Что такое AutoML?

Auto Machine Learning или AutoML позволяет разработчикам с ограниченными знаниями в области машинного обучения обучать высококачественные модели, соответствующие потребностям их бизнеса. Создайте собственную модель машинного обучения за считанные минуты. Автоматизированное машинное обучение (AutoML) связано с созданием решений по машинному обучению для специалистов по обработке и анализу данных без необходимости выполнять неограниченные запросы по подготовке данных, выбору модели, гиперпараметрам модели и параметрам сжатия модели.

Как работает процесс AutoML?

Автоматическое машинное обучение обычно представляет собой платформу или библиотеку с открытым исходным кодом, которая упрощает каждый шаг в процессе машинного обучения, от обработки необработанных данных до развертывания практической модели машинного обучения. В традиционном машинном обучении модели разрабатываются вручную, и каждый шаг процесса должен выполняться отдельно.

AutoML автоматически сопоставляет оптимальный тип алгоритма машинного обучения для данной задачи. Это делается с помощью двух концепций:

  1. Поиск нейронной архитектуры, который автоматизирует проектирование нейронных сетей. Это помогает моделям AutoML обнаруживать новые архитектуры для проблем, которые в них нуждаются.
  2. Трансферное обучение, при котором предварительно обученные модели применяют полученные знания к новым наборам данных. Трансферное обучение помогает AutoML применять существующие архитектуры к новым задачам, которые требуют этого.

Пользователи с минимальными знаниями в области машинного обучения и глубокого обучения могут затем взаимодействовать с моделями с помощью относительно простого языка кодирования, такого как Python или R. Вот некоторые стандартные шаги процесса машинного обучения, которые AutoML может автоматизировать, в том порядке, в котором они происходят в процессе:

  • Обработка необработанных данных
  • Разработка функций и выбор функций
  • Выбор модели
  • Оптимизация гиперпараметров и оптимизация параметров
  • Развертывание с учетом ограничений бизнеса и технологий
  • Выбор метрики оценки
  • Мониторинг и проверка проблем
  • Анализ результатов

Почему AutoML меняет правила игры?

Я думаю, что AutoML меняет правила игры, поскольку представляет собой веху в области машинного обучения и искусственного интеллекта (ИИ). ИИ и машинное обучение подвергались критике по принципу «черного ящика» — это означает, что алгоритмы машинного обучения сложно реконструировать. Хотя они повышают эффективность и вычислительную мощность для получения результатов, может быть сложно отследить, как алгоритм выдает этот результат. Следовательно, это также затрудняет выбор правильной модели для данной проблемы, потому что может быть трудно предсказать результат, если модель представляет собой черный ящик.

AutoML делает машинное обучение менее «черным ящиком», делая его более доступным. Этот процесс автоматизирует части процесса машинного обучения, которые применяют алгоритм к реальным сценариям. Человеку, выполняющему эту задачу, потребуется понимание внутренней логики алгоритма и того, как он соотносится с реальными сценариями. Он узнает об обучении и делает выбор, который был бы слишком трудоемким или ресурсоемким для людей, чтобы сделать его с эффективностью в масштабе. Точная настройка сквозного процесса машинного обучения — или конвейера машинного обучения — посредством метаобучения стала возможной благодаря AutoML. Можно сказать, что AutoML представляет собой шаг к общему ИИ и делает ИИ доступным для нетехнических экспертов в предметной области.

Начало работы с AutoML

Вы можете начать работу с некоторых популярных платформ AutoML, таких как:

  • Google AutoML — собственная облачная платформа автоматизированного машинного обучения Google.
  • Azure Automated Machine Learning — проприетарная облачная платформа.
  • Auto Keras — программная библиотека с открытым исходным кодом, разработанная лабораторией DATA Техасского университета A&M.
  • Auto-sklearn — эволюционирует от Scikit Learn, который представляет собой набор с открытым исходным кодом, пригодный для коммерческого использования, простых инструментов машинного обучения на Python. Вы можете найти его на GitHub.

Заменит ли AutoML Data Scientist?

Как и большинство средств автоматизации, AutoML предназначен для эффективного выполнения рутинных задач с точностью и точностью, что позволяет сотрудникам сосредоточиться на более сложных или новых задачах. Вещи, которые AutoML автоматизирует, такие как мониторинг, анализ и обнаружение проблем, — это задачи, которые выполняются быстрее, если они автоматизированы. Человек по-прежнему должен участвовать в оценке и контроле модели, но ему больше не нужно пошагово участвовать в процессе машинного обучения. AutoML должен помочь повысить эффективность специалистов по данным и сотрудников, а не заменить их. Снизит ли AutoML зависимость бизнеса от специалистов по данным? Да, до предела, это уменьшит зависимость от специалиста по данным в выполнении простых задач машинного обучения, но также поможет экспертам в предметной области использовать машинное обучение и применять его в менее сложных задачах.

По состоянию на 2021 год автомашинное обучение является относительно развивающейся областью, и даже самые популярные инструменты еще не полностью разработаны. Если вы оглянетесь на историю программного обеспечения, автоматические инструменты неизбежно будут развиваться и автоматизировать рутинные задачи, уменьшая зависимость от разработчиков. Те, кто вошел в область науки о данных без опыта программирования, должны быть осторожны, что однажды машинное обучение станет упакованным программным обеспечением, и спрос на разработчиков машинного обучения, по моему прогнозу, спрос на разработчиков машинного обучения уменьшится еще через 3-4 года, возможно, около 2025 года. , Я бы посоветовал каждому разработчику/специалисту по данным, вступающему в область науки о данных или машинного обучения, создать прочную базу программирования наряду с машинным обучением и искусственным интеллектом, что позволит им адаптироваться к неизбежным изменениям спроса в ИТ-индустрии.