Inicio
AI and ML
Watson Studio
¿Qué es el AutoML?
El machine learning automatizado (AutoML) es el proceso de automatización de las tareas manuales que los científicos de datos deben completar a medida que crean y entrenan modelos de machine learning (modelos de 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 conclusiones. Los investigadores han desarrollado el AutoML para ayudar a los científicos de datos a crear modelos predictivos sin tener una gran experiencia en modelos de ML. El AutoML también libera a los científicos de datos de las tareas rutinarias que conlleva la creación de un pipeline de machine learning, lo que les permite centrarse en extraer los conocimientos necesarios para resolver problemas empresariales importantes.
¿Qué es la AutoAI?
La AutoAI es una variación del AutoML. Amplía la automatización de la creación de modelos a todo el ciclo de vida de la IA. Al igual que el AutoML, la AutoAI aplica la automatización inteligente a los pasos de la creación de modelos predictivos de machine learning. Estos pasos incluyen la preparación de conjuntos de datos para el entrenamiento, la identificación del mejor tipo de modelo para los datos dados, como un modelo de clasificación o de regresión, y la elección de las columnas de datos que mejor respaldan el problema que el modelo está resolviendo, lo que se conoce como selección de características. A continuación, la automatización pone a prueba una serie de opciones de ajuste de hiperparámetros para alcanzar el mejor resultado a medida que genera, y luego clasifica, los pipelines de modelos candidatos basándose en métricas como la exactitud y la precisión. Los pipelines de mejor rendimiento pueden ponerse en producción para procesar nuevos datos y ofrecer predicciones basadas en el entrenamiento del modelo.
El nuevo estudio de IA de nivel empresarial diseñado para ayudar a los desarrolladores de IA a crear soluciones de IA.
Preparación de los datos | ||
Ingeniería de características | ||
Optimización de hiperparámetros
Implementación automatizada de modelos | ||
Implementación con un solo clic | ||
Pruebas y puntuación de modelos |
Generación de código |
Soporte para: |
Reducción del sesgo y de la deriva | ||
Gestión de riesgos de modelos
Gestión del ciclo de vida de la IA | ||
Aprendizaje por transferencia
Cualquier modelo de IA
Refinería avanzada de datos |
*Los precios indicados son orientativos, pueden variar según el país, no incluyen impuestos ni aranceles aplicables y están sujetos a la disponibilidad de la oferta de productos
Cree automáticamente modelos de IA y machine learning sin grandes conocimientos en materia de datos. Proporcione herramientas a los científicos de datos, desarrolladores, ingenieros de ML y analistas para generar pipelines de los principales modelos candidatos. Aborde las carencias del conjunto de habilidades y aumente la productividad para sus proyectos de machine learning.
Cree modelos personalizados de IA y machine learning en cuestión de minutos o incluso segundos. Experimente, entrene e implemente modelos a escala con mayor rapidez. Aumente la repetibilidad y el gobierno de los ciclos de vida de los modelos de machine learning e IA, a la vez que reduce las tareas rutinarias que consumen mucho tiempo.
Aborde la explicabilidad, la equidad, la robustez, la transparencia y la privacidad como parte del ciclo de vida de la IA. Mitigue la deriva, el sesgo y el riesgo de los modelos en la IA y el machine learning. Valide y monitorice los modelos para verificar que el rendimiento de la IA y el machine learning cumple los objetivos empresariales. Ayude a cumplir la responsabilidad social corporativa (RSC) y los criterios sociales, medioambientales y de gobierno (ESG).
Recorte los costes de las operaciones de modelos de machine learning (ModelOps) e IA mediante la unificación de herramientas, procesos y personas. Reduzca el gasto en la gestión de herramientas e infraestructuras heredadas o puntuales. Ahorre tiempo y recursos para ofrecer modelos listos para producción con ciclos de vida automatizados de IA y ML.
Descubra por qué IBM ha sido reconocida como líder en el Magic Quadrant 2021 para la ciencia de datos y el machine learning
Aplique diversos algoritmos, o estimadores, para analizar, limpiar y preparar datos sin procesar para el machine learning. Detecte y categorice automáticamente las características en función del tipo de datos, como categóricos o numéricos. Utilice la optimización de hiperparámetros para determinar las mejores estrategias de imputación de valores no disponibles, codificación de características y escalado de características.
Seleccione modelos mediante pruebas de algoritmos candidatos y su clasificación frente a pequeños subconjuntos de los datos. Aumente gradualmente el tamaño del subconjunto para los algoritmos más prometedores. Posibilite la clasificación de un gran número de algoritmos candidatos para la selección del modelo que mejor se ajuste a los datos.
Transforme los datos sin procesar en la combinación de características que mejor represente el problema para lograr la predicción más precisa. Explore diversas opciones de construcción de características de forma estructurada y no exhaustiva, a la vez que maximiza de forma progresiva la precisión del modelo mediante el aprendizaje por refuerzo.
Perfeccione y optimice los pipelines de modelos mediante el entrenamiento y la puntuación de modelos típicos en el machine learning. Elija el mejor modelo para ponerlo en producción en función del rendimiento.
