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
Acelere o gerenciamento de ciclo de vida IA
Desenvolva automaticamente os modelos de machine learning e IA sem precisar ter conhecimento profundo em ciência de dados. Ofereça os recursos necessários aos cientistas de dados, desenvolvedores, engenheiros de ML e analistas para gerar pipelines de modelos que sejam os principais candidatos. Supere as lacunas em falta de qualificações e aumente a produtividade para seus projetos de machine learning.
Acelere a implementação do machine learning
Desenvolva modelos personalizados de IA e de machine learning em minutos ou até segundos. Experimente, treine e implemente modelos rapidamente e em escala. Aumente a capacidade de reprodução e a governança do machine learning e dos ciclos de vida do modelo de IA enquanto reduz as tarefas rotineiras e demoradas.
Implemente a IA confiável
Aborde a explicabilidade, a imparcialidade, a robustez, a transparência e a privacidade como parte do ciclo de vida de IA. Reduza o desvio, viés e risco do modelo em IA e machine learning. Valide e monitore modelos para verificar se o desempenho de IA e machine learning atende a metas de negócios.Ajude a atender os requisitos da responsabilidade social corporativa (CSR) e da governança social ambiental (ESG).
Aumente a eficiência dos ModelOps
Corte custos de operações de modelos de IA e machine learning (ModelOps) por meio da unificação de ferramentas, processos e pessoas. Reduza os gastos com gerenciamento de ferramentas existentes ou de ponto e infraestruturas. Economize tempo e recursos para entregar modelos prontos para produção com IA automatizada e ciclos de vida.
Como você pode usar o AutoAI?
Promova práticas responsáveis de IA explicável

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

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
IBM Watson® Studio on IBM Cloud Pak® for Data
Como parte da plataforma de dados e IA de ponta a ponta do IBM Cloud Pak for Data, o IBM Watson Studio apresenta o kit de ferramentas AutoAI que prepara automaticamente os dados, aplica algoritmos de machine learning e cria pipelines de modelo que são mais adequados para seus conjuntos de dados e casos de uso de modelagem preditiva. Saiba mais →
Experimente o produto →
AutoAI em ação no IBM Watson Studio
Classificação de pipeline

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

Avaliação do modelo
Reveja a exatidão, precisão e recall para avaliar os modelos.
Implementação de modelo

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