IBM fue nombrado líder

Gartner publica el Gartner Magic Quadrant 2021 para plataformas de ciencia de datos y machine learning.

De AutoML a AutoAI

Acelerar la gestión del ciclo de vida de la IA y los modelos

¿Qué es AutoML? El machine learning automatizado (AutoML) es el proceso de automatizar las tareas manuales que los científicos de datos deben completar a medida que crean y entrenan modelos de machine learning (modelos ML). Estas tareas incluyen la ingeniería y selección de características, la elección del tipo de algoritmo de machine learning, la creación de un modelo analítico basado en el algoritmo, la optimización de hiperparámetros, el entrenamiento del modelo en conjuntos de datos probados y la ejecución del modelo para generar puntuaciones y resultados. Los investigadores desarrollaron AutoML para ayudar a los científicos a crear modelos predictivos sin tener experiencia en modelos de deep ML. AutoML también libera a los científicos de datos de las tareas rutinarias involucradas en la creación de una línea de trabajo de machine learning, lo que les permite centrarse en extraer los insights necesarios para resolver problemas empresariales importantes.

¿Qué es AutoAI? AutoAI es una variación de AutoML. Amplía la automatización de la creación de modelos a todo el ciclo de vida de la IA. Al igual que AutoML, AutoAI aplica la automatización inteligente a las etapas de desarrollar modelos predictivos de machine learning. Estas etapas incluyen la preparación de conjuntos de datos para entrenarlos, la identificación del mejor tipo de modelo para datos determinados (como un modelo de clasificación o regresión) y la elección de las columnas de datos que mejor apoyan el problema que resuelve el modelo (lo que se conoce como selección de características). Posteriormente, la automatización prueba una variedad de opciones de ajuste de hiperparámetros para lograr el mejor resultado y, a continuación, clasifica las líneas de trabajo candidatas a modelos basándose en métricas como exactitud y precisión. Las líneas de trabajo con mejor rendimiento se pueden poner en producción para procesar nuevos datos y ofrecer predicciones basadas en el entrenamiento del modelo.

Comparación rápida de funciones

AutoAI frente a AutoML

Se integra con AutoAI AutoML
Preparación de datos
Ingeniería de funcionalidades
Optimización de hiperparámetros
Implementación automatizada de modelos
Implementación con un único clic
Pruebas y puntuación de modelos
Generación de código
Compatibilidad con:
Reducción del sesgo y mitigación de la desviación
Gestión de riesgos de modelos
Gestión del ciclo de vida de la inteligencia artificial
Transferencia de conocimiento
Cualquier modelo de IA
Refinería de datos avanzada

¿Por qué AutoAI es importante?

La automatización inteligente empodera a todos

¿Cómo se puede usar AutoAI?

Cree ModelOps

tres empleados discutiendo con una que escribe notas

Cree ModelOps

Facilite la colaboración entre los científicos de datos y DevOps para optimizar la integración de modelos de IA en aplicaciones.

Impulse la IA responsable y explicable

empleado mirando a la izquierda de un monitor de escritorio en una oficina

Impulse la IA responsable y explicable

Descubra la importancia de generar confianza en la producción de IA al mismo tiempo que obtiene resultados más rápidos y gestiona tanto el riesgo como la conformidad.

Automatice la previsión de series temporales

dos empleados discutiendo con papeles y una computadora personal

Automatice la previsión de series temporales

Descubra cómo los modelos pueden predecir valores futuros de series temporales incorporando los modelos con mejor rendimiento de todas las clases de modelo posibles, no solo una.

Características de AutoAI

Automatice las etapas principales del ciclo de vida del modelo

Preprocesamiento de datos

Aplique varios algoritmos o estimadores para analizar, limpiar y preparar datos no procesados para el machine learning. Detecte y categorice características automáticamente con base en el tipo de datos, como por ejemplo categóricos o numéricos. Use la optimización de hiperparámetros para determinar las mejores estrategias para la imputación de valores faltantes y tanto la codificación como el escalado de características.

