IBM wurde als Leader eingestuft

Gartner veröffentlicht den Bericht 2021 Magic Quadrant for Data Science and Machine Learning Platforms.

Von AutoML bis AutoAI

Beschleunigung von KI- und Modelllebenszyklusmanagement

Was ist AutoML?
Automatisiertes maschinelles Lernen (AutoML) ist der Prozess der Automatisierung der manuellen Aufgaben, die Datenwissenschaftler beim Erstellen und Trainieren von maschinellen Lernmodellen (ML-Modellen) erledigen müssen. Zu diesen Aufgaben gehören die Entwicklung und Auswahl von Merkmalen, die Wahl des Algorithmus für maschinelles Lernen, die Erstellung eines analytischen Modells auf der Grundlage des Algorithmus, die Optimierung von Hyperparametern, das Trainieren des Modells auf getesteten Datensätzen und die Ausführung des Modells, um Bewertungen und Ergebnisse zu generieren. Forscher haben AutoML entwickelt, um Datenwissenschaftler bei der Erstellung von Vorhersagemodellen zu unterstützen, selbst wenn sie nicht über umfassende ML-Modellkenntnisse verfügen. AutoML befreit Datenwissenschaftler von den Routineaufgaben, die mit dem Aufbau einer Pipeline für maschinelles Lernen verbunden sind, so dass sie sich auf die Gewinnung von Erkenntnissen konzentrieren können, die zur Lösung wichtiger Geschäftsprobleme erforderlich sind.

Was ist AutoAI?
AutoAI ist eine Variante von AutoML. Es erweitert die Automatisierung der Modellerstellung auf den gesamten KI-Lebenszyklus. Wie AutoML verwendet auch AutoAI eine intelligente Automatisierung der Schritte zur Erstellung prädiktiver maschineller Lernmodelle. Zu diesen Schritten gehören die Vorbereitung von Datensätzen für das Training, die Ermittlung des besten Modelltyps für die gegebenen Daten, z. B. ein Klassifizierungs- oder Regressionsmodell, und die Auswahl der Datenspalten, die das Problem, das das Modell lösen soll, am besten unterstützen, die sogenannte Feature-Auswahl. Die Automatisierung testet dann eine Vielzahl von Optionen zur Einstellung der Hyperparameter, um das beste Ergebnis zu erzielen, während sie Pipelines mit Modellkandidaten auf der Grundlage von Metriken wie Genauigkeit und Präzision generiert und dann einstuft. Die leistungsstärksten Pipelines können in die Produktion übernommen werden, um neue Daten zu verarbeiten und Vorhersagen auf der Grundlage des Modelltrainings zu liefern.

Schneller Leistungsvergleich

Vergleich von AutoAI und AutoML

Integrierbar mit AutoAI AutoML
Datenaufbereitung
Feature-Engineering
Hyperparameter-Optimierung
Automatisierte Modellimplementierung
Implementierung per Mausklick
Modellprüfung und Scoring
Codegenerierung
Unterstützung von:
Debiasing und Driftabschwächung
Modellrisikomanagement
KI-Lifecycle-Management
Transferlernen
Alle KI-Modelle
Erweiterte Datenoptimierung

Warum ist AutoAI wichtig?

Intelligente Automatisierung befähigt jeden

Wie können Sie AutoAI verwenden?

ModelOps erstellen

drei Mitarbeiter beraten sich, einer schreibt Notizen

ModelOps erstellen

Erleichtern Sie die Zusammenarbeit zwischen Datenwissenschaftlern und DevOps, um die Integration von KI-Modellen in Anwendungen zu optimieren.

Verantwortungsbewusste, erklärbare KI fördern

Angestellter, der in einem Büro auf die linke Seite eines Bildschirms blickt

Verantwortungsbewusste, erklärbare KI fördern

Entdecken Sie, wie wichtig es ist, Vertrauen in KI in der Produktion aufzubauen und gleichzeitig schneller Ergebnisse zu erzielen sowie Risiken und Compliance zu managen.

Prognose von Zeitreihen automatisieren

zwei Angestellte, die sich mit Unterlagen und Laptop beraten

Prognose von Zeitreihen automatisieren

Erfahren Sie, wie Modelle zukünftige Werte einer Zeitreihe vorhersagen können, indem sie die leistungsfähigsten Modelle aus allen möglichen Modellklassen und nicht nur aus einer einzigen Klasse einbeziehen.

Funktionen von AutoAI

Automatisieren Sie wichtige Schritte im Modelllebenszyklus

Datenvorverarbeitung

Anwendung verschiedener Algorithmen oder Schätzer, um Rohdaten zu analysieren, zu bereinigen und für das maschinelle Lernen vorzubereiten. Automatische Erkennung und Kategorisierung von Merkmalen auf der Grundlage des Datentyps, z. B. kategorisch oder numerisch. Verwendung der Hyperparameter-Optimierung zur Bestimmung der besten Strategien für die Imputation fehlender Werte, die Codierung von Merkmalen und die Skalierung von Merkmalen.

