Accueil
IA et ML
Watson Studio
Qu’est-ce que l’AutoML ?
Le machine learning automatisé (AutoML) est le processus d’automatisation des tâches manuelles que les data scientists doivent accomplir lorsqu’ils créent et entraînent des modèles de machine learning (modèles de ML). Ces tâches comprennent l’ingénierie et la sélection des caractéristiques, le choix du type d’algorithme de machine learning, la construction d’un modèle analytique basé sur l’algorithme, l’optimisation des hyperparamètres, l’entraînement du modèle sur des ensembles de données testés et l’exécution du modèle pour générer des scores et des résultats. Les chercheurs ont développé l’AutoML pour aider les data scientists à créer des modèles prédictifs sans avoir à posséder de compétences poussées en modèles de ML. L’AutoML libère également les data scientists des tâches répétitives liées à la création d’un pipeline de machine learning, ce qui leur permet de se concentrer sur l’extraction des informations nécessaires à la résolution de problèmes métier importants.
Qu’est-ce qu’AutoAI ?
AutoAI est une variante de l’AutoML. Il étend l’automatisation de la construction de modèles à l’ensemble du cycle de vie de l’IA. Comme l’AutoML, AutoAI applique une automatisation intelligente aux étapes de la création de modèles de machine learning prédictifs. Ces étapes comprennent la préparation des ensembles de données pour l’entraînement, l’identification du meilleur type de modèle pour les données (tel qu’un modèle de classification ou de régression) et le choix des colonnes de données les mieux adaptées au problème que le modèle entend résoudre, appelé « sélection des caractéristiques ». L’automatisation teste ensuite diverses options de réglage des hyperparamètres afin d’obtenir le meilleur résultat, tout en générant, puis en classant, des pipelines de modèles candidats en fonction d’indicateurs tels que l’exactitude et la précision. Les pipelines les plus performants peuvent être mis en production pour traiter les nouvelles données et fournir des prédictions basées sur l’entraînement du modèle.
Le tout nouveau studio d’IA dédié aux entreprises conçu pour aider les générateurs d’IA à créer des solutions d’IA.
Préparation des données | ||
Ingénierie des fonctionnalités | ||
Optimisation des hyperparamètres
Déploiement automatisé des modèles | ||
Déploiement en un clic | ||
Tests et notation des modèles |
Génération de code |
Processus pris en charge : |
Débiaisage et atténuation des dérives | ||
Gestion des risques liés aux modèles
Gestion du cycle de vie de l’IA | ||
Apprentissage par transfert
Tous les modèles d’IA
Affinage avancé des données |
* Les prix mentionnés sont donnés à titre indicatif, peuvent varier selon le pays, s’entendent hors taxes et frais de douane applicables et sont soumis à la disponibilité de l’offre de produit dans le pays concerné.
Créez automatiquement des modèles de machine learning et d’IA sans avoir besoin de posséder des compétences poussées en science des données. Donnez aux data scientists, aux développeurs, aux ingénieurs en ML et aux analystes les moyens de générer des pipelines de modèles constituant de parfaits candidats. Comblez les écarts de compétences et augmentez la productivité de vos projets de machine learning.
Créez des modèles d’IA et de machine learning personnalisés en quelques minutes, voire quelques secondes. Expérimentez, entraînez et déployez des modèles plus rapidement à grande échelle. Améliorez la reproductibilité et la gouvernance des cycles de vie des modèles de machine learning et d’IA tout en réduisant les tâches chronophages sans intérêt.
Penchez-vous sur les questions d’explicabilité, d’équité, de robustesse, de transparence et de confidentialité dans le cadre du cycle de vie de l’IA. Atténuez la dérive des modèles, les biais et les risques dans l’IA et le machine learning. Validez et surveillez les modèles pour vérifier que les performances de l’IA et du machine learning répondent aux objectifs de l’entreprise. Contribuez aux initiatives de responsabilité sociale d’entreprise (RSE) et au respect des critères environnementaux, sociaux et de gouvernance (ESG).
Réduisez les coûts de l’opérationnalisation des modèles d’IA et de machine learning (ModelOps) en unifiant les outils, les processus et les personnes. Réduisez les dépenses liées à la gestion des outils et infrastructures hérités ou ponctuels. Gagnez du temps et des ressources, et fournissez des modèles prêts à être mis en production grâce à l’automatisation des cycles de vie de l’IA et du machine learning.
Découvrez pourquoi IBM est reconnu comme un leader dans le Magic Quadrant 2021 pour la science des données et le machine learning
Appliquez divers algorithmes, ou estimateurs, pour analyser, nettoyer et préparer les données brutes pour le machine learning. Détectez et catégorisez automatiquement les caractéristiques en fonction du type de données, comme les données catégorielles ou numériques. Utilisez l’optimisation des hyperparamètres pour déterminer les meilleures stratégies d’imputation des valeurs manquantes, d’encodage des caractéristiques et de dimensionnement de ces dernières.
Sélectionnez des modèles en testant et en classant les algorithmes candidats sur de petits sous-ensembles de données. Augmentez progressivement la taille du sous-ensemble pour les algorithmes les plus prometteurs. Effectuez le classement d’un grand nombre d’algorithmes candidats pour sélectionner le mieux adapté aux données.
Transformez les données brutes en une combinaison de caractéristiques représentant le mieux le problème pour obtenir la prévision la plus précise. Explorez divers choix de construction de caractéristiques de manière structurée et non exhaustive, tout en maximisant progressivement la précision du modèle à l’aide d’un apprentissage par renforcement.
Affinez et optimisez les pipelines de modèles à l’aide de l’entraînement et de la notation de modèles typiquement utilisés dans le machine learning. Choisissez le meilleur modèle à mettre en production en fonction de ses performances.
