Apa itu AutoML?
Automated machine learning (AutoML) adalah proses mengotomatiskan tugas-tugas manual yang harus diselesaikan oleh para ilmuwan data saat mereka membangun dan melatih model machine learning (model ML). Tugas-tugas ini termasuk rekayasa dan pemilihan fitur, memilih jenis algoritma machine learning; membangun model analitik berdasarkan algoritma; optimasi hiperparameter, melatih model pada set data yang diuji dan menjalankan model untuk menghasilkan skor dan temuan. Para peneliti mengembangkan AutoML untuk membantu ilmuwan data membangun model prediktif tanpa memiliki keahlian model ML yang mendalam. AutoML juga membebaskan para ilmuwan data dari tugas-tugas repetitif yang terlibat dalam membangun pipeline machine learning, sehingga mereka dapat fokus pada penggalian insight yang diperlukan untuk memecahkan masalah bisnis yang penting.
Apa itu AutoAI?
AutoAI adalah variasi dari AutoML. Ini memperluas otomatisasi pembuatan model ke seluruh siklus hidup AI. Seperti AutoML, AutoAI menerapkan otomatisasi cerdas pada langkah-langkah membangun model machine learning yang prediktif. Langkah-langkah ini termasuk menyiapkan set data untuk pelatihan; mengidentifikasi jenis model terbaik untuk data yang diberikan, seperti model klasifikasi atau regresi; dan memilih kolom data yang paling mendukung masalah yang dipecahkan oleh model, dikenal sebagai seleksi fitur. Otomatisasi kemudian menguji berbagai opsi penyetelan hiperparameter untuk mencapai hasil terbaik saat menghasilkan, dan kemudian memberi peringkat, jalur pipa kandidat model berdasarkan metrik seperti akurasi dan presisi. Pipeline berkinerja terbaik dapat dimasukkan ke dalam produksi untuk memproses data baru dan memberikan prediksi berdasarkan pelatihan model.
Studio perusahaan baru yang menyatukan pembelajaran mesin tradisional dengan kemampuan AI generatif baru yang didukung oleh model fondasi
Persiapan data | ||
Rekayasa fitur | ||
Optimalisasi hiperparameter
Penerapan model otomatis | ||
Penerapan satu klik | ||
Pengujian dan penilaian model |
Pembuatan kode |
| Dukungan untuk: |
Menghilangkan bias dan mitigasi penyimpangan | ||
Manajemen risiko model
Manajemen siklus hidup AI | ||
Pembelajaran transfer
Model AI apa pun
Pengolahan data tingkat lanjut |
Secara otomatis membangun machine learning dan model AI tanpa keahlian ilmu data yang mendalam. Memberdayakan ilmuwan data, pengembang, insinyur dan analis ML untuk menghasilkan pipeline model kandidat terbaik. Mengatasi kesenjangan keahlian dan Meningkatkan produktivitas untuk proyek machine learning Anda.
Membuat model AI dan machine learning khusus dalam hitungan menit atau bahkan detik. Bereksperimen, melatih, dan menerapkan model dengan lebih cepat dalam skala besar. Meningkatkan kemungkinan pengulangan dan tata kelola machine learning dan siklus hidup model AI sekaligus mengurangi tugas-tugas biasa yang memakan waktu.
Menangani kejelasan, keadilan, ketahanan, transparansi, dan privasi sebagai bagian dari siklus hidup AI. Mengurangi penyimpangan model, bias, dan risiko dalam AI dan machine learning. Memvalidasi dan memantau model untuk memverifikasi bahwa kinerja AI dan machine learning memenuhi tujuan bisnis. Membantu memenuhi tanggung jawab sosial perusahaan (CSR) dan tata kelola sosial lingkungan (ESG).
Memangkas biaya operasi model AI dan machine learning (ModelOps) dengan menyatukan alat, proses, dan orang. Mengurangi pengeluaran untuk mengelola alat dan infrastruktur lama atau titik. Menghemat waktu dan sumber daya untuk menghasilkan model yang siap produksi dengan siklus hidup AI dan ML otomatis.