Automatisierte Modellauswahl

Auswahl der Modelle durch Testen der Kandidatenalgorithmen und Einstufung anhand kleiner Teilmengen der Daten. Schrittweise Vergrößerung der Teilmenge für die vielversprechendsten Algorithmen. Ermöglichung der Einstufung einer großen Anzahl von Kandidatenalgorithmen für die Modellauswahl mit der besten Übereinstimmung mit den Daten.

Feature-Engineering

Umwandlung von Rohdaten in die Kombination von Features, die das Problem am besten repräsentiert, um die genaueste Vorhersage zu erreichen. Untersuchung verschiedener Möglichkeiten der Merkmalskonstruktion auf strukturierte, nicht erschöpfende Weise, während die Modellgenauigkeit mithilfe von Reinforcement Learning schrittweise maximiert wird.

Hyperparameter-Optimierung

Verfeinern und Optimieren von Modellpipelines mithilfe der für das maschinelle Lernen typischen Modellschulung und -bewertung. Auswahl des besten Modells zur Aufnahme in die Produktion auf der Grundlage der Leistung.

Integration der Modellüberwachung

Integration der Überwachung von Modelldrift, Fairness und Qualität durch Modelleingabe- und -ausgabedetails, Trainingsdaten und Nutzdatenprotokollierung. Implementierung von passivem oder aktivem Debiasing bei gleichzeitiger Analyse von direkten und indirekten systematischen Fehlern.

Unterstützung für Modellvalidierung

Erweitern Sie Ihre Modell- und Datenkenntnisse und überprüfen Sie, ob Ihre Modelle die erwartete Leistung erbringen. Verbessern Sie Ihre Modelle kontinuierlich, indem Sie die Modellqualität messen und die Modellleistung vergleichen.

Profitieren Sie von der Leistungsfähigkeit von AutoAI

AutoAI in Aktion in IBM Watson Studio

AutoAI-Konfiguration

Screenshot aus IBM Watson Studio, der zeigt, wo Sie eine Datenquelle hinzufügen, und die Konfigurationsdetails für ein AutoAI-Experiment auswählen

AutoAI-Konfiguration

Ziehen Sie die CSV-Datei und wählen Sie die Spalte für die Vorhersage aus.

Pipeline-Leaderboard

Screenshot von IBM Watson Studio zeigt die Beziehungszuordnung und die Pipeline-Leaderboard

Pipeline-Leaderboard

Bewerten Sie die Modellgenauigkeit und zeigen Sie Informationen zur Pipeline an.

Modellevaluierung

Screenshot von IBM Watson Studio mit der Modellbewertung für eine Pipeline, einschließlich einer Liste von Modellbewertungsmaßnahmen

Modellevaluierung

Überprüfen Sie die Genauigkeit, Präzision und Wiedererkennung, um Modelle zu bewerten.

Modellimplementierung

Screenshot von IBM Watson Studio, der zeigt, wo Sie einen Test in den Implementierungsbereich hochstufen.

Modellimplementierung

Modelle für Implementierungsbereiche hochstufen.

Kundenreferenzen

Regions Bank entwickelt vertrauenswürdige KI

Sehen Sie sich die Vorteile an, die diese Bank durch den Einsatz von IBM Cloud Pak for Data für die Analyse von Daten, die Bewertung von Datenabweichungen und die Messung der Modellleistung erzielt hat.

Highmark Health verkürzt Modellentwicklungszeit um 90 %

Erfahren Sie, wie dieses Gesundheitsnetzwerk ein Prognosemodell entwickelt hat, das anhand von Versicherungsdaten Patienten identifiziert, bei denen eine Sepsis wahrscheinlich ist.

Wunderman Thompson gestaltet KI neu

Erfahren Sie, wie diese Agentur für Marketingkommunikation AutoAI einsetzt, um hochvolumige Prognosen zu erstellen und neue Kunden zu identifizieren.

Warum AutoAI von IBM

Gezielte Entwicklung mit IBM Research

Ein IBM Research Team setzt sich für die Anwendung modernster Techniken aus den Bereichen KI, ML und Datenmanagement ein, um die Erstellung von Workflows für maschinelles Lernen und Data Science zu beschleunigen und zu optimieren. Die ersten Bemühungen des Teams rund um AutoML konzentrierten sich auf die Verwendung von Hyperband/Bayes'scher Optimierung für die Hyperparametersuche und Hyperband/ENAS/DARTS für die neuronale Architektursuche.

