A IBM foi nomeada líder

O Gartner liberou o Magic Quadrant for Data Science and Machine Learning Platforms de 2021.

Do AutoML para AutoAI

Aceleração de IA e gerenciamento de ciclo de vida do modelo

O que é AutoML?O machine learning automatizado (AutoML) é o processo de automatização das tarefas manuais que os cientistas de dados devem concluir à medida que desenvolvem e treinam modelos de machine learning (modelos ML). Essas tarefas incluem engenharia e seleção de recursos, escolher o tipo de algoritmo de machine learning, desenvolver um modelo analítico com base no algoritmo, otimização de hiper parâmetros, treinamento do modelo em conjuntos de dados testados e execução do modelo para gerar pontuações e descobertas. Os pesquisadores desenvolveram o AutoML para ajudar os cientistas de dados a desenvolver modelos preditivos sem ter conhecimento profundo de modelo de ML. A AutoML também libera o tempo de cientistas de dados das tarefas rotineiras envolvidas no desenvolvimento de um pipeline de machine learning, permitindo que eles se concentrem em extrair os insights necessários para resolver problemas importantes dos negócios.

O que é o AutoAI?AutoAI é uma variação do AutoML. Ele amplia a automação do desenvolvimento do modelo para todo o ciclo de vida da IA. Assim como o AutoML, o AutoAI aplica automação inteligente às etapas de desenvolvimento de modelos de machine learning preditiva. Essas etapas incluem preparar conjuntos de dados para treinamento, identificar o melhor tipo de modelo para os dados, como um modelo de classificação ou regressão e escolher as colunas de dados que melhor ofereçam suportem ao problema que o modelo está resolvendo, conhecido como seleção de recursos. A automação, então, testa uma variedade de opções de ajuste de hiper parâmetros para alcançar o melhor resultado à medida que gera e classifica os pipelines de modelos candidatos com base em métricas, como exatidão e precisão. Os pipelines de melhor desempenho podem ser colocados em produção para processar novos dados e entregar previsões com base no treinamento do modelo.

Comparação rápida de capacidade

AutoAI versus AutoML

Integra com AutoAI AutoML
Preparação de dados
Engenharia de recursos
Otimização de hiper parâmetro
Implementação do modelo automatizado
Implementação de um clique
Teste de modelo e pontuação
Geração de códigos
Suporte para:
Redução de propensão e mitigação de desvios
Gerenciamento de risco de modelo
Gerenciamento de ciclo de vida de IA
Transferência de aprendizado
Quaisquer modelos de IA
Refinamento de dados avançado

Por que o AutoAI é importante?

A automação inteligente capacita a todos

Como você pode usar o AutoAI?

Desenvolva ModelOps

três funcionários conversando e um tomando notas

Desenvolva ModelOps

Facilite a colaboração entre cientistas de dados e DevOps para otimizar a integração dos modelos de IA em aplicativos.

Promova práticas responsáveis de IA explicável

funcionário olhando para a esquerda de um monitor de área de trabalho em um escritório

Promova práticas responsáveis de IA explicável

Saiba da importância em gerar confiança na IA de produção ao mesmo tempo em que obtém resultados com mais rapidez e gerencia riscos e conformidade.

Automatize a previsão de séries temporais

dois funcionários conversando com papéis e notebook

Automatize a previsão de séries temporais

Saiba como os modelos podem prever valores futuros de uma série temporal incorporando os modelos de melhor desempenho a partir de todas as classes de modelo possíveis, não apenas uma única classe.

Recursos do AutoAI

Automatize as principais etapas no ciclo de vida do modelo

Pré-processamento de dados

Aplique vários algoritmos, ou estimadores, para analisar, limpar e preparar dados brutos para o machine learning. Detecte e categorize automaticamente recursos com base em tipo de dados, tais como categóricos ou numéricos. Use a otimização de hiper parâmetros para determinar as melhores estratégias para a inserção de valores ausentes, codificação e o ajuste de escala de recursos.

Seleção de modelo automatizado

Selecione modelos através de teste de algoritmo de candidato e classificação em relação a pequenos subconjuntos dos dados. Aumenta gradualmente o tamanho do subconjunto dos melhores algoritmos. Possibilite a classificação de um grande número de algoritmos de candidato para seleção de modelos com a melhor correspondência para os dados.

Engenharia de recursos

Transforme dados brutos em uma combinação de recursos que melhor representa o problema para alcançar a previsão mais precisa. Conheça várias opções de construção de recursos de maneira estruturada e não exaustiva, enquanto maximiza progressivamente a precisão do modelo usando o aprendizado por reforço.

Otimização de hiper parâmetro

Refine e otimize pipelines de modelo usando treinamento de modelo e pontuação típica em machine learning. Escolha o melhor modelo para colocar em produção com base no desempenho.

Integração de monitoramento do modelo

Integre o monitoramento no desvio, imparcialidade e qualidade do modelo por meio de detalhes de entrada e saída, dados de treinamento e criação de log de carga útil. Implemente a redução de propensão passiva ou ativa ao mesmo tempo que analisa o viés direto e indireto.

Suporte de validação do modelo

Amplie os recursos com insights de modelo e dados e valide se seus modelos atendem ao desempenho esperado.Melhore continuamente seus modelos medindo a qualidade e comparando o desempenho do modelo.

Aproveite a potência do AutoAI

AutoAI em ação no IBM Watson Studio

Configuração do AutoAI

Captura de tela do IBM Watson Studio mostrando onde você inclui uma fonte de dados e selecione os detalhes de configuração para um experimento de AutoAI

Configuração do AutoAI

Arraste o arquivo.csv e selecione a coluna para fazer previsões.