Temukan mengapa IBM diakui sebagai Pemimpin dalam Kuadran Ajaib 2021 untuk Ilmu Data dan Machine Learning
Bagaimana Anda dapat menggunakan AutoAI?
Menerapkan berbagai algoritma, atau estimator, untuk menganalisis, membersihkan, dan menyiapkan data mentah untuk machine learning. Secara otomatis mendeteksi dan mengkategorikan fitur berdasarkan tipe data, seperti kategorikal atau numerik. Menggunakan optimasi hiperparameter untuk menentukan strategi terbaik untuk imputasi nilai yang hilang, pengkodean fitur, dan penskalaan fitur.
Memilih model melalui pengujian algoritma kandidat dan pemeringkatan terhadap himpunan bagian kecil dari data. Secara bertahap tingkatkan ukuran subset untuk algoritma yang paling menjanjikan. Aktifkan peringkat sejumlah besar algoritma kandidat untuk pemilihan model dengan kecocokan terbaik untuk data.
Mengubah data mentah menjadi kombinasi fitur yang paling mewakili masalah untuk mencapai prediksi yang paling akurat. Jelajahi berbagai pilihan konstruksi fitur secara terstruktur dan tidak lengkap, sambil secara progresif memaksimalkan akurasi model menggunakan pembelajaran penguatan.
Menyempurnakan dan mengoptimalkan pipeline model menggunakan pelatihan model dan penilaian yang khas dalam machine learning. Pilih model terbaik untuk dimasukkan ke dalam produksi berdasarkan kinerja.
Mengintegrasikan pemantauan pada penyimpangan model, keadilan dan kualitas melalui detail input dan output model, data pelatihan dan pencatatan muatan. Menerapkan debiasing pasif atau aktif, sambil menganalisis bias langsung dan tidak langsung.
Memperluas menggunakan insight model dan data dan memvalidasi apakah model Anda memenuhi kinerja yang Anda harapkan. Tingkatkan model Anda secara terus-menerus dengan mengukur kualitas model dan membandingkan kinerja model.
AutoAI beraksi di IBM Watson Studio
Lihat manfaat yang didapatkan oleh bank ini dengan menggunakan IBM Cloud Pak for Data untuk menganalisis data, menilai pergeseran data, dan mengukur kinerja model.
Pelajari bagaimana jaringan layanan kesehatan ini membangun model prediktif yang menggunakan data klaim asuransi untuk mengidentifikasi pasien yang mungkin mengalami sepsis.
Pelajari bagaimana agensi komunikasi pemasaran ini menggunakan AutoAI untuk mendorong prediksi volume tinggi dan mengidentifikasi pelanggan baru.
Tim IBM Research berkomitmen untuk menerapkan teknik-teknik mutakhir dari AI, ML, dan manajemen data untuk mempercepat dan mengoptimalkan pembuatan machine learning dan alur kerja ilmu data. Upaya pertama tim di sekitar AutoML berfokus pada penggunaan optimasi hyperband/Bayesian untuk pencarian hyperparameter dan hyperband/ENAS/DARTS untuk Pencarian Arsitektur Neural.
Mereka terus berfokus pada pengembangan AutoAI, termasuk otomatisasi konfigurasi pipeline dan optimalisasi hyperparameter. Peningkatan yang signifikan adalah algoritma optimasi hyperparameter, yang dioptimalkan untuk evaluasi fungsi biaya seperti pelatihan model dan penilaian. Ini membantu mempercepat konvergensi ke solusi terbaik.
IBM Research juga menerapkan kecerdasan buatan otomatis untuk membantu memastikan kepercayaan dan penjelasan dalam model AI. Dengan AutoAI di IBM Watson Studio, pengguna dapat melihat visualisasi dari setiap tahap proses, mulai dari persiapan data, pemilihan algoritme, hingga pembuatan model. Selain itu, IBM AutoAI mengotomatiskan tugas-tugas untuk peningkatan model yang berkelanjutan dan membuatnya lebih mudah untuk mengintegrasikan API model AI ke dalam aplikasi melalui kemampuan ModelOps. Evolusi AutoAI dalam produk IBM Watson Studio berkontribusi pada IBM yang dinobatkan sebagai Pemimpin dalam Kuadran Ajaib Gartner 2021 untuk Platform Ilmu Data dan Machine Learning.