Sie haben sich weiterhin auf die AutoAI-Entwicklung konzentriert, einschließlich der Automatisierung der Pipeline-Konfiguration und der Hyperparameter-Optimierung. Eine wichtige Verbesserung ist der Algorithmus für die Hyperparameter-Optimierung, der für die Bewertung von Kostenfunktionen wie Modelltraining und Scoring optimiert ist. Dies trägt dazu bei, schneller zur besten Lösung zu gelangen.

IBM Research setzt auch automatisierte künstliche Intelligenz ein, um Vertrauen und Erklärbarkeit in KI-Modelle zu gewährleisten. Mit AutoAI in IBM Watson Studio sehen die Benutzer Visualisierungen für jede Phase des Prozesses, von der Datenaufbereitung über die Auswahl der Algorithmen bis hin zur Modellerstellung. Darüber hinaus automatisiert IBM AutoAI die Aufgaben zur kontinuierlichen Verbesserung des Modells und erleichtert die Integration von KI-Modell-APIs in Anwendungen durch seine ModelOps-Funktionen. Die Entwicklung von AutoAI innerhalb des IBM Watson Studio-Produkts führte dazu, dass IBM von Gartner im Magic Quadrant for Data Science and Machine Learning Platforms 2021 als „Leader" ausgezeichnet wurde.

Detailliertere Informationen

AutoML und Deep Learning

Deep Learning ist ein Teilbereich des maschinellen Lernens und bekannt für die Entwicklung von KI-Anwendungen und -Diensten, die analytische und physische Aufgaben ohne menschliches Eingreifen durchführen. Zu den Anwendungsbeispielen für Deep Learning gehören Chatbots, Technologien zur medizinischen Bilderkennung und Betrugserkennung. Wie beim maschinellen Lernen ist jedoch auch für die Entwicklung und Ausführung eines Deep-Learning-Algorithmus ein enormer Aufwand an menschlicher Arbeit und Rechenleistung erforderlich.

Das IBM Research Team hat einen der komplexesten und zeitaufwändigsten Prozesse beim Deep Learning erforscht: die Erstellung der neuronalen Architektur durch eine Technik, die als neuronale Architektursuche (NAS) bezeichnet wird. Das Team untersuchte die entwickelten NAS-Methoden und stellte die Vorteile jeder einzelnen vor, mit dem Ziel, Praktikern bei der Auswahl einer geeigneten Methode zu helfen. Die Automatisierung der Suche nach der leistungsstärksten Architektur für ein maschinelles Lernmodell kann zu einer stärkeren Demokratisierung der KI führen, aber das Problem ist komplex und schwer zu lösen.

Mit dem Deep Learning Service in IBM Watson Studio können Sie dennoch schnell mit Deep Learning beginnen. Der Service unterstützt Sie bei der Entwicklung komplexer neuronaler Netzwerke und bei anschließenden Experimenten im großen Maßstab, um ein optimiertes maschinelles Lernmodell bereitzustellen. Der Service wurde entwickelt, um das Training von Modellen zu vereinfachen, und bietet außerdem einen On-Demand-GPU-Compute-Cluster, um die Anforderungen an die Rechenleistung zu erfüllen. Sie können auch beliebte Open-Source-ML-Frameworks wie TensorFlow, Caffe, Torch und Chainer integrieren, um Modelle auf mehreren GPUs zu trainieren und die Ergebnisse zu beschleunigen. In IBM Watson Studio können Sie AutoML, IBM AutoAI und den Deep Learning Service kombinieren, um Experimente zu beschleunigen, strukturierte und unstrukturierte Daten zu analysieren und bessere Modelle schneller einzusetzen.

Open-Source-Pakete

Die Nachfrage nach AutoML hat zur Entwicklung von Open-Source-Software geführt, die von Data-Science-Experten und Nicht-Experten genutzt werden kann. Zu den führenden Open-Source-Tools gehören auto-sklearn, auto-keras und auto-weka. IBM Research unterstützt Lale (Link befindet sich außerhalb von IBM), eine Python-Bibliothek, die die Möglichkeiten von scikit-learn erweitert, um ein breites Spektrum an Automatisierung zu unterstützen, einschließlich der Auswahl von Algorithmen, der Abstimmung von Hyperparametern und der Topologiesuche. Wie in einem Artikel von IBM Research (PDF, 1.1 MB) beschrieben, arbeitet Lale mit der automatischen Generierung von Suchräumen für etablierte AutoML-Tools. Experimente zeigen, dass diese Suchräume Ergebnisse erzielen, die mit den modernsten Werkzeugen konkurrieren können und gleichzeitig mehr Vielseitigkeit bieten.

Dokumentation und Unterstützung

Dokumentation

Finden Sie schnell Antworten in der IBM Watson Studio-Dokumentation.

Support

Legen Sie los mit dem technischen Support von IBM.

Community

Erhalten Sie technische Tipps von anderen Benutzern von IBM Watson Studio.

Erste Schritte mit AutoAI

Testen Sie AutoAI mit IBM Watson Studio on IBM Cloud Pak for Data.