¿Qué es AutoML?
Machine learning automatizado (AutoML) es el proceso de automatización de las tareas manuales que deben completar los científicos de datos a medida que crean y entrenan los modelos de machine learning (modelos de ML). Estas tareas incluyen el diseño y la selección de funciones, la elección del tipo de algoritmo de machine learning, el desarrollo de un modelo de análisis que se base en el algoritmo, la optimización de hiperparámetros, el entrenamiento del modelo con conjuntos de datos probados y la ejecución del modelo para generar puntuaciones y conclusiones. Los investigadores desarrollaron AutoML para ayudar a los científicos de datos a crear modelos predictivos sin tener conocimientos profundos de los modelos de ML. AutoML también libera a los científicos de datos de las tareas mecánicas que acarrea la creación de una canalización de machine learning, lo cual les permite concentrarse en extraer la información necesaria para resolver problemas importantes de la empresa.
¿Qué es AutoAI?
AutoAI es una variación de AutoML. Extiende la automatización de la creación de modelos a todo el ciclo de vida de la IA. Al igual que AutoML, AutoAI aplica 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 indicados, como un modelo de clasificación o regresión, y la elección de las columnas de datos que más se adaptan al problema que va a solucionar el modelo, lo cual se conoce como selección de características. Después, la automatización prueba una variedad de opciones de ajuste de hiperparámetros para lograr el mejor resultado, ya que genera, y después clasifica, las canalizaciones de modelos candidatos con base en métricas como precisión y fiabilidad. Las canalizaciones que mejor rendimiento ofrecen pueden ponerse en producción para procesar datos nuevos y proporcionar predicciones con base en el entrenamiento del modelo.
El nuevo estudio empresarial que aúna el aprendizaje automático tradicional con las nuevas funciones de IA generativa basadas en modelos fundacionales.
Preparación de datos | ||
Diseño de funciones | ||
Optimización de hiperparámetros
Implementación automática de modelos | ||
Implementación en un clic | ||
Pruebas y puntuación de modelos |
Generación de código |
| Compatibilidad con: |
Eliminación del sesgo y mitigación de desviación | ||
Gestión de riesgos de modelos
Gestión del ciclo de vida de la IA | ||
Aprendizaje por transferencia
Cualquier modelo de IA
Refinería de datos avanzada |
Cree automáticamente modelos de IA y machine learning sin conocimientos profundos de datos. Proporcione herramientas a los científicos de datos, desarrolladores, ingenieros de ML y analistas para generar canalizaciones de los principales modelos candidatos. Aborde las carencias del conjunto de habilidades y aumente la productividad para sus proyectos machine learning.
Cree modelos personalizados de IA y machine learning en cuestión de minutos o incluso de segundos. Experimente, entrene e implemente modelos con mayor rapidez a escala. Aumente la repetibilidad y el gobierno de los ciclos de vida de los modelos de IA a la vez que reduce las tareas mundanas que consumen tiempo.
Aborde la explicabilidad, imparcialidad, transparencia y privacidad como parte del ciclo de vida de la IA. Mitigue la desviación del modelo, el sesgo y el riesgo en IA y machine learning. Valide y supervise los modelos para comprobar que el rendimiento de la IA y machine learning se ajusta a las metas empresariales. Ayude a satisfacer la responsabilidad social corporativa (CSR) y los factores ambientales, sociales y de gobierno (ASG).
Recorte los costes de las operaciones de modelos ModelOps de machine learning e IA mediante la unificación de herramientas, procesos y personas. Reduzca el gasto en la gestión de infraestructuras y herramientas heredadas o puntuales. Ahorre tiempo y recursos para proporcionar modelos listos para producción con modelos de vida de IA y ML automatizados.
Descubra por qué IBM es reconocido como líder en el Cuadrante Mágico de Ciencia de Datos y Machine Learning de 2021
¿Cómo puede usar AutoAI?
Aplique varios algoritmos, o estimadores, para analizar, limpiar y preparar los datos sin procesar para machine learning. Detecte y categorice de forma automática las características con base en el tipo de datos, como categóricos o numéricos. Use la optimización de hiperparámetros para determinar las mejores estrategias para la imputación de valores ausentes y la codificación y el escalado de funciones.
Seleccione modelos mediante pruebas de algoritmos candidatos y clasificación por subconjuntos reducidos de los datos. Aumente gradualmente el tamaño del subconjunto para los algoritmos más prometedores. Habilite la clasificación de una gran cantidad de algoritmos candidatos para la selección de modelos con la mejor coincidencia con respecto a datos.
Transforme los datos sin procesar en la combinación de prestaciones que mejor represente el problema para lograr la predicción más precisa. Explore las diversas opciones de construcción de prestaciones de forma estructurada y no exhaustiva, a la vez que maximiza la precisión del modelo con refuerzo.