Integre la monitorización de la deriva, la imparcialidad y la calidad del modelo a través de los detalles de entrada y salida del modelo, los datos de entrenamiento y la información de registro de la carga útil. Implemente la reducción pasiva o activa del sesgo, a la vez que analiza el sesgo directo e indirecto.
Amplíe con conocimientos de modelos y datos y valide si sus modelos cumplen el rendimiento esperado. Mejore continuamente sus modelos al medir la calidad de los mismos y comparar su rendimiento.
Vea los beneficios obtenidos por este banco al utilizar IBM Cloud Pak for Data para analizar datos, evaluar la deriva de los mismos y medir el rendimiento de los modelos.
Descubra cómo esta red sanitaria construyó un modelo predictivo que utiliza datos de reclamaciones de seguros para identificar a los pacientes susceptibles de desarrollar sepsis.
Vea cómo esta agencia de comunicaciones de marketing utiliza la AutoAI para impulsar predicciones de gran volumen e identificar nuevos clientes.
Un equipo de IBM Research se ha comprometido a aplicar las técnicas más avanzadas 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 a la AutoML se centraron en el uso de hiperbanda/optimización bayesiana para la búsqueda de hiperparámetros y de hiperbanda/ENAS/DARTS para la búsqueda de arquitecturas neuronales.
Han seguido centrándose en el desarrollo de la AutoAI, incluida la automatización de la configuración de los pipelines y la optimización de hiperparámetros. Una mejora significativa es el algoritmo de optimización de hiperparámetros, que está optimizado para la evaluación de funciones de coste como el entrenamiento y la puntuación de modelos. Esto ayuda a acelerar la convergencia hacia la mejor solución.
IBM Research también está aplicando la inteligencia artificial automatizada para ayudar a garantizar la confianza y la explicabilidad de los modelos de IA. Con la AutoAI en IBM Watson Studio, los usuarios disponen de visualizaciones de cada etapa del proceso, desde la preparación de los datos, pasando por la selección del algoritmo, hasta la creación del modelo. Además, la AutoAI de IBM automatiza las tareas para la mejora continua del modelo y facilita la integración de las API de modelos de IA en las aplicaciones a través de sus capacidades de ModelOps. La evolución de la AutoAI dentro del producto IBM Watson Studio contribuyó a que IBM fuera nombrada líder en el Magic Quadrant 2021 de Gartner para plataformas de ciencia de datos y machine learning.
Descubra cómo la AutoAI de IBM Watson Studio le ayuda a acelerar el impacto de la IA generativa en los flujos de trabajo críticos para impulsar la productividad.
Lea cómo crear y evaluar modelos de machine learning mediante el uso de la funcionalidad AutoAI en IBM Watson Studio.
Descubra cómo encajan DevOps, ModelOps y DataOps.
Descubra por qué IBM fue nombrada líder en el Magic Quadrant de 2021 para plataformas de machine learning y ciencia de datos.
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 del fraude. Sin embargo, al igual que con el machine learning, diseñar y ejecutar un algoritmo de deep learning requiere una enorme cantidad de esfuerzo humano, así como potencia de computación
El equipo de IBM Research ha explorado uno de los procesos más complejos y que más tiempo consume en el deep learning: la creación de la arquitectura neuronal mediante una técnica denominada búsqueda de arquitectura neuronal (NAS). El equipo revisó los métodos de NAS desarrollados y presentó los beneficios de cada uno con el objetivo de ayudar a los profesionales a elegir un método adecuado. Automatizar el proceso de búsqueda de la arquitectura de mejor rendimiento para un modelo de machine learning puede llevar a una mayor democratización de la IA, pero la cuestión es compleja y difícil de resolver.
Con el servicio de deep learning dentro de IBM Watson Studio, puede iniciarse en este campo de forma rápida. El servicio le ayuda a diseñar redes neuronales complejas y, a continuación, a experimentar a escala para implementar un modelo de machine learning optimizado. Diseñado para simplificar el proceso de entrenamiento de modelos, el servicio también proporciona un clúster de computación GPU bajo demanda para hacer frente a las necesidades de potencia de cálculo. También puede integrar marcos de ML de código abierto tan conocidos como TensorFlow, Caffe, Torch y Chainer para entrenar modelos en varias GPU y acelerar los resultados. En IBM Watson Studio, puede combinar el AutoML, la AutoAI de IBM y el servicio de deep learning para acelerar la experimentación, analizar datos estructurados y no estructurados e implementar mejores modelos con mayor rapidez.
La demanda de AutoML ha llevado al desarrollo de software de código abierto que puede ser utilizado por expertos y no expertos en ciencia de datos. Entre las principales herramientas de código abierto se encuentran auto-sklearn, auto-keras y auto-weka. IBM Research contribuye a Lale, una biblioteca de Python que amplía las capacidades de scikit-learn para dar soporte a un amplio espectro de automatización, incluida la selección de algoritmos, el ajuste de hiperparámetros y la búsqueda de topologías. Como se describe en un artículo de IBM Research, Lale funciona generando automáticamente espacios de búsqueda para las herramientas de AutoML establecidas. Los experimentos demuestran que estos espacios de búsqueda consiguen resultados competitivos con las herramientas más avanzadas, a la vez que ofrecen una mayor versatilidad.