Classificação de pipeline

Captura de tela do IBM Watson Studio mostrando o mapa de relacionamento e a tabela de classificação do pipeline

Classificação de pipeline

Classifique a precisão do modelo e mostre as informações de pipeline.

Avaliação do modelo

Captura de tela do IBM Watson Studio mostrando a avaliação do modelo para um pipeline, incluindo uma lista de medidas de avaliação do modelo

Avaliação do modelo

Reveja a exatidão, precisão e recall para avaliar os modelos.

Implementação de modelo

Captura de tela do IBM Watson Studio mostrando onde você promove um teste para o espaço de implementação

Implementação de modelo

Promova modelos para espaços de implementação.

Histórias de clientes

O Regions Bank desenvolveu uma Ia confiável

Veja os benefícios obtidos por este banco usando o IBM Cloud Pak for Data para analisar dados, avaliar desvios de dados e medir o desempenho do modelo.

A Highmark Health reduz o tempo de desenvolvimento de modelo em 90%

Saiba como essa rede de assistência médica desenvolveu um modelo preditivo que usa dados de solicitações de seguros para identificar pacientes propensos a desenvolver sepse.

Wunderman Thompson reimagina a IA

Saiba como esta agência de comunicação de marketing usa a AutoAI para realizar previsões de alto volume e identificar novos clientes.

Por que escolher o AutoAI da IBM?

Desenvolvimento focado pela IBM Research

Uma equipe do IBM Research está empenhada em aplicar técnicas de última geração a partir de IA, ML e gerenciamento de dados para acelerar e otimizar a criação de fluxos de trabalho de machine learning e ciência de dados. Os primeiros esforços da equipe em relação ao AutoML estavam centrados em usar otimização de hiperbanda/bayesiana para a procura de hiper parâmetros e hiper banda/ENAS/DARTS para procura de arquitetura neural.

Eles continuaram a se concentrar no desenvolvimento da AutoAI, incluindo automação da configuração de pipeline e otimização de hiper parâmetros. Um aprimoramento significativo é o algoritmo de otimização de hiper parâmetros, que é usado para avaliação de função de custo, como treinamento de modelo e pontuação. Isso permite agilizar a convergência para chegar a melhor solução.

A IBM Research também está aplicando a inteligência artificial automatizada para ajudar a garantir a confiança e a explicabilidade em modelos de IA. Com o AutoAI no IBM Watson Studio, os usuários têm acesso a visualizações de cada etapa do processo, como a preparação de dados, a seleção de algoritmos e a criação de modelos. Além disso, o IBM AutoAI automatiza as tarefas para melhoria contínua do modelo e torna mais fácil integrar APIs de modelo de IA em aplicativos por meio de seus recursos de ModelOps. A evolução do AutoAI no produto IBM Watson Studio contribuiu para que a IBM fosse nomeada Líder no Gartner Magic Quadrant for Data Science and Machine Learning Platforms de 2021.

Faça análises mais profundas

AutoML e deep learning

O deep learning é um subcampo de machine learning e é conhecido por capacitar aplicativos e serviços de IA que realizam tarefas analíticas e físicas sem intervenção humana. Exemplos de casos de uso para deep learning incluem chatbots, tecnologias de reconhecimento de imagem médica e detecção de fraude. No entanto, com o machine learning, projetar e executar um algoritmo de deep learning requer uma grande quantia de esforço humano e capacidade de computação.

A equipe do IBM Research usou um dos processos mais complexos e demorados do deep learning: a criação da arquitetura neural por meio de uma técnica chamada busca de arquitetura neural (NAS). A equipe analisou os métodos desenvolvidos do NAS e apresentou os benefícios de cada um com um objetivo de ajudar os profissionais a escolher um método adequado. Automatizar a abordagem para encontrar a arquitetura de melhor desempenho para um modelo de machine learning pode levar a uma maior democratização da IA, mas o problema é complexo e difícil de resolver.

Com o serviço de Deep Learning no IBM Watson Studio, você ainda pode começar a usar o deep learning rapidamente. O serviço ajuda você a projetar redes neurais complexas e, em seguida, testar em escala para implementar um modelo de machine learning otimizado. O serviço foi projetado para simplificar o processo de modelos de treinamento e também fornece um cluster de computação GPU sob demanda para atender aos requisitos de energia de computação. Você também pode integrar recursos populares de ML de software livre, como TensorFlow, Caffe, Torch e Chainer para treinar modelos em várias GPUs e acelerar os resultados. No IBM Watson Studio, é possíve combinar AutoML, IBM AutoAI e o serviço deep learning para acelerar a experimentação, analisar dados estruturados e não estruturados e implementar modelos melhores mais rápido.

Pacotes de software livre

A demanda por AutoML tem levado ao desenvolvimento de software livre que pode ser usado por leigos e por especialistas em ciência de dados. As principais ferramentas de software livre incluem sklearn, keras e weka automáticos. A IBM Research contribui com a Lale (link externo à IBM), uma biblioteca Python que compartilha os recursos de scikit-learn para oferecer suporte a um amplo escopo de automação, incluindo seleção de algoritmo, ajuste de hiper parâmetro e pesquisa de topologia. Conforme descrito em um artigo do IBM Research (PDF, 1,1 MB), Lale funciona gerando automaticamente espaços de busca para ferramentas estabelecidas do AutoML. Experimentos mostram que esses espaços de busca alcançam resultados competitivos com ferramentas de última geração enquanto oferecem mais versatilidade.

Documentação e suporte

Documentação

Encontre respostas rapidamente na documentação do IBM Watson Studio.

Suporte

Comece a usar o suporte técnico da IBM.

Comunidade

Obtenha dicas técnicas de outros usuários do IBM Watson Studio.

Comece a usar o AutoAI

Experimente o AutoAI com IBM Watson Studio no IBM Cloud Pak for Data.