Intégrez la surveillance de la dérive, de l’équité et de la qualité des modèles grâce aux détails d’entrée et de sortie des modèles, aux données d’entraînement et à la journalisation des charges utiles. Mettez en œuvre un débiaisage passif ou actif tout en analysant les biais directs et indirects.
Allez plus loin avec les informations sur les modèles et les données et déterminez si vos modèles offrent les performances attendues. Améliorez continuellement vos modèles en mesurant leur qualité et en comparant leurs performances.
Découvrez les avantages obtenus par cette banque qui utilise IBM Cloud Pak for Data pour analyser les données, évaluer la dérive et mesurer la performance des modèles.
Découvrez comment ce réseau du secteur de la santé a construit un modèle prédictif qui utilise les données des demandes d’indemnisation pour identifier les patients susceptibles de développer une septicémie.
Découvrez comment cette agence de communication marketing utilise AutoAI sur de grands volumes pour générer des prédictions et identifier de nouveaux clients.
Une équipe IBM Research s’engage à appliquer des techniques de pointe en matière d’IA, de ML et de gestion des données pour accélérer et optimiser la création de workflows de machine learning et de science des données. Les premières initiatives de l’équipe en matière d’AutoML ont porté sur l’utilisation de l’optimisation bayésienne/Hyperband pour la recherche d’hyperparamètres et des algorithmes Hyperband/ENAS/DARTS pour la recherche d’architecture neuronale.
Elle a continué à se concentrer sur le développement d’AutoAI, notamment l’automatisation de la configuration du pipeline et l’optimisation des hyperparamètres. L’algorithme d’optimisation des hyperparamètres, optimisé pour l’évaluation des fonctions de coût telles que l’entraînement et la notation des modèles, constitue une importante amélioration. Cela permet d’accélérer la convergence vers la meilleure solution.
IBM Research applique également l’intelligence artificielle automatisée pour garantir la fiabilité et l’explicabilité des modèles d’IA. L’intégration d’AutoAI dans IBM Watson Studio permet aux utilisateurs de visualiser chaque étape du processus, de la préparation des données à la création du modèle en passant par la sélection des algorithmes. En outre, IBM AutoAI automatise les tâches d’amélioration continue du modèle et facilite l’intégration des API de modèles d’IA dans les applications grâce à ses capacités ModelOps. L’évolution d’AutoAI au sein du produit IBM Watson Studio a contribué à la nomination d’IBM comme leader du Gartner Magic Quadrant 2021 pour les plateformes de science des données et de machine learning.
Découvrez comment l’intégration d’AutoAI dans IBM Watson Studio accélère l’impact de l’IA générative dans les workflows de base et stimule la productivité.
Apprenez à créer et à évaluer des modèles de machine learning à l’aide de la fonctionnalité AutoAI d’IBM Watson Studio.
Découvrez comment DevOps, ModelOps et DataOps s’accordent.
Découvrez pourquoi IBM a été nommé leader dans le Magic Quadrant 2021 pour la science des données et le machine learning.
Le deep learning est un sous-domaine du machine learning connu pour alimenter des applications et des services d’IA qui effectuent des tâches analytiques et physiques sans intervention humaine. Parmi les exemples de cas d’utilisation du deep learning, citons les chatbots, les technologies de reconnaissance d’images médicales et la détection des fraudes. Cependant, comme dans le cas du machine learning, la conception et l’exécution d’un algorithme de deep learning exigent un effort humain considérable ainsi qu’une grande puissance de calcul.
L’équipe de recherche d’IBM a exploré l’un des processus les plus complexes et les plus chronophages du deep learning : la création de l’architecture neuronale grâce à une technique appelée recherche d’architecture neuronale (NAS). L’équipe a passé en revue les méthodes NAS développées et a présenté les avantages de chacune d’entre elles dans le but d’aider les praticiens à choisir une méthode appropriée. L’automatisation de l’approche visant à trouver l’architecture la plus performante pour un modèle de machine learning peut conduire à une plus grande démocratisation de l’IA, mais le problème est complexe et difficile à résoudre.
Avec le service de deep learning d’IBM Watson Studio, vous pouvez néanmoins vous lancer rapidement dans l’apprentissage profond. Ce service vous aide à concevoir des réseaux neuronaux complexes, puis à expérimenter à l’échelle pour déployer un modèle de machine learning optimisé. Conçu pour simplifier le processus d’entraînement des modèles, le service fournit également un cluster de calcul GPU à la demande pour répondre aux besoins en termes de puissance de calcul. Vous pouvez également intégrer des cadres de ML open source populaires tels que TensorFlow, Caffe, Torch et Chainer pour entraîner des modèles sur plusieurs GPU et accélérer les résultats. Dans IBM Watson Studio, vous pouvez combiner l’AutoML, IBM AutoAI et le service de deep learning pour accélérer l’expérimentation, analyser les données structurées et non structurées et déployer plus rapidement de meilleurs modèles.
La demande en AutoML a conduit au développement de logiciels open source pouvant être utilisés par des experts en science des données aussi bien que par des non-experts. Les principaux outils open source incluent auto-sklearn, auto-keras et auto-weka. IBM Research contribue à Lale, une bibliothèque Python qui étend les capacités de scikit-learn pour prendre en charge un large éventail d’automatisations, notamment la sélection d’algorithmes, le réglage des hyperparamètres et la recherche de topologie. Comme décrit dans un article d’IBM Research, Lale fonctionne en générant automatiquement des espaces de recherche pour les outils d’AutoML établis. Les expériences montrent que ces espaces de recherche permettent d’obtenir des résultats compétitifs par rapport aux outils de pointe tout en offrant plus de polyvalence.