Глоссарий

Автоматизированное машинное обучение (AutoML)

Ускорьте проекты машинного обучения с помощью AutoML! Автоматизируйте подготовку данных, выбор и настройку моделей, чтобы сэкономить время и сделать ИИ доступным для всех.

Автоматизированное машинное обучение (AutoML) представляет собой процесс автоматизации сквозного процесса применения машинного обучения (ML) для решения реальных задач. Основная цель AutoML - упростить и ускорить разработку ML-моделей, сделав передовые методы доступными даже для тех, кто не обладает глубокими знаниями в области науки о данных или ML. Автоматизируя повторяющиеся и трудоемкие задачи, AutoML позволяет разработчикам и исследователям создавать высокопроизводительные модели более эффективно, сокращая необходимость в обширной ручной настройке и экспериментах. Автоматизация охватывает различные этапы, от подготовки исходных данных до развертывания оптимизированных моделей.

Основные автоматизированные задачи в AutoML

Системы AutoML автоматизируют несколько основных компонентов типичного рабочего процесса ML:

Преимущества AutoML

Использование AutoML дает значительные преимущества:

  • Эффективность: Значительное сокращение времени и вычислительных ресурсов, необходимых для разработки и точной настройки ML-моделей.
  • Доступность: Снижает барьер для входа в систему ML, позволяя экспертам и разработчикам, не имеющим достаточного опыта в области ML, использовать мощные возможности прогнозирования. Ultralytics HUB призван еще больше упростить этот процесс.
  • Производительность: Часто определяет модели и конфигурации, которые достигают высокой точности и устойчивости, иногда превосходя модели, разработанные вручную, путем исследования обширного пространства поиска.
  • Снижение предвзятости: автоматизируя выбор и настройку моделей, AutoML может помочь снизить предвзятость ИИ, которая может возникнуть при ручном выборе, хотя тщательный надзор за предвзятостью набора данных по-прежнему крайне важен.

Применение в реальном мире

AutoML находит применение в самых разных отраслях:

AutoML в сравнении со смежными концепциями

Полезно отличать AutoML от смежных областей:

  • AutoML vs. MLOps: Если AutoML нацелен на автоматизацию построения моделей (выбор, обучение, настройка), то Machine Learning Operations (MLOps) охватывает весь жизненный цикл ML. MLOps включает в себя развертывание, мониторинг, управление и контроль, обеспечивая надежную работу моделей в производстве. AutoML часто является компонентом более крупной системы MLOps, упрощая начальный этап разработки до развертывания и мониторинга моделей.
  • AutoML vs. NAS: Поиск нейронной архитектуры (NAS) - это подполе AutoML, ориентированное на автоматическое проектирование архитектуры нейронных сетей (НС). В то время как NAS автоматизирует проектирование сетей, более широкие инструменты AutoML могут также автоматизировать разработку функций и настройку гиперпараметров для различных типов моделей, а не только NN.

Инструменты и платформы AutoML

Многочисленные инструменты и платформы облегчают работу с AutoML:

Присоединяйтесь к сообществу Ultralytics

Присоединяйтесь к будущему искусственного интеллекта. Общайтесь, сотрудничайте и развивайтесь вместе с мировыми новаторами

Присоединяйтесь сейчас
Ссылка копируется в буфер обмена