Автоматизированное машинное обучение (AutoML)

Автоматизированное машинное обучение (AutoML) - это быстро развивающаяся область искусственного интеллекта (ИИ), предназначенная для автоматизировать сквозной процесс применения машинного обучения (ML) для решения реальных задач. Систематизируя сложные и итеративные задачи, связанные с построением ML-моделей, AutoML стремится использовать возможности Deep Learning (DL) и статистического моделирования доступными для неспециалистов и одновременно повысить эффективность работы профессиональных специалистов по изучению данных. Традиционная разработка моделей требует значительных ручных усилий в таких областях, как предварительная обработка данных, выбор признаков и настройка алгоритмов. AutoML упрощает эти рабочие процессы, позволяя организациям масштабировать свои возможности в области ИИ без не требуя огромной команды инженеров-специалистов.

Рабочий процесс AutoML

Основная цель AutoML - устранить аспект проб и ошибок при создании высокопроизводительных моделей. Типичный Конвейер AutoML автоматически обрабатывает несколько критических этапов:

• Подготовка данных: Необработанные данные редко бывают готовы к обучению. Инструменты AutoML автоматизируют очистку данных, обработку пропущенных значений и форматирование вводимых данных. Это гарантирует, что стандартизированные и надежные данные для обучения.
• Feature Engineering: Определение того, какие переменные вносят наибольший вклад в прогнозирование, имеет решающее значение. Благодаря автоматическому извлечению и система определяет наиболее значимые исходные данные, часто создавая новые характеристики, которые человек может не заметить. упустить из виду.
• Выбор модели: Существует бесчисленное множество алгоритмов, от простой линейной регрессии до сложных нейронных сетей (НС). AutoML интеллектуально тестирует различные архитектуры, чтобы найти ту, которая лучше всего подходит для конкретного набору данных.
• Оптимизация гиперпараметров: Настройка таких параметров, как скорость обучения или размер партии, очень важна для достижения максимальной точности. Такие передовые методы, как Байесовская оптимизация используется для эффективного поиска оптимальной конфигурации в пространстве гиперпараметров.

Применение в реальном мире

AutoML преобразует отрасли, позволяя быстрее внедрять интеллектуальные решения. Два ярких примера включают:

1. Диагностика в здравоохранении: В области анализа медицинских изображений больницы используют AutoML для разработки систем, помогающих радиологам. Благодаря автоматическому тестированию различных Конволюционные нейронные сети (CNN) архитектуры, эти инструменты могут с высокой точностью detect аномалии, такие как опухоли, на рентгеновских снимках или снимках МРТ. точностью. Это ускоряет создание диагностических диагностических средств, которые улучшают состояние пациентов.
2. Розничная торговля и управление запасами: Ритейлеры используют Модели компьютерного зрения (CV) для контроля уровня запасов на полках уровня запасов на полках. Платформы AutoML позволяют компаниям обучать пользовательские модели обнаружения объектов на своих конкретных без глубоких технических знаний. Это приводит к эффективному автоматизированному управлению запасами, сокращению потерь и обеспечивая постоянное наличие популярных товаров на складе.

Автоматизация оптимизации с помощью кода

Одно из наиболее распространенных применений принципов AutoML в современных рабочих процессах - автоматизация настройка гиперпараметров. Сайт ultralytics Библиотека упрощает этот процесс, позволяя пользователям автоматически искать наилучшую конфигурацию обучения для моделей. конфигурацию для обучения таких моделей, как YOLO11.

В следующем примере показано, как инициировать сеанс автоматической настройки для оптимизации производительности модели на конкретном наборе данных:

from ultralytics import YOLO

# Load a standard YOLO11 model
model = YOLO("yolo11n.pt")

# Start automated hyperparameter tuning
# This process searches for optimal settings (lr, momentum, etc.)
# to maximize metrics like mAP on the provided data
model.tune(data="coco8.yaml", epochs=10, iterations=5)

Отличие AutoML от смежных концепций

Важно отличать AutoML от других терминов в экосистеме ИИ, чтобы понять его особую роль:

• AutoML vs. MLOps: В то время как AutoML фокусируется на создании модели (обучение и настройка), Операции машинного обучения (MLOps) охватывает весь жизненный цикл. MLOps включает развертывание модели, мониторинг и управление в производственных средах. AutoML часто является компонентом более широкой стратегии MLOps.
• AutoML против поиска по нейронной архитектуре (NAS): Поиск нейронной архитектуры (NAS) это специализированное подмножество AutoML. В то время как общий AutoML может выбирать между случайным лесом и нейронной сетью, NAS специально автоматизирует разработку самой структуры нейронной сети (например, количество слоев, узлов соединений). NAS требует больших вычислительных затрат и фокусируется исключительно на архитектуре.
• AutoML по сравнению с трансферным обучением: Трансферное обучение предполагает использование предварительно обученной модель и адаптирует ее к новой задаче. Хотя в AutoML часто используются стратегии трансферного обучения для ускорения обучения, это разные понятия. Трансферное обучение - это техника, в то время как AutoML - это система автоматизации процессов.

Инструменты и платформы

Внедрению AutoML способствует целый ряд мощных инструментов - от библиотек с открытым исходным кодом до корпоративных облачных сервисов. сервисов. Крупнейшие облачные провайдеры предлагают такие надежные решения, как Google Cloud AutoML, AWS SageMaker Autopilot и Azure Automated ML, которые предоставляют графические интерфейсы для построения моделей. В сообществе разработчиков с открытым исходным кодом такие библиотеки, как Auto-sklearn расширяют популярный scikit-learn и включают в себя автоматический выбор модели.

В частности, для компьютерного зрения в готовящуюся платформуUltralytics будут интегрированы возможности AutoML для упрощения обучения продвинутых моделей для таких задач, как оценка позы и сегментация изображений, что делает передовой ИИ сделав передовой ИИ доступным для разработчиков любого уровня подготовки.