Otomatik Makine Öğrenimi (AutoML)

Otomatik Makine Öğrenimi (AutoML), makine öğreniminin hızla gelişen bir alt alanıdır. Yapay Zeka (AI) aşağıdakiler için tasarlanmıştır uçtan uca başvuru sürecini otomatikleştirin Makine Öğrenimini (ML) gerçek dünya sorunlarına uyarlıyor. AutoML, makine öğrenimi modellerinin oluşturulmasında yer alan karmaşık ve yinelemeli görevleri sistematik hale getirerek, makine öğreniminin gücünü Derin Öğrenme (DL) ve istatistiksel modelleme uzman olmayanlar için erişilebilir hale getirirken aynı zamanda profesyonel veri bilimcilerin verimliliğini de artırıyor. Geleneksel model geliştirme, aşağıdaki gibi alanlarda önemli ölçüde manuel çaba gerektirir veri ön işleme, özellik seçimi ve algoritma ayarlama. AutoML bu iş akışlarını kolaylaştırarak kuruluşların yapay zeka yeteneklerini uzman mühendislerden oluşan devasa bir ekibe ihtiyaç duyuyor.

AutoML İş Akışı

AutoML'in temel amacı, yüksek performanslı modeller oluşturmanın deneme-yanılma yönünü ortadan kaldırmaktır. Tipik bir AutoML boru hattı birkaç kritik aşamayı otomatik olarak işler:

• Veri Hazırlama: Ham veriler nadiren eğitim için hazırdır. AutoML araçları otomatikleştirir veri temizleme, eksik değerleri işleme ve biçimlendirme girdileri. Bu, girdilerin eğitim verileri standartlaştırılmış ve güvenilirdir.
• Özellik Mühendisliği: Hangi değişkenlerin bir tahmine en çok katkıda bulunduğunu belirlemek çok önemlidir. Otomatik özellik çıkarma ve seçiminde, sistem en ilgili girdileri belirler ve çoğu zaman insan analistlerin yapabileceği yeni özellikler yaratır. görmezden gel.
• Model Seçimi: Basit algoritmalardan sayısız algoritma mevcuttur. karmaşık doğrusal regresyon sinir ağları (NN'ler). Akıllıca AutoML çeşitli mimarileri test ederek spesifik ihtiyaçlara en uygun olanı bulmaya çalışır. veri kümesi.
• Hiperparametre Optimizasyonu: Aşağıdaki gibi ayarlar öğrenme oranı veya parti büyüklüğü en üst düzeye çıkarmak için hayati önem taşır doğruluk. Aşağıdakiler gibi gelişmiş teknikler Bayesian optimizasyonu verimli bir şekilde Optimal konfigürasyon için hiperparametre uzayında arama yapın.

Gerçek Dünya Uygulamaları

AutoML, akıllı çözümlerin daha hızlı uygulanmasını sağlayarak sektörleri dönüştürüyor. Öne çıkan iki örnek dahil:

1. Sağlık Teşhisi: Bu alanda tıbbi görüntü analizi, hastanelerde kullanım Radyologlara yardımcı olan sistemler geliştirmek için AutoML. Farklı testleri otomatik olarak yaparak Evrişimsel Sinir Ağı (CNN) mimarileri sayesinde, bu araçlar X-ışınlarında veya MRI taramalarında tümör gibi anomalileri yüksek hassasiyet. Bu, teşhis ve tedavi yöntemlerinin oluşturulmasını hızlandırır. hasta sonuçlarını iyileştiren yardımlar.
2. Perakende ve Envanter Yönetimi: Perakendeciler kaldıraç kullanıyor Stokları izlemek için Bilgisayarla Görme (CV) modelleri raflardaki seviyeler. AutoML platformları şirketlerin özel nesne algılama modellerini kendi özel derin teknik uzmanlık gerektirmeyen ürünler. Bu da verimli bir otomatik envanter yönetimi, israfın azaltılması ve Popüler ürünlerin her zaman stokta olmasını sağlamak.

Kod ile Optimizasyonu Otomatikleştirme

Modern iş akışlarında AutoML ilkelerinin en yaygın kullanımlarından biri otomatikleştirilmiş hiperparametre ayarlama. Bu ultralytics kütüphanesi bu süreci basitleştirerek kullanıcıların en iyi eğitimi otomatik olarak aramasına olanak tanır gibi modeller için yapılandırma YOLO11.

Aşağıdaki örnek, bir model üzerinde model performansını optimize etmek için otomatik ayarlama oturumunun nasıl başlatılacağını göstermektedir özel veri kümesi:

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)

AutoML'i İlgili Kavramlardan Ayırt Etme

AutoML'in özel rolünü anlamak için yapay zeka ekosistemindeki diğer terimlerden ayırt etmek önemlidir:

• AutoML vs. MLOps: AutoML modelin oluşturulmasına (eğitim ve ayarlama) odaklanırken, Makine Öğrenimi Operasyonları (MLOps) tüm yaşam döngüsünü kapsar. MLOps şunları içerir model dağıtımı, izleme ve yönetişim üretim ortamları. AutoML genellikle daha geniş bir MLOps stratejisinin bir bileşenidir.
• AutoML ve Nöral Mimari Arama (NAS): Nöral Mimari Arama (NAS) AutoML'nin özel bir alt kümesidir. Genel AutoML ise Rastgele Orman ve Sinir Ağı arasında seçim yapabilir, NAS özellikle sinir ağı yapısının tasarımını otomatikleştirir (örneğin, katman sayısı, düğüm bağlantılar). NAS hesaplama açısından yoğundur ve tamamen mimari.
• AutoML ve Transfer Öğrenimi: Transfer öğrenme, önceden eğitilmiş bir ve yeni bir göreve uyarlanması. AutoML eğitimi hızlandırmak için genellikle transfer öğrenme stratejilerini kullanır, bunlar farklı kavramlardır. Transfer öğrenimi bir tekniktir, AutoML ise bir süreç otomasyon çerçevesidir.

Araçlar ve Platformlar

AutoML'in benimsenmesi, açık kaynaklı kütüphanelerden kurumsal buluta kadar çeşitli güçlü araçlar tarafından yönlendirilmektedir hizmetler. Başlıca bulut sağlayıcıları aşağıdakiler gibi sağlam çözümler sunar Google Cloud AutoML, AWS SageMaker Autopilot ve Model oluşturmak için grafik arayüzler sağlayan Azure Automated ML. Açık kaynak topluluğunda, aşağıdaki gibi kütüphaneler Auto-sklearn, popüler scikit-learn çerçevesi otomatik model seçimini içerecek şekilde geliştirilmiştir.

Özellikle bilgisayarla görme için, yakında çıkacak olan Ultralytics Platformu AutoML'i entegre edecek gibi görevler için gelişmiş modellerin eğitimini basitleştirme yetenekleri poz tahmini ve görüntü segmentasyonu, son teknoloji yapay zeka tüm beceri seviyelerindeki geliştiriciler için erişilebilir.