Automated Machine Learning (AutoML)

Học máy tự động (AutoML) là quy trình tự động hóa các tác vụ lặp đi lặp lại tốn thời gian trong quá trình phát triển mô hình học máy. Nó cho phép các nhà khoa học dữ liệu, nhà phân tích và nhà phát triển xây dựng các mô hình Học máy (ML) hiệu quả, năng suất và có khả năng mở rộng cao trong khi vẫn duy trì chất lượng mô hình. Quá trình phát triển mô hình truyền thống thường tiêu tốn tài nguyên, đòi hỏi kiến thức chuyên môn đáng kể và nhiều thời gian để tạo ra và so sánh hàng tá mô hình. AutoML tự động hóa các bước như tiền xử lý dữ liệu, lựa chọn đặc trưng và tinh chỉnh siêu tham số, giúp những người không chuyên có thể tiếp cận sức mạnh của Trí tuệ nhân tạo (AI) đồng thời tăng tốc quy trình làm việc cho các chuyên gia dày dạn kinh nghiệm.

Link to this sectionCác thành phần cốt lõi của AutoML#

Mục tiêu chính của AutoML là tối ưu hóa hiệu suất của một mô hình dự đoán cho một tập dữ liệu cụ thể với sự can thiệp thủ công tối thiểu. Một quy trình AutoML toàn diện thường quản lý một số giai đoạn quan trọng:

• Làm sạch dữ liệu và chuẩn bị: Dữ liệu thô hiếm khi sẵn sàng để huấn luyện. Các công cụ AutoML tự động xử lý các giá trị bị thiếu, phát hiện các giá trị ngoại lai và định dạng dữ liệu huấn luyện để đảm bảo tính nhất quán.
• Kỹ thuật đặc trưng: Việc xác định biến số nào đóng góp nhiều nhất vào một dự đoán là rất quan trọng. Các hệ thống tự động thực hiện trích xuất đặc trưng để tạo ra các biến đầu vào mới và lựa chọn để loại bỏ các dữ liệu không liên quan, từ đó cải thiện hiệu quả tính toán.
• Lựa chọn mô hình: Các khung AutoML tìm kiếm một cách thông minh qua các thuật toán khác nhau, từ hồi quy tuyến tính đơn giản đến các kiến trúc Học sâu (DL) phức tạp, để tìm ra sự phù hợp nhất cho vấn đề.
• Tối ưu hóa siêu tham số: Việc tìm kiếm các thiết lập chính xác—chẳng hạn như tốc độ học hoặc kích thước batch—mang lại độ chính xác cao nhất thường là phần tẻ nhạt nhất của ML. AutoML sử dụng các kỹ thuật như tối ưu hóa Bayes để điều hướng nhanh chóng không gian tìm kiếm này.

Link to this sectionCác ứng dụng trong thực tế#

AutoML đang cách mạng hóa các lĩnh vực đa dạng bằng cách giảm rào cản gia nhập đối với việc triển khai AI tinh vi.

1. Chăm sóc sức khỏe và chẩn đoán: Trong phân tích hình ảnh y tế, AutoML hỗ trợ các bác sĩ lâm sàng phát triển các mô hình xác định bệnh lý trên ảnh X-quang hoặc kết quả chụp MRI. Bằng cách tự động hóa thiết kế các Mạng thần kinh tích chập (CNNs), các bệnh viện có thể triển khai các hệ thống với độ nhạy cao để đánh dấu các khối u hoặc vết gãy tiềm ẩn, đóng vai trò như một ý kiến tham khảo đáng tin cậy thứ hai cho các bác sĩ chẩn đoán hình ảnh.

2. Bán lẻ và kiểm soát hàng tồn kho: Các gã khổng lồ thương mại điện tử và cửa hàng vật lý sử dụng AI trong bán lẻ để dự báo nhu cầu. Các hệ thống AutoML phân tích dữ liệu bán hàng lịch sử để dự đoán các xu hướng tương lai, tối ưu hóa quản lý hàng tồn kho tự động. Ngoài ra, các mô hình phát hiện đối tượng tùy chỉnh có thể được huấn luyện để theo dõi mức tồn kho trên kệ theo thời gian thực.

Link to this sectionTối ưu hóa tự động với Ultralytics#

Các quy trình thị giác máy tính hiện đại thường đòi hỏi việc tìm kiếm sự cân bằng hoàn hảo giữa các tham số huấn luyện. Thư viện ultralytics bao gồm các khả năng tích hợp sẵn hoạt động tương tự như AutoML bằng cách tự động hóa việc tìm kiếm các siêu tham số tối ưu (tiến hóa di truyền) cho các mô hình như YOLO26.

Ví dụ sau đây cho thấy cách bắt đầu một phiên tinh chỉnh tự động, phiên này sẽ cải thiện hiệu suất mô hình trên một tập dữ liệu một cách lặp đi lặp lại:

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)

Link to this sectionPhân biệt AutoML với các thuật ngữ liên quan#

Mặc dù AutoML có chung nền tảng với các khái niệm AI khác, nó vẫn riêng biệt về phạm vi và ứng dụng:

• Tìm kiếm kiến trúc thần kinh (NAS) so với AutoML: NAS là một tập hợp con cụ thể của AutoML. Trong khi AutoML nói chung có thể lựa chọn giữa Cây quyết định (Decision Tree) và Mạng thần kinh, NAS tập trung hoàn toàn vào việc thiết kế cấu trúc nội bộ của một mạng thần kinh (ví dụ: số lớp và kết nối). NAS đòi hỏi tính toán chuyên sâu và giải quyết vấn đề cấu trúc liên kết của mô hình.
• Học chuyển đổi (Transfer Learning) so với AutoML: Học chuyển đổi là một kỹ thuật trong đó một mô hình đã được huấn luyện trước được điều chỉnh cho một tác vụ mới. AutoML thường tận dụng học chuyển đổi như một chiến lược để tăng tốc quá trình huấn luyện, nhưng chúng không giống nhau; AutoML là quy trình tự động hóa tổng thể, trong khi học chuyển đổi là một phương pháp cụ thể được sử dụng trong quy trình đó.
• MLOps so với AutoML: AutoML tập trung vào giai đoạn tạo mô hình. MLOps (Vận hành học máy) bao gồm toàn bộ vòng đời, bao gồm triển khai mô hình, giám sát, quản trị và huấn luyện lại trong môi trường sản xuất.

Link to this sectionCác công cụ và nền tảng#

Bức tranh về các công cụ AutoML rất rộng lớn, từ các giải pháp dựa trên đám mây đến các thư viện nguồn mở. Các nhà cung cấp dịch vụ đám mây lớn cung cấp các dịch vụ như Google Cloud AutoML và AWS SageMaker Autopilot, cung cấp các giao diện đồ họa để huấn luyện mô hình mà không cần viết mã. Trong hệ sinh thái Python, các thư viện như auto-sklearn mang lại khả năng lựa chọn thuật toán tự động cho các tập dữ liệu tiêu chuẩn.

Đối với các tác vụ thị giác máy tính cụ thể, Ultralytics Platform đơn giản hóa quy trình huấn luyện. Nền tảng cung cấp giao diện trực quan để quản lý các tập dữ liệu, huấn luyện các mô hình tiên tiến như YOLO11 và YOLO26, và triển khai chúng lên nhiều thiết bị biên khác nhau, giúp tinh gọn hiệu quả các cơ chế phức tạp của việc phát triển AI thị giác.