IBM als führend anerkannt
Gartner veröffentlicht den Magic Quadrant 2021 für Plattformen für Data Science und maschinelles Lernen.
Von AutoML zu AutoAI
Beschleunigung des KI- und Modelllebenszyklusmanagements
Was ist AutoML?
Automatisiertes maschinelles Lernen (AutoML) ist die Automatisierung der manuellen Aufgaben, die beim Erstellen und Trainieren von Modellen für maschinelles Lernen (ML-Modelle) von Data Scientists ausgeführt werden müssen. Zu diesen Aufgaben gehören: Feature-Engineering und -Auswahl, Auswahl des Typs des maschinellen Lernalgorithmus, Erstellen eines analytischen Modells basierend auf dem Algorithmus, Hyperparameter-Optimierung, Trainieren des Modells mit getesteten Datensätzen und Ausführen des Modells zum Generieren von Bewertungen und Ergebnissen. Forscher haben AutoML entwickelt, um Data Scientists dabei zu helfen, Vorhersagemodelle zu erstellen, ohne über tiefgreifende ML-Modellkenntnisse zu verfügen. AutoML befreit Data Scientists auch von den Routineaufgaben, die mit dem Aufbau einer Pipeline für maschinelles Lernen verbunden sind, und ermöglicht es ihnen, sich darauf zu konzentrieren, die Erkenntnisse zu extrahieren, die zur Lösung wichtiger Geschäftsprobleme erforderlich sind.
Was ist AutoAI?
AutoAI ist eine Variante von AutoML. Es erweitert die Automatisierung der Modellerstellung auf den gesamten KI-Lebenszyklus. Wie AutoML automatisiert AutoAI die Schritte zum Erstellen von Vorhersagemodellen für maschinelles Lernen auf intelligente Weise. Diese Schritte umfassen die Vorbereitung von Datensätzen für das Training, die Identifizierung des besten Modelltyps für die gegebenen Daten, z. B. ein Klassifizierungs- oder Regressionsmodell, und die Auswahl der Datenspalten, die sich für die Problemstellung des Modells am besten eignen, auch bekannt als Merkmalsauswahl. Die Automatisierung testet daraufhin eine Vielzahl von Hyperparameter-Tuning-Optionen, um das beste Ergebnis zu erzielen. Dazu generiert sie, basierend auf Kennzahlen wie Genauigkeit und Präzision, eine Pipeline aus Modellkandidaten und bringt diese in eine Rangfolge. Die leistungsstärksten Pipelines können produktiv eingesetzt werden, um neue Daten zu verarbeiten und Vorhersagen basierend auf dem Modelltraining bereitzustellen.
Schnellvergleich der Funktionen
AutoAI versus AutoML
Integration mit | AutoAI | AutoML |
---|---|---|
Datenaufbereitung
|
||
Funktionsentwicklung
|
||
Hyperparameter-Optimierung
|
||
Automatisierte Modellbereitstellung
|
||
Bereitstellung mit einem Klick
|
||
Modelltest und Bewertung
|
||
Codegenerierung
|
||
Support für:
|
||
Bereinigung von Verzerrungen und Abmilderung von Drift
|
||
Modellrisikomanagement
|
||
KI-Lebenszyklusmanagement
|
||
Transferlernen
|
||
Alle KI-Modelle
|
||
Erweiterte Datenverfeinerung
|
Warum ist AutoAI wichtig?
Intelligente Automatisierung nützt allen
Beschleunigen Sie das KI-Lebenszyklusmanagement
Erstellen Sie automatisch maschinelle Lern- und KI-Modelle ohne fundiertes Data-Science-Fachwissen. Befähigen Sie Data Scientists, Anwendungsentwickler, ML-Ingenieure und Analysten mit der Generierung von Modellpipelines mit hervorragenden Kandidaten. Schließen Sie Schulungslücken und steigern Sie die Produktivität Ihrer Machine-Learning-Projekte.
Beschleunigen Sie die Implementierung von maschinellem Lernen
Erstellen Sie benutzerdefinierte KI- und maschinelle Lernmodelle in Minuten oder sogar Sekunden. Experimentieren, trainieren und stellen Sie Modelle häufiger im richtigen Maß bereit. Erhöhen Sie die Wiederholgenauigkeit und Governance von maschinellem Lernen und KI-Modelllebenszyklen und reduzieren Sie gleichzeitig alltägliche, zeitintensive Aufgaben.
Implementieren Sie vertrauenswürdige KI
Gehen Sie auf Aspekte wie Erklärbarkeit, Fairness, Zuverlässigkeit, Transparenz und Vertraulichkeit als Teil des KI-Lebenszyklus ein. Reduzieren Sie Modelldrifts, Verzerrungen und Risiken in KI und maschinellem Lernen. Validieren und überwachen Sie Modelle, um sicherzustellen, dass die Leistung von KI und maschinellem Lernen den Geschäftszielen entspricht. Helfen Sie mit, Corporate Social Responsibility (CSR) und Environmental Social Governance (ESG) zu erfüllen.
Steigern Sie die Effizienz von ModelOps
Senken Sie die Kosten für den Betrieb von KI- und maschinellen Lernmodellen (ModelOps) durch die Vereinheitlichung von Tools, Prozessen und Personen. Reduzieren Sie die Ausgaben für die Verwaltung von traditionellen Strukturen oder einzelnen Tools und Infrastrukturen. Sparen Sie Zeit und Ressourcen, um einsatzbereite Modelle mit automatisierten KI- und ML-Lebenszyklen bereitzustellen.
Wie können Sie AutoAI verwenden?
Fördern Sie verantwortungsbewusste, erklärbare KI

