IBM désigné comme leader

Gartner publie le Magic Quadrant 2021 pour les plateformes de science des données et d'apprentissage automatique.

De AutoML à AutoAI

Accélération de l'IA et de la gestion du cycle de vie des modèles

Qu'est -ce que AutoML ? L'apprentissage automatique (AutoML) est le processus d'automatisation des tâches manuelles que les spécialistes des données doivent accomplir lorsqu'ils créent et entraînent des modèles d'apprentissage automatique (modèles ML). Ces tâches incluent l'ingénierie et la sélection des caractéristiques, le choix du type d'algorithme d'apprentissage automatique, la création d'un modèle d'analyse basé sur l'algorithme, l'optimisation des hyperparamètres, l'entraînement du modèle sur des ensembles de données testés et l'exécution du modèle pour générer des scores et des résultats. Les chercheurs ont développé AutoML pour aider les spécialistes des données à créer des modèles prédictifs sans avoir une expertise approfondie des modèles ML. AutoML libère également les spécialistes des données des tâches répétitives liées à la création d'un pipeline d'apprentissage automatique, ce qui leur permet de se concentrer sur l'extraction des informations nécessaires à la résolution de problèmes métier importants.
Qu'est-ce que AutoAI ? AutoAI est une variante d'AutoML. Il étend l'automatisation de la création de modèle à l'ensemble du cycle de vie de l'IA. Comme AutoML, AutoAI applique une automatisation intelligente aux étapes de la création de modèles d'apprentissage automatique prédictifs. Ces étapes comprennent la préparation de jeux de données pour l'entraînement, l'identification du meilleur type de modèle pour les données concernées, comme un modèle de classification ou de régression, et le choix des colonnes de données qui prennent le mieux en charge le problème que le modèle résout, c'est-à-dire ce qu'on appelle la sélection des caractéristiques. L'automatisation teste ensuite diverses options d'optimisation des hyperparamètres pour obtenir le meilleur résultat, tout en générant, puis en classant, des pipelines de modèles candidats en fonction de paramètres tels que l'exactitude et la précision. Les pipelines les plus performants peuvent être mis en production pour traiter les nouvelles données et fournir des prévisions basées sur l'entraînement du modèle.

Comparaison rapide des fonctionnalités

AutoAI versus AutoML

Intégration avec AutoAI AutoML
Préparation des données
Ingénierie des fonctionnalités
Optimisation d'hyperparamètre
Déploiement d'un modèle automatisé
Déploiement en un clic
Test et évaluation d'un modèle
Génération de code
Support pour :
Débiaisement et atténuation de la dérive
Gestion des risques liés aux modèles
Gestion du cycle de vie de l'IA
Apprentissage par transfert
Tout modèle d'IA
Affinage avancé des données

Pourquoi AutoAI est-il important ?

L'automatisation intelligente donne les moyens à tout le monde

Comment utiliser AutoAI ?

Générer des ModelOps

trois employés se concertant, l'un d'eux prenant des notes

Générer des ModelOps

Facilitez la collaboration entre les spécialistes des données et DevOps pour optimiser l'intégration des modèles d'IA dans les applications.

Favoriser une IA responsable et explicable

employé regardant à gauche d'un écran de bureau dans un bureau

Favoriser une IA responsable et explicable

Explorez l'importance d'instaurer la confiance dans l'IA de production tout en obtenant des résultats plus rapidement et en gérant les risques et la conformité.

Automatiser la prévision des séries temporelles

deux employés discutant, avec des papiers et un ordinateur portable

Automatiser la prévision des séries temporelles

Découvrez comment des modèles peuvent prévoir les valeurs futures d'une série temporelle en incorporant les modèles les plus performants de toutes les classes de modèles possibles, et pas seulement d'une seule classe.

Fonctions d'AutoAI

Automatiser les étapes clés du cycle de vie d'un modèle

Pre-traitement des données

Appliquez divers algorithmes, ou estimateurs, pour analyser, nettoyer et préparer les données brutes pour l'apprentissage automatique. Détectez et catégorisez automatiquement les fonctionnalités selon le type de données, comme les données catégoriques ou numériques. Utilisez l'optimisation des hyperparamètres pour déterminer les meilleures stratégies d'imputation des valeurs manquantes, d'encodage des fonctionnalités et de mise à l'échelle des fonctionnalités.

