IBM nominata leader
Gartner pubblica il Magic Quadrant for Data Science and Machine Learning Platforms 2021.
Da AutoML a AutoAI
Accelera l'AI e la gestione del ciclo di vita del modello
Cos'è AutoML? Il machine learning automatizzato (AutoML) è il processo di automatizzazione delle attività manuali che i data scientist devono completare mentre costruiscono e addestrano modelli di machine learning (modelli ML). Queste attività includono l'ingegneria e la selezione delle funzioni, la scelta del tipo di algoritmo di machine learning; la costruzione di un modello analitico basato sull'algoritmo; l'ottimizzazione degli iperparametri, la formazione del modello su set di dati testati e l'esecuzione del modello per generare punteggi e risultati. I ricercatori hanno sviluppato AutoML per aiutare i data scientist a costruire modelli predittivi senza avere una profonda esperienza di modelli ML. AutoML libera anche i data scientist dalle attività di routine coinvolte nella costruzione di una pipeline di machine learning, permettendo loro di concentrarsi sull'estrazione delle analisi necessarie per risolvere importanti problemi di business.
Cos'è l'AutoAI? AutoAI è una variazione di AutoML. Estende l'automazione della costruzione di modelli all'intero ciclo di vita dell'AI. Come AutoML, AutoAI applica l'automazione intelligente alle fasi di costruzione dei modelli di machine learning predittivo. Questi passi includono la preparazione di serie di dati per la formazione; l'identificazione del miglior tipo di modello per i dati forniti, come un modello di classificazione o di regressione; e la scelta delle colonne di dati che meglio supportano il problema che il modello sta risolvendo, noto come selezione della funzione. L'automazione testa poi una varietà di opzioni di sintonizzazione degli iperparametri per raggiungere il miglior risultato mentre genera, e poi classifica, le pipeline di modelli candidati in base a metriche come l'accuratezza e la precisione. Le pipeline più performanti possono essere messe in produzione per elaborare nuovi dati e fornire previsioni basate sulla formazione del modello.
Confronto rapido delle funzionalità
AutoAI rispetto ad AutoML
Si integra con | AutoAI | AutoML |
---|---|---|
Preparazione dei dati
|
||
Progettazione di funzioni
|
||
Ottimizzazione degli iperparametri
|
||
Implementazione automatizzata dei modelli
|
||
Implementazione in un solo clic
|
||
Test e calcolo del punteggio dei modelli
|
||
Generazione di codice
|
||
Supporto per:
|
||
Indebolimento e attenuazione della deviazione
|
||
Gestione dei rischi dei modelli
|
||
Gestione del ciclo di vita dell'AI
|
||
Apprendimento per trasferimento
|
||
Qualsiasi modello AI
|
||
Perfezionamento avanzato dei dati
|
Perché è importante AutoAI?
L'automazione intelligente dà potere a tutti
Accelera la gestione del ciclo di vita AI
Costruisci automaticamente modelli di machine learning e AI senza una profonda competenza di data science. Consenti ai data scientist, agli sviluppatori, agli ingegneri di ML e agli analisti di generare pipeline di modelli ottimali. Affronta le lacune di competenze e aumenta la produttività dei tuoi progetti di machine learning.
Accelera l'implementazione del machine learning
Costruisci modelli di AI e machine learning personalizzati in pochi minuti o addirittura secondi. Sperimenta, addestra e implementa modelli più rapidamente su scala. Aumenta la ripetibilità e la governance del machine learning e dei cicli di vita dei modelli AI, riducendo i attività banali e dispendiose in termini di tempo.
Implementa una AI affidabile
Affronta la spiegabilità, l'equità, la robustezza, la trasparenza e la privacy come parte del ciclo di vita dell'AI. Riduci la deviazione del modello, la distorsione e il rischio nell'AI e nel machine learning. Convalida e monitora i modelli per verificare che le prestazioni dell'AI e del machine learning soddisfino gli obiettivi di business. Aiuta a soddisfare la responsabilità sociale d'impresa (CSR) e la governance sociale ambientale (ESG).
Aumenta l'efficienza di ModelOps
Taglia i costi delle operazioni del modello di AI e di machine learning (ModelOps) attraverso l'unificazione di strumenti, processi e persone. Riduci la spesa per gestire strumenti e infrastrutture legacy o localizzate. Risparmia tempo e risorse per fornire modelli pronti per la produzione con cicli di vita automatizzati di AI e ML.
Come si può utilizzare AutoAI?
Promuovi un'AI responsabile e spiegabile

Promuovi un'AI responsabile e spiegabile
Esplora l'importanza di instaurare la fiducia nell'AI di produzione mentre si ottengono risultati più velocemente e si gestiscono il rischio e la conformità.
Automatizza la previsione delle serie temporali