Pelajari bagaimana AutoAI di IBM Watson Studio membantu Anda membangun dan menskalakan model machine learning AI.
Pelajari cara membangun dan mengevaluasi model machine learning dengan menggunakan fitur AutoAI di IBM Watson Studio.
Pelajari bagaimana DevOps, ModelOps, dan DataOps cocok satu sama lain.
Temukan alasan mengapa IBM dinobatkan sebagai Pemimpin dalam Kuadran Ajaib 2021 untuk Ilmu Data dan Machine Learning.
Pelajari lebih dalam
Pembelajaran mendalam adalah subbidang machine learning dan dikenal karena memberdayakan aplikasi dan layanan AI yang melakukan tugas analitis dan fisik tanpa campur tangan manusia. Contoh penggunaan untuk pembelajaran mendalam meliputi chatbot, teknologi pengenalan gambar medis, dan deteksi penipuan. Namun, seperti halnya machine learning, merancang dan menjalankan algoritma pembelajaran mendalam membutuhkan sejumlah besar upaya manusia serta daya komputasi.
Tim IBM Research telah mengeksplorasi salah satu proses yang paling rumit dan memakan waktu dalam pembelajaran mendalam: penciptaan arsitektur neural melalui teknik yang disebut pencarian arsitektur neural (NAS). Tim ini mengulas metode NAS yang dikembangkan dan mempresentasikan manfaat dari masing-masing metode dengan tujuan untuk membantu para praktisi memilih metode yang sesuai. Mengotomatiskan pendekatan untuk menemukan arsitektur berkinerja terbaik untuk model machine learning dapat mengarah pada demokratisasi AI yang lebih besar, tetapi masalahnya rumit dan sulit dipecahkan.
Dengan layanan Deep Learning di dalam IBM Watson Studio, Anda masih dapat memulai dengan pembelajaran mendalam dengan cepat. Layanan ini membantu Anda mendesain jaringan saraf yang kompleks dan kemudian bereksperimen dalam skala besar untuk menerapkan model machine learning yang dioptimalkan. Didesain untuk menyederhanakan proses pelatihan model, layanan ini juga menyediakan kluster komputasi GPU sesuai permintaan untuk mengatasi kebutuhan daya komputasi. Anda juga dapat mengintegrasikan kerangka kerja ML sumber terbuka yang populer seperti TensorFlow, Caffe, Torch, dan Chainer untuk melatih model pada beberapa GPU dan mempercepat hasil. Di IBM Watson Studio, Anda dapat menggabungkan AutoML, IBM AutoAI, dan layanan Pembelajaran Mendalam untuk mempercepat eksperimen, menganalisis data terstruktur dan tidak terstruktur, dan menerapkan model yang lebih baik dengan lebih cepat.
Permintaan untuk AutoML telah mendorong pengembangan peranti lunak sumber terbuka yang dapat digunakan oleh para ahli ilmu data dan non-pakar. Alat-alat sumber terbuka terkemuka termasuk auto-sklearn, auto-keras, dan auto-weka. IBM Research berkontribusi pada Lale (tautan berada di luar IBM), sebuah perpustakaan Python yang memperluas kemampuan scikit-learn untuk mendukung spektrum otomatisasi yang luas, termasuk pemilihan algoritme, penyetelan hiperparameter, dan pencarian topologi. Seperti yang dijelaskan dalam makalah dari IBM Research (PDF), Lale bekerja dengan secara otomatis menghasilkan ruang pencarian untuk alat AutoML yang sudah ada. Eksperimen menunjukkan bahwa ruang pencarian ini mencapai hasil yang kompetitif dengan alat canggih sekaligus menawarkan lebih banyak keserbagunaan.