Automated Machine Learning (AutoML)

Otomatik Makine Öğrenimi (AutoML), makine öğrenimi modeli geliştirmedeki zaman alan ve yinelemeli görevleri otomatikleştirme sürecidir. Veri bilimcilerin, analistlerin ve geliştiricilerin, model kalitesini korurken yüksek ölçekli, verimli ve üretken Makine Öğrenimi (ML) modelleri geliştirmesini sağlar. Geleneksel model geliştirme, düzinelerce modeli üretmek ve karşılaştırmak için önemli ölçüde alan bilgisi ve zaman gerektiren, kaynak yoğun bir süreçtir. AutoML; veri ön işleme, özellik seçimi ve hiperparametre ayarı gibi adımları otomatikleştirerek Yapay Zekâ (AI) gücünü uzman olmayan kişilerin erişimine açarken deneyimli profesyonellerin iş akışını hızlandırır.

AutoML'nin Temel Bileşenleri#

AutoML'nin temel amacı, minimum düzeyde manuel müdahaleyle belirli bir veri kümesi için tahmin modelinin performansını optimize etmektir. Kapsamlı bir AutoML işlem hattı genellikle birkaç kritik aşamayı yönetir:

• Veri Temizleme ve Hazırlama: Ham veriler nadiren eğitime hazır olur. AutoML araçları eksik değerleri otomatik olarak işler, aykırı değerleri tespit eder ve tutarlılığı sağlamak için eğitim verilerini biçimlendirir.
• Özellik Mühendisliği: Bir tahmine en fazla katkı sağlayan değişkenleri belirlemek hayati önem taşır. Otomatik sistemler yeni girdi değişkenleri oluşturmak için özellik çıkarma işlemi gerçekleştirir ve ilgisiz verileri kaldırmak için seçim yaparak hesaplama verimliliğini artırır.
• Model Seçimi: AutoML çerçeveleri, probleme en uygun modeli bulmak için basit doğrusal regresyondan karmaşık Derin Öğrenme (DL) mimarilerine kadar çeşitli algoritmaları akıllıca tarar.
• Hiperparametre Optimizasyonu: En yüksek doğruluğu sağlayan öğrenme oranı veya yığın boyutu gibi kesin ayarları bulmak, genellikle ML'nin en zahmetli kısmıdır. AutoML, bu arama uzayında hızla ilerlemek için Bayesçi optimizasyon gibi teknikleri kullanır.

Gerçek Dünya Uygulamaları#

AutoML, gelişmiş yapay zekânın kullanımını kolaylaştırarak çeşitli sektörlerde devrim yaratıyor.

1. Sağlık ve Tanı: Tıbbi görüntü analizinde AutoML, klinisyenlerin röntgen veya MRI taramalarındaki patolojileri belirleyen modeller geliştirmesine yardımcı olur. Evrişimli Sinir Ağlarının (CNNs) tasarımını otomatikleştiren hastaneler, olası tümörleri veya kırıkları işaretlemek için yüksek duyarlılığa sahip sistemleri kullanıma alabilir ve böylece radyologlara güvenilir bir ikinci görüş sunabilir.

2. Perakende ve Envanter Kontrolü: E-ticaret devleri ve fiziksel mağazalar talebi öngörmek için perakendede yapay zekâdan yararlanır. AutoML sistemleri, gelecekteki eğilimleri tahmin etmek ve otomatik envanter yönetimini optimize etmek için geçmiş satış verilerini analiz eder. Ayrıca özel nesne algılama modelleri, raflardaki stok seviyelerini gerçek zamanlı olarak izlemek üzere eğitilebilir.

Ultralytics ile Otomatik Optimizasyon#

Modern bilgisayarlı görü iş akışlarında genellikle eğitim parametreleri arasında mükemmel dengeyi bulmak gerekir. ultralytics kütüphanesi, YOLO26 gibi modeller için en uygun hiperparametrelerin (genetik evrim) aranmasını otomatikleştirerek AutoML'ye benzer şekilde çalışan yerleşik özellikler içerir.

Aşağıdaki örnek, bir veri kümesinde model performansını yinelemeli olarak iyileştiren otomatik ayarlama oturumunun nasıl başlatılacağını gösterir:

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)

AutoML'yi İlgili Terimlerden Ayırt Etme#

AutoML diğer yapay zekâ kavramlarıyla ortak yönlere sahip olsa da kapsamı ve uygulaması bakımından onlardan ayrılır:

• Sinir Mimarisi Araması (NAS) ile AutoML Karşılaştırması: NAS, AutoML'nin belirli bir alt kümesidir. Genel AutoML, Karar Ağacı ile Sinir Ağı arasında seçim yapabilirken NAS yalnızca bir sinir ağının iç yapısını (ör. katman ve bağlantı sayısını) tasarlamaya odaklanır. NAS, hesaplama açısından yoğundur ve modelin topolojisiyle ilgilenir.
• Aktarım Öğrenimi ile AutoML Karşılaştırması: Aktarım öğrenimi, önceden eğitilmiş bir modelin yeni bir göreve uyarlanması tekniğidir. AutoML, eğitimi hızlandırmak için genellikle bir strateji olarak aktarım öğreniminden yararlanır, ancak ikisi aynı değildir; AutoML kapsayıcı otomasyon sürecidir, aktarım öğrenimi ise bu süreç içinde kullanılan belirli bir yöntemdir.
• MLOps ile AutoML Karşılaştırması: AutoML modelin oluşturma aşamasına odaklanır. MLOps (Makine Öğrenimi Operasyonları), modelin kullanıma alınması, izleme, yönetişim ve üretim ortamlarında yeniden eğitim dâhil olmak üzere tüm yaşam döngüsünü kapsar.

Araçlar ve Platformlar#

AutoML araçları ekosistemi, bulut tabanlı çözümlerden açık kaynaklı kütüphanelere kadar uzanan geniş bir yelpazeye sahiptir. Önde gelen bulut sağlayıcıları, kod yazmadan model eğitmek için grafik arayüzler sunan Google Cloud AutoML ve AWS SageMaker Autopilot gibi hizmetler sağlar. Python ekosisteminde auto-sklearn gibi kütüphaneler, otomatik algoritma seçimini standart veri kümelerine taşır.

Bilgisayarlı görü görevleri için Ultralytics Platform eğitim işlem hattını basitleştirir. Veri kümelerini yönetmek, YOLO11 ve YOLO26 gibi son teknoloji modelleri eğitmek ve bunları çeşitli uç cihazlara dağıtmak için sezgisel bir arayüz sunarak yapay zekâ destekli görü geliştirmenin karmaşık mekanik süreçlerini etkili bir şekilde kolaylaştırır.