Automatizza la previsione delle serie temporali
Scopri come i modelli possono prevedere i valori futuri di una serie temporale incorporando i modelli più performanti da tutte le possibili classi di modelli, non solo da una singola classe.
Funzioni di AutoAI
Automatizza le fasi chiave del ciclo di vita del modello
Pre-elaborazione dei dati
Applica vari algoritmi, o estimatori, per analizzare, pulire e preparare i dati grezzi per il machine learning. Rileva automaticamente e categorizza le funzioni in base al tipo di dati, come quelli in forma categorica o numerica. Utilizza l'ottimizzazione degli iperparametri per determinare le migliori strategie per l'imputazione dei valori mancanti, la codifica delle funzioni e il ridimensionamento delle funzioni.
Selezione automatizzata del modello
Seleziona i modelli attraverso i test degli algoritmi candidati e la classificazione contro piccoli sottoinsiemi di dati. Aumenta gradualmente la dimensione del sottoinsieme per gli algoritmi più proficui. Consenti la classificazione di un gran numero di algoritmi candidati per la selezione del modello con la migliore corrispondenza per i dati.
Progettazione di funzioni
Trasforma i dati grezzi nella combinazione di funzioni che meglio rappresenta il problema per ottenere la previsione più accurata. Esplora varie scelte di costruzione delle funzioni in modo strutturato e non esaustivo, mentre massimizza progressivamente l'accuratezza del modello usando il reinforcement learning.
Ottimizzazione degli iperparametri
Perfeziona e ottimizza le pipeline del modello usando la formazione del modello e il calcolo del punteggio tipico del machine learning. Scegli il miglior modello da mettere in produzione in base alle prestazioni.
Integrazione di monitoraggio del modello
Integra il monitoraggio sulla deviazione del modello, l'equità e la qualità attraverso i dettagli dell'input e dell'output del modello, i dati di formazione e la registrazione payload. Implementa il deviatore passivo o attivo, mentre si analizzano i deviatori diretti e indiretti.
Supporto di convalida del modello
Amplia con il modello e gli approfondimenti dei dati e verifica se i tuoi modelli soddisfano le tue aspettative in termini di prestazioni. Migliora continuamente i tuoi modelli misurandone la qualità e confrontandone le prestazioni.
Sfrutta la potenza di AutoAI
IBM Watson® Studio on IBM Cloud Pak® for Data
Come parte della piattaforma IBM Cloud Pak for Data end-to-end data e AI, IBM Watson Studio presenta il toolkit AutoAI che prepara automaticamente i dati, applica gli algoritmi di machine learning e costruisce pipeline di modelli che sono più adatti ai tuoi set di dati e casi d'uso di modellazione predittiva. Ulteriori informazioni →
Prova il prodotto →
AutoAI in azione in IBM Watson Studio
Classifica della pipeline

Classifica della pipeline
Classifica l'accuratezza del modello e mostra le informazioni sulla pipeline.
Valutazione del modello

Valutazione del modello
Esamina l'accuratezza, la precisione e il richiamo per valutare i modelli.
Implementazione del modello

Implementazione del modello
Promuovi i modelli agli spazi di implementazione.
Storie dei clienti
La Regions Bank sviluppa un'AI affidabile
Guarda i benefici ottenuti da questa banca utilizzando IBM Cloud Pak for Data per analizzare i dati, valutare la dispersione dei dati e misurare le prestazioni dei modelli.
Highmark Health taglia il tempo di realizzazione del modello del 90%
Scopri come questa rete sanitaria ha costruito un modello predittivo che utilizza i dati delle dichiarazioni assicurative per identificare i pazienti che potrebbero sviluppare la sepsi.
Wunderman Thompson reimmagina l'AI
Scopri come questa agenzia di comunicazione di marketing usa AutoAI per guidare previsioni ad alto volume e identificare nuovi clienti.
Perché AutoAI da IBM
Sviluppo mirato da IBM Research
Un team di IBM Research è impegnato ad applicare tecniche all'avanguardia di AI, ML e gestione dei dati per accelerare e ottimizzare la creazione di flussi di lavoro di machine learning e data science. I primi sforzi intorno ad AutoML del team si sono concentrati sull'uso di ottimizzazione iperbanda/bayesiano per la ricerca di iperparametri e iperbanda/ENAS/DARTS per la ricerca di architetture neurali.
Hanno continuato a concentrarsi sullo sviluppo di AutoAI, compresa l'automazione della configurazione della pipeline e l'ottimizzazione degli iperparametri. Un miglioramento significativo è l'algoritmo di ottimizzazione degli iperparametri, che è ottimizzato per la valutazione delle funzioni di costo come la formazione del modello e il calcolo del punteggio. Questo aiuta ad accelerare la convergenza verso la soluzione migliore.
IBM Research sta anche applicando l'intelligenza artificiale automatizzata per aiutare a garantire la fiducia e la spiegabilità dei modelli AI. Con AutoAI in IBM Watson Studio, gli utenti vedono le visualizzazioni di ogni fase del processo, dalla preparazione dei dati, alla selezione dell'algoritmo, alla creazione del modello. Inoltre, IBM AutoAI automatizza le attività per il miglioramento continuo del modello e facilita l'integrazione delle API del modello AI nelle applicazioni attraverso le sue funzionalità ModelOps. L'evoluzione di AutoAI all'interno del prodotto IBM Watson Studio ha contribuito al fatto che IBM sia stata nominata leader nel 2021 Gartner Magic Quadrant for Data Science and Machine Learning Platforms.
Approfondisci
Pacchetti open source
La domanda di AutoML ha portato allo sviluppo di un software open source che può essere utilizzato da esperti e non esperti di data science. I principali strumenti open source includono auto-sklearn, auto-keras e auto-weka. IBM Research contribuisce a Lale(il link risiede al di fuori di IBM), una libreria Python che estende le funzionalità di scikit-learn per supportare un ampio spettro di automazione, compresa la selezione degli algoritmi, la sintonizzazione degli iperparametri e la ricerca topologica. Come descritto in un documento di IBM Research (PDF, 1,1 MB), Lale funziona generando automaticamente spazi di ricerca per strumenti AutoML stabiliti. Gli esperimenti dimostrano che questi spazi di ricerca raggiungono risultati competitivi con gli strumenti all'avanguardia, pur offrendo una maggiore versatilità.
Documentazione e supporto
Inizia subito con l'AutoAI
Prova AutoAI con IBM Watson Studio on IBM Cloud Pak for Data.