Replica y optimiza la canalización de los modelos con el entrenamiento y la puntuación de modelos típicos del machine learning. Elija el mejor modelo para poner en producción en función del rendimiento.
Integre la supervisión de la desviación, imparcialidad y calidad mediante los detalles de entradas y salidas del modelo, los datos de entrenamiento y el registro de carga. Implemente la eliminación pasiva o activa del sesgo a la vez que analiza el sesgo directo e indirecto.
Amplíe su análisis de modelos y datos y determine si sus modelos funcionan según lo esperado. Mejore constantemente sus modelos midiendo su calidad y comparando su rendimiento.
AutoAI en acción en IBM® Watson Studio
Vea los beneficios que obtuvo este banco al usar IBM® Cloud Pak for Data para analizar los datos, evaluar la desviación de estos y medir el rendimiento de los modelos.
Lea cómo esta red de atención médica creó un modelo predictivo que usa los datos de las reclamaciones de los seguros para identificar a los pacientes que tienen probabilidad de desarrollar septicemia.
Descubra cómo esta agencia de comunicaciones de marketing utiliza AutoAI en grandes volúmenes para generar previsiones e identificar nuevos clientes.
Un equipo de IBM® Research se dedica a aplicar técnicas de vanguardia 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 AutoML se centraron en usar optimización para la búsqueda de hiperparámetros e hiperbanda/ENAS/DARTS para la búsqueda de arquitectura neuronal.
El equipo seguido centrándose en el desarrollo de AutoAI, en particular en la automatización de la configuración de la tubería y la optimización de los hiperparámetros.Una mejora importante es el algoritmo de optimización de hiperparámetros, que se ha optimizado para la evaluación de funciones de coste como la formación y la puntuación de modelos.Esto acelera la convergencia hacia la mejor solución.
IBM® Research también está aplicando la inteligencia artificial automatizada para ayudar a garantizar la fiabilidad y explicabilidad de los modelos de IA.Con AutoAI en IBM® Watson Studio, los usuarios ven visualizaciones de cada paso del proceso, desde la preparación de los datos hasta la creación del modelo, pasando por la selección del algoritmo.Además, IBM® AutoAI automatiza las tareas de mejora continua de modelos y facilita la integración de APIs de modelos de IA en aplicaciones a través de sus capacidades ModelOps.La evolución de AutoAI dentro del producto IBM® Watson Studio contribuyó a que IBM fuera nombrada líder en el Gartner Magic Quadrant para plataformas de ciencia de datos y aprendizaje automático 2021.
Lea cómo AutoAI en IBM® Watson Studio le ayuda a crear y escalar modelos de aprendizaje automático e IA.
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.
Profundice más
Deep learning es un subcampo del aprendizaje automático conocido por impulsar aplicaciones y servicios de IA que realizan tareas analíticas y físicas sin intervención humana. Algunos ejemplos de casos prácticos de deep learning son los chatbots, las tecnologías de reconocimiento de imágenes médicas y la detección de fraude. Sin embargo, al igual que ocurre con el machine learning, el diseño y la ejecución de un algoritmo de deep learning requiere un esfuerzo humano y una potencia de cálculo considerables.
El equipo de investigación de IBM ha explorado uno de los procesos más complejos y lentos del deep learning: la creación de la arquitectura neuronal mediante una técnica llamada búsqueda de arquitectura neuronal (NAS). El equipo revisó los métodos NAS desarrollados y presentó las ventajas de cada uno, con el objetivo de ayudar a los profesionales a elegir un método adecuado.La automatización de la búsqueda de la arquitectura más eficaz para un modelo de machine learning puede contribuir a una mayor democratización de la IA, pero el problema es complejo y difícil de resolver.
Con el servicio Deep Learning incluido en IBM® Watson Studio, puede comenzar a utilizar deep learning rápidamente. Este servicio le ayuda a diseñar redes neuronales complejas y, a continuación, a experimentar a escala para implantar un modelo de machine learning optimizado.Diseñado para simplificar el proceso de entrenamiento del modelo, el servicio también proporciona un clúster de computación GPU bajo demanda para satisfacer 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 AutoML, IBM® AutoAI y el servicio Deep Learning para acelerar la experimentación, analizar datos estructurados y no estructurados y desplegar mejores modelos más rápidamente.
La demanda de AutoML ha llevado al desarrollo de un software de código abierto que puede ser utilizado tanto por científicos de datos como por quienes no lo son.Algunas de las principales herramientas de código abierto son 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 admitir una amplia gama de automatizaciones, incluyendo la selección de algoritmos, el ajuste de hiperparámetros y la búsqueda topológica.Como se describe en un artículo de IBM® Research (PDF), Lale funciona generando automáticamente espacios de búsqueda para herramientas AutoML establecidas. Los experimentos muestran que estos espacios de búsqueda logran resultados competitivos con herramientas de vanguardia a la vez que ofrecen mayor versatilidad.