O que é AutoML?
O aprendizado de máquina automatizado (AutoML) é o processo de automatização das tarefas manuais que os cientistas de dados precisam realizar ao criar e treinar modelos de aprendizado de máquina (modelos de ML). Essas tarefas incluem engenharia e seleção de variáveis, escolha do tipo de algoritmo de aprendizado de máquina, criação de um modelo analítico baseado no algoritmo, otimização de hiperparâmetros, treinamento do modelo com conjuntos de dados testados e execução do modelo para geração de pontuações e dados. Os pesquisadores desenvolveram o AutoML para auxiliar os cientistas de dados a criar modelos preditivos mesmo sem ter profundo conhecimento de modelos de ML. Com o AutoML, eles também ficam livres das tarefas repetitivas de criação de um pipeline de aprendizado de máquina. Assim, podem focar na geração dos insights necessários para resolver problemas importantes do negócio.
O que é o AutoAI?
O AutoAI é uma variedade do AutoML. Ele estende a automação da criação de modelos a todo o ciclo de vida da IA. Assim como o AutoML, o AutoAI aplica a automação inteligente às etapas de criação de modelos preditivos de aprendizado de máquina. Essas etapas incluem a preparação de conjuntos de dados para treinamento, a identificação do melhor tipo de modelo para os dados fornecidos, como um modelo de classificação ou regressão, e a escolha das colunas de dados mais adequadas para o problema que o modelo busca resolver, processo conhecido como seleção de variável. Em seguida, a automação testa várias opções de ajuste de hiperparâmetro para alcançar o melhor resultado enquanto gera e depois classifica possíveis pipelines de modelo com base em métricas como a precisão. Os pipelines com melhor desempenho podem ser colocados em produção para processar novos dados e fornecer predições com base no treinamento do modelo.
O novo estúdio empresarial que combina aprendizado de máquina tradicional com novas IA generativa desenvolvidas por modelos de base.
Preparação de dados | ||
Engenharia de variáveis | ||
Otimização de hiperparâmetros
Implementação de modelos automatizados | ||
Implementação com um clique | ||
Teste e pontuação de modelos |
Geração de códigos |
| Suporte a: |
Eliminação de propensão e mitigação de desvio | ||
Gestão de riscos nos modelos
Gerenciamento do ciclo de vida da IA | ||
Transferir aprendizado
Qualquer modelo de IA
Refinamento avançado de dados |
Crie automaticamente modelos de aprendizado de máquina e IA sem precisar ter conhecimento avançado de ciência de dados. Facilite o trabalho dos cientistas de dados, desenvolvedores, engenheiros e analistas de ML na geração de potenciais pipelines de modelo. Garanta os conhecimentos necessários e aumente a produtividade nos seus projetos de aprendizado de máquina.
Crie modelos customizados de IA e aprendizado de máquina em minutos ou até mesmo segundos. Teste, treine e implemente modelos com mais rapidez e em escala. Aumente a repetibilidade e o controle do aprendizado de máquina e dos ciclos de vida dos modelos de IA ao mesmo tempo que reduz as tarefas corriqueiras e demoradas.
Inclua explicabilidade, precisão, robustez, transparência e privacidade no ciclo de vida da IA. Reduza o desvio, o viés e os riscos dos modelos na IA e no aprendizado de máquina. Valide e monitore modelos para verificar se o desempenho da IA e do aprendizado de máquina atende aos objetivos de negócio. Ajude a empresa a atender às metas de responsabilidade social corporativa (RSE) e governança socioambiental (ESG).
Reduza os custos da IA e das operações de modelos de aprendizado de máquina (ModelOps) com a unificação de ferramentas, processos e pessoas. Reduza gastos no gerenciamento de ferramentas e infraestruturas legadas ou pontuais. Economize tempo e recursos na entrega de modelos prontos para produção com ciclos de vida de IA e ML automatizados.
Veja por que a IBM foi reconhecida como uma das líderes do setor no Quadrante Mágico de 2021 nos campos da ciência de dados e aprendizado de máquina
Como você pode usar o AutoAI?
Aplique vários algoritmos, ou estimadores, para analisar, limpar e preparar dados brutos para o aprendizado de máquina. Detecte e categorize automaticamente variáveis com base no tipo de dado, como categórico ou numérico. Use a otimização de hiperparâmetros para determinar as melhores estratégias de inserção de valores ausentes e de codificação e ajuste de escala de variáveis.
Selecione modelos usando testes de algoritmo e classificação com base em pequenos subconjuntos de dados. Aumente de forma gradativa o tamanho do subconjunto dos algoritmos mais promissores. Permita a classificação de um grande número de algoritmos para a seleção do modelo com a melhor correspondência de dados.
Transforme dados brutos na combinação de variáveis que melhor represente o problema para realizar a predição mais precisa. Veja várias opções de construção de variável de forma estruturada e não exaustiva, maximizando progressivamente a precisão do modelo por meio do aprendizado por reforço.
Refine e otimize pipelines de modelo usando técnicas típicas de treinamento e pontuação de modelo no aprendizado de máquina. Escolha o melhor modelo a ser colocado em produção com base no desempenho.
Integre o monitoramento no desvio, na precisão e na qualidade de modelos com detalhes sobre a entrada e saída dos modelos, dados de treinamento e registro de carga útil. Implemente a remoção de propensão passiva ou ativa e analise o viés direto e indireto.
