IBM 被评为领导者
Gartner 公布了 2021 年数据科学和机器学习平台魔力象限。
从 AutoML 到 AutoAI
加速 AI 和模型生命周期管理
什么是 AutoML？自动化机器学习 (AutoML) 是将数据科学家在构建和训练机器学习模型（ML 模型）时必须完成的手动任务自动化的过程。 这些任务包括功能工程和选择，选择机器学习算法的类型；基于算法构建分析模型；超参数优化；根据测试过的数据集训练模型并运行模型以生成评分和结果。 研究人员开发了 AutoML，帮助数据科学家不必拥有深厚的 ML 模型专业知识即可构建预测模型。 AutoML 还将数据科学家从构建机器学习管道所涉及的机械任务中解放出来，使他们能够专注于提取解决重要业务问题所需的洞察。
什么是 AutoAI？AutoAI 是 AutoML 的变体。 它将模型构建自动化扩展到整个 AI 生命周期。 与 AutoML 一样，AutoAI 将智能自动化应用于构建预测性机器学习模型的步骤。 这些步骤包括为训练准备数据集；识别给定数据的最佳模型类型，如分类或回归模型；以及选择最有助于模型解决问题的数据列，即特征选择。 然后，自动化技术会测试各种超参数调优选项，以生成最佳结果，随后根据准确性和精确性等指标对模型候选管道进行排序。 性能最佳的管道可投入生产以处理新数据，并基于模型训练情况得出预测结果。
快速功能比较
AutoAI 与 AutoML
| 集成 | AutoAI | AutoML |
|---|---|---|
|
数据准备
|
||
|
特征工程
|
||
|
超参数优化
|
||
|
自动化模型部署
|
||
|
一键式部署
|
||
|
模型测试和评分
|
||
|
代码生成
|
||
|
支持：
|
||
|
去偏和漂移缓解
|
||
|
模型风险管理
|
||
|
AI 生命周期管理
|
||
|
迁移学习
|
||
|
任何 AI 模型
|
||
|
高级数据精炼
|
为什么 AutoAI 很重要？
智能自动化为所有人赋能
加速 AI 生命周期管理
自动构建机器学习和 AI 模型，无需深厚的数据科学专业知识。 为数据科学家、开发人员、ML 工程师和分析人员赋能，生成最佳的候选模型管道。 弥补技能集差距，提高机器学习项目的生产力。
加速实现机器学习
以分钟甚至秒为单位构建自定义 AI 和机器学习模型。 更迅速地大规模开展试验，训练和部署模型。 提高机器学习和 AI 模型生命周期的可重复性和治理能力，同时减少单调且耗时的任务。
实施值得信赖的 AI
在整个 AI 生命周期中，解决可解释性、公平性、健壮性、透明性和隐私性问题。 缓解 AI 和机器学习中的模型漂移、偏差和风险。 验证和监控模型，核实 AI 和机器学习性能是否满足业务目标。帮助满足企业社会责任 (CSR) 和环境社会治理 (ESG) 要求。
提高 ModelOps 的效率
通过统一工具、流程和人员，削减 AI 和机器学习模型操作 (ModelOps) 的成本。 减少用于管理遗留或点式工具及基础架构的支出。 利用自动化 AI 和 ML 生命周期，节省交付生产就绪模型所需的时间和资源。
如何使用 AutoAI？
构建 ModelOps
培养负责任、可解释的 AI
自动进行时间序列预测
AutoAI 的功能
在模型生命周期中自动执行关键步骤
数据预处理
应用各种算法或预估程序来分析、清理和准备用于机器学习的原始数据。 根据数据类型（如分类或数字数据）自动检测特征并进行分类。 使用超参数优化确定缺失值插补、特征编码和特征缩放的最佳策略。
自动化模型选择
通过针对一小部分数据的候选算法测试和排名来选择模型。 对于最有希望的算法，逐渐增加子集的大小。 支持对大量候选算法进行排名，以选择与数据最为匹配的模型。
特征工程
将原始数据转换为最能代表问题的特征组合，实现最准确的预测。 以结构化、非详尽的方式探索各种特征构造选项，同时使用强化学习尽可能地逐步提高模型准确性。
超参数优化
在机器学习中使用模型训练和典型评分来提炼和优化模型管道。 根据性能选择要投入生产的最佳模型。
模型监视集成
通过模型输入和输出详细信息、训练数据和有效内容记录，集成对模型漂移、公平性和质量的监控。 实施被动或主动去偏，同时分析直接和间接偏差。
模型验证支持
使用模型和数据洞察进行扩展，并验证模型是否满足您的预期性能目标。通过测量模型质量和比较模型性能，不断改进模型。
IBM Watson Studio 中 AutoAI 的实际运用
为何选择 IBM 的 AutoAI
IBM 研究院的重点开发项目
IBM 研究团队致力于应用来自 AI、ML 和数据管理的最先进技术，加速和优化机器学习及数据科学工作流程的创建工作。 该团队围绕 AutoML 首先开展的工作集中在使用超频带/贝叶斯优化进行超参数搜索，以及使用超频带/ENAS/DARTS 进行神经结构搜索。
他们持续关注 AutoAI 开发，包括管道配置和超参数优化的自动化。 超参数优化算法是一项显著的增强功能，已针对模型训练和评分等成本函数评估进行了优化。 这有助于加速收敛，找到最佳解决方案。
IBM 研究院还应用自动化人工智能，帮助确保 AI 模型的可信度和可解释性。 借助 IBM Watson Studio 中的 AutoAI，用户可以直观查看流程的各个阶段，从数据准备到算法选择，再到模型创建。 此外，IBM AutoAI 还可以自动执行任务以持续改进模型，并通过其 ModelOps 功能使 AI 模型 API 更易于集成到应用中。 IBM 在 2021 年 Gartner 数据科学和机器学习平台魔力象限中被评为领导者，IBM Watson Studio 产品中 AutoAI 的演变对此起到了一定的作用。
深度探索
开源程序包
对 AutoML 的需求，最终导致了可供数据科学专家和非专家人群使用的开源软件的开发。 领先的开源工具包括 auto-sklearn、auto-keras 和 auto-weka。 IBM 研究院为 Lale（链接位于 IBM 外部）做出了贡献，后者是一种扩展了 scikit-learn 功能的 Python 库，它支持广泛的自动化功能，包括算法选择、超参数调优和拓扑搜索。 如 IBM 研究院的一篇论文(PDF, 1.1 MB) 中所述，Lale 可自动为确定的 AutoML 工具生成搜索空间。 实验显示，这些搜索空间利用最先进的工具取得了极具竞争力的成果，同时进一步提高了用途的广泛性。
AutoAI 入门
在 IBM Cloud Pak for Data 上通过 IBM Watson Studio 试用 AutoAI。