Sélection de modèle automatisée

Sélectionnez des modèles en testant les algorithmes candidats et en les classant par rapport à de petits jeux de données. Augmentez progressivement la taille du sous-ensemble pour les algorithmes les plus prometteurs. Classez un grand nombre d'algorithmes candidats pour la sélection du modèle qui correspond le mieux aux données.

Ingénierie des fonctionnalités

Transformez les données brutes dans la combinaison de fonctionnalités qui représente le mieux le problème pour obtenir la prévision la plus précise. Explorez divers choix de construction de fonctionnalités de manière structurée et non exhaustive, tout en maximisant progressivement la précision du modèle à l'aide de l'apprentissage par renforcement.

Optimisation d'hyperparamètre

Affinez et optimisez les pipelines de modèle à l'aide de l'entraînement et de la notation de modèles typiques de l'apprentissage automatique. Choisissez le meilleur modèle à mettre en production en fonction des performances.

Intégration de la surveillance de modèle

Intégrez la surveillance de la dérive, de l'équité et de la qualité du modèle dans les informations d'entrée et de sortie du modèle, les données d'entraînement et la journalisation du contenu. implémentez le débiaisement passif ou actif, tout en analysant les biais directs et indirects.

Support de validation de modèle

Étendez en vous servant des éclairages de modèles et de données, et vérifiez (validez) que vos modèles répondent aux performances attendues. Améliorez en continu vos modèles en mesurant leur qualité et en comparant leurs performances.

Bénéficier de la puissance d'AutoAI

AutoAI en action dans IBM Watson Studio

Configuration d'AutoAI

Capture d'écran d'IBM Watson Studio montrant comment ajouter une source de données et sélectionner les informations de configuration d'une expérimentation AutoAI.

Configuration d'AutoAI

Faites glisser le fichier .csv et sélectionnez la colonne pour la prévision.

Leaderboard de pipeline

Capture d'écran d'IBM Watson Studio montrant une carte de relations et une tableau de classement de pipeline

Leaderboard de pipeline

Classez la précision du modèle et indiquez les informations sur le pipeline.

Évaluation de modèles

Capture d'écran d'IBM Watson Studio montrant l'évaluation d'un modèle de pipeline, y compris une liste de mesures d'évaluation du modèle

Évaluation de modèles

Examinez l'exactitude, la précision et le rappel pour évaluer des modèles.

Déploiement de modèles

Capture d'écran d'IBM Watson Studio montrant où promouvoir un test dans un espace de déploiement

Déploiement de modèles

Promouvoir des modèles dans les espaces de déploiement.

Cas d'utilisation clients

Régions Bank développe une IA digne de confiance

Découvrez les avantages obtenus par cette banque qui utilise IBM Cloud Pak for Data pour analyser les données, évaluer leur dérive et mesurer la performance des modèles.

Highmark Health réduit de 90 % le temps de création des modèles

Découvrez comment ce réseau de soins de santé a construit un modèle prédictif qui utilise les données des dossiers d'assurance pour identifier les patients susceptibles de développer une septicémie.

Wunderman Thompson réinvente l'IA

Découvrez comment cette agence de communication marketing utilise AutoAI pour générer des prévisions à fort volume et identifier de nouveaux clients.

Pourquoi AutoAI d'IBM

Développement ciblé par IBM Research

Une équipe IBM Research s'engage à appliquer des techniques de pointe en matière d'IA, de ML et de gestion des données pour accélérer et optimiser la création de flux d'apprentissage automatique et de science des données. Les premières actions de l'équipe concernant AutoML se sont concentrées sur l'utilisation de l'hyperbande/optimisation bayésienne pour la recherche d'hyperparamètres et de l'hyperbande/ENAS/DARTS pour la recherche en architecture neuronale.

Elle a continué de se concentrer sur le développement d'AutoAI, y compris l'automatisation de la configuration de pipeline et l'optimisation des hyperparamètres. Une amélioration importante est l'algorithme d'optimisation des hyperparamètres, qui est optimisé pour l'évaluation des fonctions de coût telles que l'entraînement et la notation des modèles. Cela permet d'accélérer la convergence vers la meilleure solution.