Selección de modelos automatizada

Seleccione modelos a través de pruebas de algoritmo de candidatos y clasificaciones de subconjuntos pequeños de los datos. Aumente gradualmente el tamaño de los subconjuntos para los algoritmos más prometedores. Habilite la clasificación de un gran número de algoritmos candidatos para la selección de modelos con la mejor coincidencia para los datos.

Ingeniería de funcionalidades

Transforme datos no procesados en la combinación de características que mejor represente el problema para obtener la predicción más precisa. Explore varias opciones de creación de funciones de manera estructurada y no exhaustiva, al mismo tiempo que maximiza la precisión del modelo utilizando el aprendizaje por refuerzo.

Optimización de hiperparámetros

Perfeccione y optimice las líneas de trabajo de modelos utilizando el entrenamiento y la puntuación de modelos típicos del machine learning. Elija el mejor modelo para poner en producción con base en su rendimiento.

Integración de supervisión de modelos

Integre la supervisión de la desviación del modelo, la equidad y la calidad a través de detalles de entrada y salida, datos de entrenamiento y registro de cargas útiles del modelo. Implemente la eliminación del sesgo pasiva o activa y al mismo tiempo analice el sesgo directo e indirecto.

Apoyo a validación de modelos

Amplíe con insights de modelo y datos y evalúe si sus modelos cumplen con el rendimiento esperado. Mejore continuamente sus modelos midiendo su calidad y comparando su rendimiento.

Obtenga el poder de AutoAI

AutoAI en acción en IBM Watson Studio

Configuración de AutoAI

Captura de pantalla de IBM Watson Studio que muestra dónde se añade una fuente de datos y se seleccionan la configuración para un experimento de AutoAI

Configuración de AutoAI

Arrastre el archivo .csv y seleccione la columna que desea predecir.

Tabla de clasificación de pipeline

Captura de pantalla de IBM Watson Studio que muestra el mapa de relaciones y la tabla de clasificación de líneas de trabajo

Tabla de clasificación de pipeline

Clasifique la precisión del modelo y muestre la información de la línea de trabajo.

Evaluación de modelos

Captura de pantalla de IBM Watson Studio que muestra la evaluación del modelo de una línea de trabajo, incluida una lista de métricas de evaluación de modelos

Evaluación de modelos

Revise la precisión, la exactitud y la exhaustividad para evaluar modelos.

Implementación de modelos

Captura de pantalla de IBM Watson Studio que muestra dónde se avanza una prueba al espacio de implementación

Implementación de modelos

Avance modelos a espacios de implementación.

Casos de clientes

Regions Bank desarrolla una IA confiable

Vea los beneficios que obtuvo este banco utilizando IBM Cloud Pak for Data para analizar datos, evaluar la desviación de datos y medir el rendimiento del modelo.

Highmark Health reduce el tiempo de creación de modelos en un 90 %

Descubra cómo esta red de asistencia médica creó un modelo predictivo que utiliza datos de reclamaciones de seguros para identificar a los pacientes que pueden desarrollar sepsis.

Wunderman Thompson reinventa la IA

Descubra cómo esta agencia de marketing utiliza AutoAI para impulsar grandes cantidades de predicciones e identificar nuevos clientes.

¿Por qué elegir AutoAI de IBM?

Desarrollo enfocado de IBM Research

Un equipo de IBM Research se ha comprometido a aplicar técnicas innovadoras de IA, ML y gestión de datos para acelerar y optimizar la creación de flujos de trabajo de machine learning y ciencia de datos. Los primeros esfuerzos del equipo en torno al AutoML se centraron en el uso de la optimización de hiperbanda/bayesiana para la búsqueda de hiperparámetros y la hiperbanda/ENAS/DARTS para la Búsqueda de Arquitectura Neuronal.

