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.
Das völlig neue Enterprise Studio verbindet traditionelles maschinelles Lernen mit neuen, auf Foundation-Modellen basierenden generativen KI-Funktionen
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 |
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.
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 Wiederholbarkeit und Governance von maschinellem Lernen und KI-Modelllebenszyklen und reduzieren Sie gleichzeitig alltägliche, zeitintensive Aufgaben.
Gehen Sie auf 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.
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.
Erfahren Sie, warum IBM im Magic Quadrant 2021 für Datenwissenschaft und maschinelles Lernen als führendes Unternehmen ausgezeichnet wurde
Wie können Sie AutoAI verwenden?
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.
Wählen Sie Modelle durch Testen von Kandidatenalgorithmen und der Rangordnung anhand kleiner Untergruppen der Daten aus. Erhöhen Sie schrittweise die Größe der Untergruppe für die vielversprechendsten Algorithmen. Ermöglichen Sie die Rangordnung einer großen Anzahl von Kandidatenalgorithmen für die Modellauswahl mit der besten Übereinstimmung für die Daten.
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 Features, während Sie die Modellgenauigkeit mithilfe von bestärkendem Lernen schrittweise maximieren.
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.
Integrieren Sie die Überwachung von Modelldrift, Fairness und Qualität durch Eingabe- und Ausgabedetails des Modells, Trainingsdaten und Nutzdatenprotokollierung. Implementieren Sie passive oder aktive Verzerrungen, während Sie direkte und indirekte Verzerrungen analysieren.
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.
AutoAI in Aktion in IBM Watson Studio
Erfahren Sie mehr über Vorteile, die diese Bank mit IBM Cloud Pak for Data erzielt, um Daten zu analysieren, Datendrift zu bewerten und Modellleistung zu messen.
Erfahren Sie, wie dieses Gesundheitsnetzwerk ein Vorhersagemodell entwickelt hat, das Daten zu Schadensmeldungen verwendet, um Patienten zu identifizieren, die wahrscheinlich eine Sepsis entwickeln werden.
Erfahren Sie, wie diese Agentur für Marketingkommunikation AutoAI verwendet, um umfangreiche Vorhersagen zu erstellen und neue Kunden zu identifizieren.
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.
Erfahren Sie mehr darüber, wie AutoAI in IBM Watson Studio Ihnen hilft, KI-Modelle für maschinelles Lernen zu erstellen und zu skalieren.
Erfahren Sie mehr darüber, wie Sie Modelle für maschinelles Lernen mithilfe der AutoAI-Funktion in IBM Watson Studio erstellen und evaluieren.
Erfahren Sie, wie DevOps, ModelOps und DataOps miteinander in Beziehung stehen.
Erfahren Sie, warum IBM im Magic Quadrant 2021 für Data Science und maschinelles Lernen als Marktführer ausgezeichnet wurde.
Mehr Informationen
Deep Learning ist ein Teilbereich des maschinellen Lernens und bekannt dafür, KI-Anwendungen und -Services zu unterstützen, die analytische und physische Aufgaben ohne menschliches Eingreifen 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 IBM Research-Team hat einen der komplexesten und zeitaufwändigsten Prozesse im Bereich Deep Learning untersucht: die Erstellung der neuronalen Architektur durch eine Technik namens Neural Architecture Search (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.
Die Nachfrage nach AutoML hat zur Entwicklung von Open-Source-Software geführt, die von Data-Science-Experten und Nicht-Experten 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) beschrieben, generiert Lale automatisch Suchräume für etablierte AutoML-Tools. Experimente zeigen, dass diese Suchbereiche Ergebnisse erzielen, die mit hochmodernen Tools wettbewerbsfähig sind und gleichzeitig mehr Vielseitigkeit bieten.