetros do modelo (por exemplo, taxa de aprendizagem, tamanho do lote) utilizando técnicas como a pesquisa em grelha, pesquisa aleatória ou métodos mais avançados como a otimização Bayesiana para atingir o desempenho máximo.
Benefícios do AutoML
A adoção da AutoML oferece vantagens significativas:
- Eficiência: Reduz drasticamente o tempo e os recursos computacionais necessários para desenvolver e afinar modelos de ML.
- Acessibilidade: Diminui a barreira de entrada para o ML, permitindo que especialistas de domínio e desenvolvedores com menos experiência em ML aproveitem recursos preditivos poderosos. O Ultralytics HUB tem como objetivo simplificar ainda mais este processo.
- Desempenho: Identifica frequentemente modelos e configurações que atingem uma elevada precisão e robustez, ultrapassando por vezes os modelos concebidos manualmente através da exploração de um vasto espaço de pesquisa.
- Redução do enviesamento: Ao automatizar a seleção e a afinação de modelos, o AutoML pode ajudar a mitigar o enviesamento humano na IA que pode surgir das escolhas manuais, embora continue a ser crucial uma supervisão cuidadosa relativamente ao enviesamento do conjunto de dados.
Aplicações no mundo real
O AutoML encontra aplicações em diversos sectores:
AutoML vs. Conceitos relacionados
É útil distinguir a AutoML de campos relacionados:
- AutoML vs. MLOps: Enquanto o AutoML visa especificamente a automatização da construção de modelos (seleção, formação, afinação), as Operações de Aprendizagem Automática (MLOps) abrangem todo o ciclo de vida do ML. O MLOps inclui a implementação, a monitorização, a gestão e a governação, garantindo que os modelos funcionam de forma fiável na produção. O AutoML é muitas vezes um componente dentro de uma estrutura MLOps maior, simplificando a fase inicial de desenvolvimento antes da implantação e monitoramento do modelo.
- AutoML vs. NAS: A Pesquisa de Arquitetura Neural (NAS) é um subcampo do AutoML especificamente orientado para a conceção automática da arquitetura das redes neuronais (NN). Enquanto o NAS automatiza o design da rede, as ferramentas AutoML mais amplas também podem automatizar a engenharia de recursos e o ajuste de hiperparâmetros para vários tipos de modelos, não apenas NNs.
PT
EN
ZH
KO
JA
RU
DE
FR
ES
IT
TR
VI
AR
.webp)
.webp)