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
Schnelles KI-Lebenszyklusmanagement
Erstellen Sie automatisch Modelle für maschinelles Lernen und künstliche Intelligenz (KI) ohne tiefgreifende Fachkenntnisse in den Datenwissenschaften. Ermöglichen Sie Datenwissenschaftlern, Entwicklern, ML-Ingenieuren und Analysten die Erstellung von leistungsstarken Modell-Pipelines. Beheben Sie Qualifikationsdefizite und steigern Sie die Produktivität Ihrer Machine-Learning-Projekte.
Beschleunigung der Implementierung des maschinellen Lernens
Erstellen Sie benutzerdefinierte KI- und Machine-Learning-Modelle in Minuten oder sogar Sekunden. Experimentieren, trainieren und implementieren Sie Modelle schneller und in größerem Umfang. Verbessern Sie die Reproduzierbarkeit und Governance der Lebenszyklen von maschinellem Lernen und KI-Modellen und reduzieren Sie gleichzeitig alltägliche, zeitaufwendige Aufgaben.
Implementierung vertrauenswürdiger KI
Behandeln Sie Erklärbarkeit, Fairness, Robustheit, Transparenz und Datenschutz als Teil des KI-Lebenszyklus. Minimieren Sie Modellabweichungen, Verzerrungen und Risiken bei KI und maschinellem Lernen. Validieren und überwachen Sie Modelle, um sicherzustellen, dass die Leistung von KI und maschinellem Lernen den Unternehmenszielen entspricht. Tragen Sie dazu bei, die soziale Verantwortung von Unternehmen (CSR) und die ökologische und soziale Governance (ESG) zu erfüllen.
Effizienzsteigerung von ModelOps
Senken Sie die Kosten für den Betrieb von KI- und Machine Learning-Modellen (ModelOps) durch die Vereinheitlichung von Tools, Prozessen und Mitarbeitern. Reduzieren Sie die Ausgaben für die Verwaltung älterer oder punktueller Tools und Infrastrukturen. Sparen Sie Zeit und Ressourcen für die Bereitstellung produktionsreifer Modelle mit automatisierten KI- und ML-Lebenszyklen.
Wie können Sie AutoAI verwenden?
ModelOps erstellen
ModelOps erstellen
Erleichtern Sie die Zusammenarbeit zwischen Datenwissenschaftlern und DevOps, um die Integration von KI-Modellen in Anwendungen zu optimieren.
Verantwortungsbewusste, erklärbare KI fördern
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
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
IBM Watson® Studio on IBM Cloud Pak® for Data
Als Teil der End-to-End-Daten- und KI-Plattform IBM Cloud Pak for Data verfügt IBM Watson Studio über das AutoAI-Toolkit, das automatisch Daten aufbereitet, Algorithmen für maschinelles Lernen anwendet und Modellpipelines erstellt, die am besten für Ihre Datensätze und Anwendungsfälle der Vorhersagemodellierung geeignet sind.
Mehr erfahren →
Produkt testen →
AutoAI-Demo (07:49)
AutoAI in Aktion in IBM Watson Studio
AutoAI-Konfiguration
AutoAI-Konfiguration
Ziehen Sie die CSV-Datei und wählen Sie die Spalte für die Vorhersage aus.
Pipeline-Leaderboard
Pipeline-Leaderboard
Bewerten Sie die Modellgenauigkeit und zeigen Sie Informationen zur Pipeline an.
Modellevaluierung
Modellevaluierung
Überprüfen Sie die Genauigkeit, Präzision und Wiedererkennung, um Modelle zu bewerten.
Modellimplementierung
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
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
Erste Schritte mit AutoAI
Testen Sie AutoAI mit IBM Watson Studio on IBM Cloud Pak for Data.