Fördern Sie verantwortungsbewusste, erklärbare KI
Erfahren Sie, wie wichtig es ist, eine Vertrauensbeziehung in die Produktions-KI aufzubauen, während Sie schneller Ergebnisse erzielen und Risiken und Compliance verwalten.
Zeitreihenvorhersagen automatisieren

Zeitreihenvorhersagen automatisieren
Erfahren Sie mehr darüber, wie Modelle zukünftige Werte einer Zeitreihe vorhersagen können, indem sie die leistungsstärksten Modelle aus allen möglichen Modellklassen integrieren, nicht nur aus einer einzelnen Klasse.
Funktionen von AutoAI
Automatisieren Sie wichtige Schritte im Modelllebenszyklus
Datenvorverarbeitung
Wenden Sie verschiedene Algorithmen oder Schätzer an, um Rohdaten für maschinelles Lernen zu analysieren, zu bereinigen und vorzubereiten. Erkennen und kategorisieren Sie Funktionen automatisch basierend auf dem Datentyp, z. B. kategorial oder numerisch. Verwenden Sie die Hyperparameter-Optimierung, um die besten Strategien für die Imputation fehlender Werte, Funktionscodierung und Funktionsskalierung festzulegen.
Automatisierte Modellauswahl
Wählen Sie Modelle durch Testen von Kandidatenalgorithmen und der Rangordnung anhand handlicher Untergruppen der Daten aus. Erhöhen Sie schrittweise die Größe der Untergruppe für die vielversprechendsten Algorithmen. Ermöglichen Sie die Rangordnung einer umfangreichen Anzahl von Kandidatenalgorithmen für die Modellauswahl mit der besten Übereinstimmung für die Daten.
Funktionsentwicklung
Wandeln Sie Rohdaten in die Kombination von Merkmalen um, die das Problem am besten darstellt, um die präziseste Vorhersage zu erzielen. Untersuchen Sie auf strukturierte, nicht überlastende Art und Weise verschiedene Optionen für die Konstruktion von Auswahlmöglichkeiten, während Sie die Modellgenauigkeit mithilfe von bestärkendem Lernen schrittweise maximieren.
Hyperparameter-Optimierung
Verfeinern und optimieren Sie Modellpipelines mithilfe von Modelltraining und Scoring, die für maschinelles Lernen typisch sind. Wählen Sie basierend auf der Leistung das beste Modell für die Produktion aus.
Modellüberwachungsintegration
Integrieren Sie die Überwachung von Modelldrift, Fairness und Qualität durch Eingabe- und Ausgabedetails des Modells, Trainingsdaten und Nutzdatenprotokollierung. Implementieren Sie passive oder aktive Verzerrungsbereinigung, während Sie direkte und indirekte Verzerrungen analysieren.
Unterstützung bei der Modellprüfung
Erweitern Sie um Modell- und Datenerkenntnisse und prüfen Sie, ob Ihre Modelle die erwartete Leistung erfüllen. Verbessern Sie Ihre Modelle fortlaufend, indem Sie die Modellqualität messen und die Modellleistung vergleichen.
Mehr Leistung mit AutoAI
IBM Watson® Studio auf IBM Cloud Pak® for Data
Als Teil der End-to-End-Daten- und KI-Plattform von IBM Cloud Pak for Data verfügt IBM Watson Studio über das AutoAI-Toolkit, das Daten automatisch aufbereitet, Algorithmen für maschinelles Lernen anwendet und Modellpipelines erstellt, die für Ihre Datensätze und Vorhersagemodellierung am besten geeignet sind.
Mehr erfahren →
Produkt ausprobieren →
AutoAI in Aktion in IBM Watson Studio
Pipeline-Bestenliste

