Automated Machine Learning (AutoML)

Автоматизированное машинное обучение (AutoML) — это процесс автоматизации трудоёмких итеративных задач разработки моделей машинного обучения. Оно позволяет специалистам по данным, аналитикам и разработчикам создавать высокомасштабируемые, эффективные и производительные модели машинного обучения (ML), сохраняя их качество. Традиционная разработка моделей требует значительных ресурсов, глубоких предметных знаний и времени для создания и сравнения десятков моделей. AutoML автоматизирует такие этапы, как предварительная обработка данных, отбор признаков и настройка гиперпараметров, делая возможности искусственного интеллекта (AI) доступными неспециалистам и ускоряя рабочий процесс опытных профессионалов.

Основные компоненты AutoML#

Основная цель AutoML — оптимизировать производительность прогностической модели для конкретного набора данных при минимальном ручном вмешательстве. Комплексный конвейер AutoML обычно управляет несколькими критически важными этапами:

• Очистка данных и подготовка: исходные данные редко готовы к обучению. Инструменты AutoML автоматически обрабатывают пропущенные значения, обнаруживают выбросы и форматируют обучающие данные, обеспечивая согласованность.
• Инженерия признаков: важно определить, какие переменные вносят наибольший вклад в прогноз. Автоматизированные системы выполняют извлечение признаков, создавая новые входные переменные, и отбирают признаки, удаляя нерелевантные данные для повышения вычислительной эффективности.
• Выбор модели: фреймворки AutoML интеллектуально перебирают различные алгоритмы — от простой линейной регрессии до сложных архитектур глубокого обучения (DL), — чтобы найти наиболее подходящий для задачи вариант.
• Оптимизация гиперпараметров: поиск точных настроек — например, скорости обучения или размера пакета, — обеспечивающих максимальную точность, часто оказывается самой утомительной частью ML. AutoML использует такие методы, как байесовская оптимизация, чтобы быстро исследовать это пространство поиска.

Практические применения#

AutoML преобразует самые разные отрасли, снижая порог входа для внедрения сложных решений на основе AI.

1. Здравоохранение и диагностика: при анализе медицинских изображений AutoML помогает врачам разрабатывать модели, выявляющие патологии на рентгеновских снимках или МРТ. Автоматизируя разработку сверточных нейронных сетей (CNNs), больницы могут внедрять системы с высокой полнотой для выявления потенциальных опухолей или переломов, предоставляя радиологам надёжное второе мнение.

2. Розничная торговля и управление запасами: гиганты электронной коммерции и обычные магазины используют AI в розничной торговле для прогнозирования спроса. Системы AutoML анализируют исторические данные о продажах, чтобы прогнозировать будущие тенденции и оптимизировать автоматизированное управление запасами. Кроме того, пользовательские модели обнаружения объектов можно обучить для мониторинга уровня запасов на полках в реальном времени.

Автоматизированная оптимизация с помощью Ultralytics#

Современные рабочие процессы компьютерного зрения часто требуют поиска идеального баланса параметров обучения. Библиотека ultralytics включает встроенные возможности, работающие по аналогии с AutoML: они автоматизируют поиск оптимальных гиперпараметров (генетическая эволюция) для таких моделей, как YOLO26.

В следующем примере показано, как запустить сеанс автоматической настройки, который итеративно повышает 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)

Отличия AutoML от связанных терминов#

Хотя AutoML пересекается с другими концепциями AI, он отличается от них областью применения и назначением:

• Поиск нейронной архитектуры (NAS) и AutoML: NAS — это конкретное подмножество AutoML. Если общий AutoML может выбирать между деревом решений и нейронной сетью, NAS сосредоточен исключительно на разработке внутренней структуры нейронной сети (например, количества слоёв и связей). NAS требует значительных вычислительных ресурсов и работает с топологией модели.
• Перенос обучения и AutoML: перенос обучения — это методика, при которой предварительно обученная модель адаптируется к новой задаче. AutoML часто использует перенос обучения как стратегию ускорения обучения, но это не одно и то же: AutoML — это общий процесс автоматизации, а перенос обучения — конкретная методика, применяемая в рамках этого процесса.
• MLOps и AutoML: AutoML сосредоточен на этапе создания модели. MLOps (операции машинного обучения) охватывает весь жизненный цикл, включая развёртывание модели, мониторинг, управление и повторное обучение в производственных средах.

Инструменты и платформы#

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

Для задач компьютерного зрения платформа Ultralytics упрощает конвейер обучения. Она предлагает интуитивно понятный интерфейс для управления наборами данных, обучения передовых моделей, таких как YOLO11 и YOLO26, и их развёртывания на различных периферийных устройствах, эффективно упрощая сложные процессы разработки AI для компьютерного зрения.