Faça extensões com insights de modelos e de dados e valide se seus modelos apresentam o desempenho esperado. Melhore continuamente seus modelos medindo a qualidade e comparando o desempenho deles.
AutoAI em ação no IBM Watson Studio
Conheça os benefícios obtidos pelo banco com o uso do IBM Cloud Pak for Data para analisar dados, avaliar o desvio deles e medir o desempenho de modelos.
Saiba como essa rede de saúde criou um modelo preditivo que usa dados de sinistros de seguro para identificar pacientes com probabilidade de desenvolver sepse.
Saiba como essa agência de marketing usa o AutoAI para fazer predições de alto volume e identificar novos clientes.
Uma equipe da IBM Research aplica técnicas de última geração de IA, aprendizado de máquina e gerenciamento de dados para acelerar e otimizar a criação de fluxos de trabalho de aprendizado de máquina e ciência de dados. As primeiras experiências da equipe com AutoML priorizaram a otimização de hiperbanda/Bayesiana para pesquisa de hiperparâmetros e hiperbanda/ENAS/DARTS para pesquisa de arquitetura neural.
Ela continuou priorizando o desenvolvimento do AutoAI, inclusive a automação da configuração de pipelines e a otimização de hiperparâmetros. Um grande avanço é o algoritmo de otimização de hiperparâmetros, aperfeiçoado para a avaliação da função de custos, como treinamento e pontuação de modelos. Isso ajuda a agilizar a definição da melhor solução.
A IBM Research também está aplicando a inteligência artificial automatizada para garantir a confiança e a explicabilidade nos modelos de IA. Com o AutoAI no IBM Watson Studio, os usuários veem cada estágio do processo, da preparação dos dados à criação de modelos, passando pela seleção de algoritmos. O AutoAI da IBM também automatiza as tarefas para melhorar o modelo de forma contínua e facilita a integração de APIs ao modelo de IA em aplicativos por meio dos recursos de ModelOps. A evolução do AutoAI no IBM Watson Studio contribuiu para que a IBM fosse apontada como uma das líderes do setor no Quadrante Mágico da Gartner de 2021 para plataformas de ciência de dados e aprendizado de máquina.
Saiba como o AutoAI no IBM Watson Studio ajuda você a criar e ajustar a escala dos modelos de aprendizado de máquina de IA.
Aprenda como criar e avaliar modelos de aprendizado de máquina usando o AutoAI no IBM Watson Studio.
Saiba como o DevOps, o ModelOps e o DataOps se complementam.
Veja por que a IBM foi reconhecida como uma das líderes do setor no Quadrante Mágico de 2021 nos campos da ciência de dados e aprendizado de máquina.
Conheça a fundo
O deep learning é um subcampo do aprendizado de máquina conhecido por potencializar aplicações e serviços de IA que realizam tarefas analíticas e físicas sem intervenção humana. Entre os exemplos de casos de uso de deep learning estão chatbots, tecnologias de reconhecimento de imagem do setor de saúde e detecção de fraude. No entanto, como no caso do aprendizado de máquina, o design e a execução de algoritmos de deep learning exigem um grande esforço humano e de computação.
A equipe da IBM Research explorou um dos processos mais complexos e demorados de deep learning: a criação de uma arquitetura neural por meio de uma técnica chamada pesquisa de arquitetura neural (NAS). A equipe analisou os métodos de NAS desenvolvidos e apresentou os benefícios de cada um deles para ajudar os profissionais a escolher um método apropriado. A automação da abordagem para encontrar a arquitetura com melhor desempenho para um modelo de aprendizado de máquina pode levar a uma maior democratização da IA, mas a questão é complexa e difícil de resolver.
Com o serviço Deep Learning no IBM Watson Studio, você pode começar a usar a tecnologia com rapidez. Ele ajuda a projetar redes neurais complexas e fazer testes em escala para implementar um modelo otimizado de aprendizado de máquina. Criado para simplificar o processo de treinamento de modelos, ele também fornece um cluster de computação de GPU sob demanda para atender aos requisitos de computação. Você também pode integrar estruturas de ML de código aberto muito usadas, como TensorFlow, Caffe, Torch e Chainer, para treinar modelos em múltiplas GPUs e acelerar os resultados. No IBM Watson Studio, você pode combinar AutoML, o AutoAI da IBM e o serviço Deep Learning para acelerar os testes e analisar dados estruturados e não estruturados, além de implementar modelos melhores com mais rapidez.
A demanda por AutoML levou ao desenvolvimento de um software de código aberto que pode ser usado por especialistas e não especialistas em ciência de dados. As principais ferramentas de código aberto incluem auto-sklearn, auto-keras e auto-weka. A IBM Research contribui para o Lale (link externo), uma biblioteca de Python que amplia as capacidades do scikit-learn para oferecer suporte a um amplo espectro de automações, incluindo a seleção de algoritmos, o ajuste de hiperparâmetros e a busca de topologia. Como descrito em um artigo da IBM Research (PDF), o Lale funciona gerando automaticamente espaços de pesquisa para ferramentas de AutoML estabelecidas. Os experimentos mostram que eles alcançam resultados competitivos com ferramentas de última geração e oferecem mais versatilidade.