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

Wie können Sie AutoAI verwenden?

Erstellen Sie ModelOps

Drei Mitarbeiter besprechen sich mit einem weiteren, der Notizen schreibt

Erstellen Sie ModelOps

Erleichtern Sie die Zusammenarbeit zwischen Data Scientists und DevOps, um die Integration von KI-Modellen in Anwendungen zu optimieren.

Fördern Sie verantwortungsbewusste, erklärbare KI

Mitarbeiter, der in einem Büro links an einem Desktop-Monitor vorbeischaut

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

Zwei Mitarbeiter besprechen sich mit Papieren und Laptop

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

AutoAI in Aktion in IBM Watson Studio

AutoAI-Konfiguration

Screenshot von IBM Watson Studio, der zeigt, wo Sie eine Datenquelle hinzufügen und die Konfigurationsdetails für ein AutoAI-Experiment auswählen

AutoAI-Konfiguration

Ziehen Sie die CSV-Datei und wählen Sie die vorherzusagende Spalte aus.

Pipeline-Bestenliste

Screenshot von IBM Watson Studio, der die Beziehungskarte und die Pipeline-Bestenliste zeigt

Pipeline-Bestenliste

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

Modellevaluierung

Screenshot aus IBM Watson Studio, der die Modellbewertung für eine Pipeline zeigt, einschließlich einer Liste von Modellbewertungsmaßnahmen

Modellevaluierung

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

Modellimplementierung

Screenshot von IBM Watson Studio, der zeigt, wo Sie einen Test in den Bereitstellungsbereich hochstufen

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

AutoML und Deep Learning

Deep Learning ist ein Teilbereich des maschinellen Lernens und bekannt dafür, KI-Anwendungen und -Services zu unterstützen, die analytische und physische Aufgaben voll automatisch ausführen. Beispiele für Anwendungsfälle für Deep Learning sind Chatbots, medizinische Bilddatenerkennungstechnologien und Betrugserkennung. Wie beim maschinellen Lernen erfordert das Entwerfen und Ausführen eines Deep-Learning-Algorithmus jedoch eine enorme Menge an menschlichem Aufwand sowie Rechenleistung.

Das Team von IBM Research hat einen der komplexesten und zeitintensivsten Prozesse beim Deep Learning untersucht: die Erstellung der neuronalen Architektur durch eine Technik namens neuronale Architektursuche (NAS). Das Team überprüfte die entwickelten NAS-Methoden und präsentierte die jeweiligen Vorteile mit dem Ziel, Anwendern bei der Auswahl einer geeigneten Methode zu helfen. Die Automatisierung dieser Methode zur Suche nach der leistungsstärksten Architektur für ein maschinelles Lernmodell kann zu einer stärkeren Demokratisierung der KI führen, aber das Problem ist komplex und schwer zu lösen.

Mit dem Deep-Learning-Service in IBM Watson Studio können Sie dennoch schnell mit Deep Learning beginnen. Der Service hilft Ihnen, komplexe neuronale Netze zu entwerfen und dann im richtigen Maß zu experimentieren, um ein optimiertes Modell für maschinelles Lernen bereitzustellen. Der Service soll das Trainieren von Modellen vereinfachen und bietet außerdem einen On-Demand-GPU-Rechencluster, um die Anforderungen an die Rechenleistung zu erfüllen. Sie können auch vielfach eingesetzte Open-Source-ML-Frameworks wie TensorFlow, Caffe, Torch und Chainer integrieren, um Modelle auf mehreren GPUs zu trainieren und die Ergebnisse zu beschleunigen. Auf IBM Watson Studio können Sie AutoML, IBM AutoAI und den Deep-Learning-Service kombinieren, um Experimente zu beschleunigen, strukturierte und unstrukturierte Daten zu analysieren und bessere Modelle schneller bereitzustellen.

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.

Support

IBM bietet Ihnen technischen Support.

Community

Holen Sie sich technische Tipps von anderen Benutzern von IBM Watson Studio.

Legen Sie los mit AutoAI

Testen Sie AutoAI mit IBM Watson Studio auf IBM Cloud Pak for Data.