Pipeline-Bestenliste
Bewerten Sie die Modellgenauigkeit und zeigen Sie Pipeline-Informationen an.
Modellevaluierung

Modellevaluierung
Überprüfen Sie Genauigkeit, Präzision und Rückrufe, um Modelle zu bewerten.
Modellimplementierung

Modellimplementierung
Stufen Sie Modelle in Bereitstellungsbereiche hoch.
Kundenreferenzen
Regions Bank entwickelt vertrauenswürdige KI
Erfahren Sie mehr über Vorteile, die diese Bank mit IBM Cloud Pak for Data erzielt, um Daten zu analysieren, Datendrift zu bewerten und den Modellerfolg zu messen.
Highmark Health verkürzt Modellerstellungszeit um 90 %
Erfahren Sie, wie dieses Gesundheitsnetzwerk ein Vorhersagemodell entwickelt hat, das Daten zu Schadensmeldungen verwendet, um Patienten zu identifizieren, bei denen eine erhöhte Wahrscheinlichkeit auf das Auftreten einer Blutvergiftung besteht.
Wunderman Thompson erfindet KI neu
Erfahren Sie, wie diese Agentur für Marketingkommunikation AutoAI verwendet, um umfangreiche Vorhersagen zu erstellen und neue Kunden zu identifizieren.
Warum AutoAI von IBM
Fokussierte Entwicklung durch IBM Research
Ein Team von IBM Research setzt modernste Techniken aus den Bereichen KI, ML und Datenmanagement ein, um die Erstellung von Arbeitsabläufen für maschinelles Lernen und Datenwissenschaft zu beschleunigen und zu optimieren. Die ersten Bemühungen des Teams um AutoML konzentrierten sich auf die Verwendung von Hyperband-/Bayes-Optimierung für die Hyperparametersuche und Hyperband/ENAS/DARTS für die Neural Architecture Search.
Der Fokus liegt auch weiterhin auf der Entwicklung von AutoAI, einschließlich der Automatisierung der Pipeline-Konfiguration und der Hyperparameter-Optimierung. Eine wesentliche Verbesserung ist der Hyperparameter-Optimierungsalgorithmus, der für die Auswertung von Kostenfunktionen wie Modelltraining und Scoring optimiert ist. Dies trägt dazu bei, die Konvergenz zur besten Lösung zu beschleunigen.
IBM Research wendet auch automatisierte künstliche Intelligenz an, um Vertrauen und Erklärbarkeit in KI-Modellen zu gewährleisten. Mit AutoAI in IBM Watson Studio sehen Benutzer Visualisierungen jeder Phase des Prozesses, von der Datenvorbereitung über die Algorithmusauswahl bis hin zur Modellerstellung. Darüber hinaus automatisiert IBM AutoAI die Aufgaben zur kontinuierlichen Verbesserung des Modells und erleichtert die Integration von KI-Modell-APIs in Anwendungen durch seine ModelOps-Funktionen. Die Weiterentwicklung von AutoAI innerhalb des Produkts IBM Watson Studio hat dazu beigetragen, dass IBM im Gartner Magic Quadrant 2021 für Plattformen für Datenwissenschaft und maschinelles Lernen als Marktführer eingestuft wurde.
Weitere Infos
Open-Source-Pakete
Die Nachfrage nach AutoML hat zur Entwicklung von Open-Source-Software geführt, die sowohl von Data-Science-Experten als auch von Laien verwendet werden kann. Zu den führenden Open-Source-Tools gehören auto-sklearn, auto-keras und auto-weka. IBM Research trägt zu Lale (Link befindet sich außerhalb von IBM) bei, einer Python-Bibliothek, die die Fähigkeiten von scikit-learn erweitert, um ein breites Spektrum an Automatisierung zu unterstützen, einschließlich Algorithmusauswahl, Hyperparameter-Optimierung und Topologiesuche. Wie in einem Artikel von IBM Research (PDF, 1,1 MB) beschrieben, arbeitet Lale mit der automatischen Generierung von Suchbereichen für etablierte AutoML-Tools. Experimente zeigen, dass diese Suchbereiche Ergebnisse erzielen, die mit technologisch ausgereiften Tools marktorientiert sind und gleichzeitig mehr Vielseitigkeit bieten.
Dokumentation und Support
Dokumentation
In der Dokumentation für IBM Watson Studio finden Sie schnell Antworten auf Ihre Fragen.
Legen Sie los mit AutoAI
Testen Sie AutoAI mit IBM Watson Studio auf IBM Cloud Pak for Data.