IBM Research applique également l'intelligence artificielle automatisée pour garantir la confiance et l'explicabilité des modèles d'IA. Avec AutoAI dans IBM Watson Studio, les utilisateurs voient des visualisations de chaque étape du processus, de la préparation des données à la sélection des algorithmes, en passant par la création du modèle. En outre, IBM AutoAI automatise les tâches d'amélioration continue du modèle et facilite l'intégration des API de modèle d'IA dans les applications grâce à ses fonctionnalités ModelOps. L'évolution d'AutoAI au sein du produit IBM Watson Studio a contribué à désigner IBM comme leader dans le Magic Quadrant 2021 de Gartner pour les plateformes de science des données et d'apprentissage automatique.

Aller plus loin

AutoML et l'apprentissage en profondeur

L'apprentissage en profondeur est un sous-domaine de l'apprentissage automatique et est connu pour alimenter les applications et services d'IA qui effectuent des tâches d'analyse et physiques sans intervention humaine. Assistants conversationnels, technologies de reconnaissance d'images médicales et détection des fraudes sont des exemples de cas d'utilisation de l'apprentissage en profondeur. Toutefois, comme pour l'apprentissage automatique, la conception et l'exécution d'un algorithme d'apprentissage en profondeur exigent un effort humain considérable, ainsi qu'une grande puissance de calcul.

L'équipe IBM Research a exploré l'un des processus les plus complexes et les plus longs de l'apprentissage en profondeur : la création de l'architecture neuronale via une technique appelée Neural Architecture Search (NAS). L'équipe a examiné les méthodes NAS développées et a présenté les avantages de chacune d'entre elles dans le but d'aider les praticiens à choisir une méthode appropriée. L'automatisation de l'approche visant à trouver l'architecture la plus performante pour un modèle d'apprentissage automatique peut conduire à une plus grande démocratisation de l'IA, mais la question est complexe et difficile à résoudre.

Avec le service d'apprentissage en profondeur au sein d'IBM Watson Studio, vous pouvez toujours vous lancer rapidement dans l'apprentissage en profondeur. Ce service vous aide à concevoir des réseaux de neurones complexes, puis à expérimenter à grande échelle pour déployer un modèle d'apprentissage automatique optimisé. Destiné à simplifier le processus d'entraînement des modèles, le service fournit également un cluster de calcul GPU à la demande, pour répondre aux besoins de puissance de calcul. Vous pouvez également intégrer des infrastructures ML open source courantes, telles que TensorFlow, Caffe, Torch et Chainer, pour entraîner des modèles sur plusieurs unités GPU et accélérer les résultats. Sur IBM Watson Studio, vous pouvez combiner AutoML, IBM AutoAI et le service d'apprentissage en profondeur pour accélérer l'expérimentation, analyser des données structurées et non structurées, et déployer plus rapidement des modèles plus efficaces.

Packages open source

La demande pour AutoML a conduit au développement d'un logiciel open source qui peut être utilisé par des spécialistes de la science des données et par des non-spécialistes. Les principaux outils open source sont auto-sklearn, auto-keras et auto-weka. IBM Research contribue à Lale (lien externe à IBM), bibliothèque Python qui étend les fonctionnalités de scikit-learn pour prendre en charge un large éventail d'automatismes, notamment la sélection d'algorithmes, l'optimisation d'hyperparamètres et la recherche topologique. Comme décrit dans un document d'IBM Research (PDF, 1,1 Mo), Lale fonctionne en générant automatiquement des espaces de recherche pour les outils AutoML établis. Les expérimentations montrent que ces espaces de recherche permettent d'obtenir des résultats compétitifs par rapport aux outils de pointe, tout en offrant une plus grande polyvalence.

Documentation et support

Documentation

Trouvez rapidement des réponses dans la documentation d'IBM Watson Studio.

Support

Démarrez avec l'assistance technique d'IBM.

Communauté

Bénéficiez des conseils techniques d'autres utilisateurs d'IBM Watson Studio.

Guide d'initiation à AutoAI

Essayez AutoAI avec IBM Watson Studio on IBM Cloud Pak for Data.