Automated Machine Learning (AutoML)

Automated Machine Learning (AutoML), makine öğrenimi modeli geliştirme süreçlerinin zaman alıcı ve tekrarlayan görevlerini otomatikleştirme sürecidir. Veri bilimcilerin, analistlerin ve geliştiricilerin, model kalitesini korurken yüksek ölçekli, verimli ve üretken Machine Learning (ML) modelleri oluşturmasına olanak tanır. Geleneksel model geliştirme, onlarca modeli üretmek ve karşılaştırmak için önemli düzeyde etki alanı bilgisi ve zaman gerektiren, kaynak yoğun bir süreçtir. AutoML, data preprocessing, özellik seçimi ve hyperparameter tuning gibi adımları otomatikleştirerek Artificial Intelligence (AI) gücünü uzman olmayan kişiler için erişilebilir hale getirirken deneyimli profesyoneller için iş akışını hızlandırır.

AutoML'in Temel Bileşenleri#

AutoML'in birincil hedefi, belirli bir veri seti için tahminleyici bir modelin performansını minimum manuel müdahale ile optimize etmektir. Kapsamlı bir AutoML hattı genellikle birkaç kritik aşamayı yönetir:

• Data Cleaning and Preparation: Ham veriler eğitim için nadiren hazırdır. AutoML araçları, tutarlılığı sağlamak amacıyla eksik değerleri otomatik olarak ele alır, aykırı değerleri tespit eder ve training data biçimlendirir.
• Feature Engineering: Hangi değişkenlerin bir tahmine en çok katkıda bulunduğunu belirlemek hayati önem taşır. Otomatik sistemler, hesaplama verimliliğini artırmak için yeni girdi değişkenleri oluşturmak amacıyla feature extraction ve alakasız verileri kaldırmak için seçim işlemleri gerçekleştirir.
• Model Selection: AutoML altyapıları; basit linear regression modellerinden karmaşık Deep Learning (DL) mimarilerine kadar çeşitli algoritmaları akıllıca tarayarak problem için en uygun olanı bulur.
• Hyperparameter Optimization: En yüksek accuracy sağlayan tam ayarları—learning rate veya batch size gibi—bulmak genellikle ML'in en sıkıcı kısmıdır. AutoML, bu arama alanında hızlıca ilerlemek için Bayesian optimization gibi teknikler kullanır.

Gerçek Dünya Uygulamaları#

AutoML, gelişmiş yapay zekayı devreye almaya yönelik giriş engelini düşürerek çeşitli sektörlerde devrim yaratıyor.

1. Healthcare and Diagnostics: medical image analysis alanında AutoML, klinisyenlerin röntgen veya MR taramalarındaki patolojileri tanımlayan modeller geliştirmesine yardımcı olur. Hastaneler, Convolutional Neural Networks (CNNs) tasarımını otomatikleştirerek potansiyel tümörleri veya kırıkları işaretlemek için yüksek recall değerine sahip sistemler konuşlandırabilir ve radyologlar için güvenilir bir ikinci görüş sağlayabilir.

2. Retail and Inventory Control: E-ticaret devleri ve fiziksel mağazalar, talebi tahmin etmek için AI in retail kullanır. AutoML sistemleri, gelecekteki trendleri tahmin etmek ve otomatik envanter yönetimini optimize etmek için geçmiş satış verilerini analiz eder. Ek olarak, raf stok seviyelerini gerçek zamanlı olarak izlemek üzere özel object detection modelleri eğitilebilir.

Ultralytics ile Otomatik Optimizasyon#

Modern bilgisayarlı görü iş akışları genellikle eğitim parametrelerinde mükemmel dengeyi bulmayı gerektirir. ultralytics kütüphanesi, YOLO26 gibi modeller için en uygun hiperparametrelerin aranmasını (genetik evrim) otomatikleştirerek AutoML'e benzer şekilde çalışan yerleşik yetenekler içerir.

Aşağıdaki örnek, bir veri setindeki model performansını yinelemeli olarak artıran otomatik bir ayar 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'i İlgili Terimlerden Ayırmak#

AutoML diğer yapay zeka kavramlarıyla ortak noktalara sahip olsa da, kapsamı ve uygulaması açısından farklıdır:

• Neural Architecture Search (NAS) vs. AutoML: NAS, AutoML'in özel bir alt kümesidir. Genel AutoML bir Karar Ağacı ile bir Sinir Ağı arasında seçim yapabilirken, NAS yalnızca bir neural network iç yapısını (ör. katman sayısı ve bağlantılar) tasarlamaya odaklanır. NAS hesaplama açısından yoğundur ve modelin topolojisiyle ilgilenir.
• Transfer Learning vs. AutoML: Transfer öğrenimi, önceden eğitilmiş bir modelin yeni bir görev için uyarlanması tekniğidir. AutoML genellikle eğitimi hızlandırmak için bir strateji olarak transfer öğreniminden yararlanır, ancak bunlar aynı şey değildir; AutoML otomasyonun üst düzey süreciyken, transfer öğrenimi bu süreç içinde kullanılan belirli bir metodolojidir.
• MLOps vs. AutoML: AutoML, modelin oluşturma aşamasına odaklanır. MLOps (Machine Learning Operations); model deployment, izleme, yönetişim ve üretim ortamlarında yeniden eğitme dahil olmak üzere tüm yaşam döngüsünü kapsar.

Araçlar ve Platformlar#

AutoML araçlarının yelpazesi, bulut tabanlı çözümlerden açık kaynaklı kütüphanelere kadar oldukça genştir. Büyük bulut sağlayıcıları, kod yazmadan model eğitmek için grafik arayüzler sağlayan Google Cloud AutoML ve AWS SageMaker Autopilot gibi hizmetler sunar. Python ekosisteminde, auto-sklearn gibi kütüphaneler standart veri setlerine otomatik algoritma seçimi getirir.

Özellikle bilgisayarlı görü görevleri için Ultralytics Platform eğitim boru hattını basitleştirir. Veri setlerini yönetmek, YOLO11 ve YOLO26 gibi son teknoloji modelleri eğitmek ve bunları çeşitli uç cihazlara dağıtmak için sezgisel bir arayüz sunarak görü AI geliştirmesinin karmaşık mekaniklerini etkili bir şekilde kolaylaştırır.