Ha seguido centrándose en el desarrollo de AutoAI, incluyendo la automatización de la configuración de la línea de trabajo y la optimización de hiperparámetros. Una mejora significativa es el algoritmo de optimización de hiperparámetros, que está optimizado para evaluar la función de costo como el entrenamiento y la puntuación de modelos. Esto ayuda a acelerar la convergencia con la mejor solución.

IBM Research también está aplicando inteligencia artificial automatizada para ayudar a garantizar la confianza y la explicabilidad en los modelos de IA. Con AutoAI en IBM Watson Studio, los usuarios pueden visualizar cada etapa del proceso, desde la preparación de datos hasta la selección de algoritmos y la creación de modelos. Además, IBM AutoAI automatiza las tareas para la mejora continua del modelo y facilita la integración de las API de modelos de IA en aplicaciones a través de sus funciones ModelOps. La evolución de AutoAI en el producto IBM Watson Studio contribuyó a que IBM fuese nombrado líder en el Gartner Magic Quadrant 2021 para plataformas de ciencia de datos y machine learning.

Obtenga más información

AutoML y deep learning

El deep learning es un subcampo del machine learning y es conocido por impulsar aplicaciones y servicios de IA que realizan tareas analíticas y físicas sin intervención humana. Algunos ejemplos de casos de uso del deep learning son los chatbots, las tecnologías de reconocimiento de imágenes médicas y la detección de fraudes. Sin embargo, como con el machine learning, el diseño y la ejecución de un algoritmo de deep learning requiere una gran cantidad de esfuerzo humano, así como potencia informática.

El equipo de IBM Research ha estudiado uno de los procesos más complejos y lentos del deep learning: la creación de la arquitectura neuronal a través de una técnica llamada búsqueda de arquitectura neuronal (NAS). El equipo analizó los métodos de NAS desarrollados y presentó los beneficios de cada uno con el objetivo de ayudar a los profesionales a elegir el método apropiado. Automatizar el enfoque para encontrar la arquitectura con mejor rendimiento para un modelo de machine learning puede llevar a una mayor democratización de la IA, pero el problema es complejo y difícil de resolver.

Con el servicio de deep learning en IBM Watson Studio, aún puede empezar a usar deep learning rápidamente. Este servicio le ayuda a diseñar redes neuronales complejas y a experimentar a escala para implementar un modelo de machine learning optimizado. Diseñado para simplificar el proceso de entrenar modelos, el servicio también proporciona un clúster informático de GPU bajo demanda para resolver los requisitos de capacidad computacional. También se pueden integrar marcos de ML de código abierto populares como TensorFlow, Caffe, Torch y Chainer para entrenar modelos en múltiples GPU y acelerar los resultados. En IBM Watson Studio, puede combinar AutoML, IBM AutoAI y el Servicio de deep learning para acelerar la experimentación, analizar datos estructurados y no estructurados e implementar mejores modelos de forma más rápida.

Paquetes de código abierto

La demanda de AutoML ha llevado al desarrollo de software de código abierto que puede ser utilizado por expertos en ciencia de datos y no expertos. Las principales herramientas de código abierto incluyen auto-sklearn, auto-keras y auto-weka. IBM Research contribuye a Lale (enlace externo a IBM), una biblioteca de Python que amplía las capacidades de scikit-learn para apoyar un amplio espectro de automatización, incluyendo la selección de algoritmos, el ajuste de hiperparámetros y la búsqueda de topología. Como se describe en un informe de IBM Research (PDF, 1.1 MB), Lale funciona generando automáticamente espacios de búsqueda para las herramientas de AutoML establecidas. Los experimentos demuestran que estos espacios de búsqueda logran resultados competitivos con herramientas de última generación al mismo tiempo que ofrecen más versatilidad.

Documentación y soporte

Documentación

Encuentre respuestas rápidamente en la documentación de IBM Watson Studio.

Soporte

Empiece a usar el soporte técnico de IBM.

Comunidad

Obtenga consejos técnicos de otros usuarios de IBM Watson Studio.

Empiece a usar AutoAI

Pruebe AutoAI with IBM Watson Studio en IBM Cloud Pak for Data.