Автоматизированное машинное обучение (AutoML)

Автоматическое машинное обучение (AutoML) — это процесс автоматизации трудоемких итеративных задач разработки моделей машинного обучения. Оно позволяет специалистам по данным, аналитикам и разработчикам создавать масштабные, эффективные и продуктивные модели машинного обучения (ML) при сохранении качества моделей. Традиционная разработка моделей требует значительных ресурсов, глубоких знаний в данной области и времени для создания и сравнения десятков моделей. AutoML автоматизирует такие этапы, как предварительная обработка данных, выбор характеристик и настройка гиперпараметров, делая возможности искусственного интеллекта (ИИ) доступными для неспециалистов и ускоряя рабочий процесс для опытных профессионалов.

Основные компоненты AutoML

Основная цель AutoML — оптимизация производительности прогнозной модели для конкретного набора данных с минимальным ручным вмешательством. Комплексный конвейер AutoML обычно управляет несколькими критически важными этапами:

• Очистка и подготовкаданных: необработанные данные редко бывают готовы к обучению. Инструменты AutoML автоматически обрабатывают отсутствующие значения, detect и форматируют учебные данные для обеспечения согласованности.
• Инжиниринг признаков: Определение переменных, которые вносят наибольший вклад в прогноз, имеет жизненно важное значение. Автоматизированные системы выполняют извлечение признаков для создания новых входных переменных и выборку для удаления нерелевантных данных, повышая эффективность вычислений
• Выбор модели: фреймворки AutoML интеллектуально просматривают различные алгоритмы, от простой линейной регрессии до сложных архитектур глубокого обучения (DL), чтобы найти наилучшее решение для задачи.
• Оптимизация гиперпараметров: поиск точных настроек, таких как скорость обучения или размер партии, которые обеспечивают наивысшую точность, часто является самой утомительной частью машинного обучения. AutoML использует такие методы, как байесовская оптимизация, для быстрого перемещения по этому пространству поиска.

Применение в реальном мире

AutoML революционизирует различные секторы, снижая барьеры для внедрения сложных систем искусственного интеллекта.

1. Здравоохранение и диагностика: в медицинском анализе изображений AutoML помогает клиницистам разрабатывать модели, которые выявляют патологии на рентгеновских снимках или МРТ-сканах. Благодаря автоматизации проектирования сверточных нейронных сетей (CNN) больницы могут внедрять системы с высокой точностью обнаружения для выявления потенциальных опухолей или переломов, которые служат надежным вторым мнением для радиологов.
2. Управление розничной торговлей и запасами: гиганты электронной коммерции и физические магазины используют ИИ в розничной торговле для прогнозирования спроса. Системы AutoML анализируют исторические данные о продажах для прогнозирования будущих тенденций, оптимизируя автоматизированное управление запасами. Кроме того, модели обнаружения пользовательских объектов могут быть обучены мониторингу уровня запасов на полках в режиме реального времени.

Автоматическая оптимизация с Ultralytics

Современные рабочие процессы компьютерного зрения часто требуют нахождения идеального баланса параметров обучения. ultralytics библиотека включает встроенные возможности, которые функционируют аналогично AutoML, автоматизируя поиск оптимальных гиперпараметров (генетическая эволюция) для моделей, таких как YOLO26.

В следующем примере показано, как запустить сеанс автоматической настройки, который итеративно улучшает производительность модели на наборе данных:

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)

Отличие AutoML от смежных терминов

Хотя AutoML имеет много общего с другими концепциями искусственного интеллекта, он отличается по своему объему и применению:

• Поиск нейронной архитектуры (NAS) vs. AutoML: NAS является специфическим подмножеством AutoML. В то время как общий AutoML может выбирать между деревом решений и нейронной сетью, NAS фокусируется исключительно на проектировании внутренней структуры нейронной сети (например, количество слоев и соединений). NAS является вычислительно интенсивным и занимается топологией модели.
• Перенос обучения и AutoML: Перенос обучения — это метод, при котором предварительно обученная модель адаптируется для новой задачи. AutoML часто использует перенос обучения в качестве стратегии для ускорения обучения, но это не одно и то же: AutoML — это общий процесс автоматизации, а перенос обучения — это конкретная методология, используемая в рамках этого процесса.
• MLOps против AutoML: AutoML фокусируется на этапе создания модели. MLOps (операции машинного обучения) охватывают весь жизненный цикл, включая развертывание модели, мониторинг, управление и переобучение в производственных средах.

Инструменты и платформы

Существует множество инструментов AutoML, от облачных решений до библиотек с открытым исходным кодом. Крупные облачные провайдеры предлагают такие услуги, как Google AutoML и AWS SageMaker Autopilot, которые предоставляют графические интерфейсы для обучения моделей без написания кода. В Python такие библиотеки, как auto-sklearn, обеспечивают автоматический выбор алгоритмов для стандартных наборов данных.

Специально для задач компьютерного зрения платформа Ultralytics упрощает процесс обучения. Она предлагает интуитивно понятный интерфейс для управления наборами данных, обучения современных моделей, таких как YOLO11 и YOLO26, а также для их развертывания на различных периферийных устройствах, эффективно оптимизируя сложные механизмы разработки ИИ для компьютерного зрения.