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

Come si può utilizzare AutoAI?

Crea ModelOps

tre impiegati che conferiscono con uno che scrive note

Crea ModelOps

Agevola la collaborazione tra data scientist e DevOps per ottimizzare l'integrazione dei modelli AI nelle applicazioni.

Promuovi un'AI responsabile e spiegabile

dipendente che guarda a sinistra di un monitor da desktop in un ufficio

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

due impiegati che conferiscono con documenti e laptop

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

AutoAI in azione in IBM Watson Studio

Configurazione di AutoAI

Schermata di IBM Watson Studio che mostra dove si aggiunge una fonte di dati e si selezionano i dettagli di configurazione per un esperimento AutoAI

Configurazione di AutoAI

Trascina il file.csv e seleziona la colonna da prevedere.

Classifica della pipeline

Schermata di IBM Watson Studio che mostra la mappa delle relazioni e la tabella principale della pipeline

Classifica della pipeline

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

Valutazione del modello

Schermata di IBM Watson Studio che mostra la valutazione del modello per una pipeline, incluso un elenco di misure di valutazione del modello

Valutazione del modello

Esamina l'accuratezza, la precisione e il richiamo per valutare i modelli.

Implementazione del modello

Schermata di IBM Watson Studio che mostra dove si promuove un test nello spazio di implementazione

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

AutoML e deep learning

Deep learning è un sottocampo del machine learning ed è noto per alimentare applicazioni e servizi AI che eseguono attività analitiche e fisiche senza intervento umano. Esempi di casi d'uso per il deep learning includono i chatbot, le tecnologie di riconoscimento delle immagini mediche e il rilevamento delle frodi. Tuttavia, come per il machine learning, progettare ed eseguire un algoritmo di deep learning richiede una quantità enorme di sforzo umano e di potenza di calcolo.

Il team di IBM Research ha esplorato uno dei processi più complessi e lunghi nel deep learning: la creazione dell'architettura neurale attraverso una tecnica chiamata ricerca dell'architettura neurale (NAS). Il team ha esaminato i metodi NAS sviluppati e ha presentato i benefici di ciascuno con l'obiettivo di aiutare i professionisti a scegliere un metodo appropriato. Automatizzare l'approccio per trovare l'architettura più performante per un modello di machine learning può portare a una maggiore democratizzazione dell'AI, ma il problema è complesso e difficile da risolvere.

Con il servizio Deep Learning all'interno di IBM Watson Studio, è ancora possibile iniziare rapidamente con il deep learning. Il servizio ti aiuta a progettare reti neurali complesse e poi a sperimentare su scala per implementare un modello di machine learning ottimizzato. Progettato per semplificare il processo di formazione dei modelli, il servizio fornisce anche un cluster di calcolo GPU on-demand per affrontare i requisiti di potenza di calcolo. È anche possibile integrare popolari framework ML open source come TensorFlow, Caffe, Torch e Chainer per addestrare modelli su più GPU e accelerare i risultati. Su IBM Watson Studio, è possibile combinare AutoML, IBM AutoAI e il servizio Deep Learning per accelerare la sperimentazione, analizzare dati strutturati e non strutturati e implementare modelli migliori più velocemente.

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

Documentazione

Trova rapidamente le risposte nella documentazione di IBM Watson Studio.

Supporto

Inizia con il supporto tecnico di IBM.

Community

Ricevi suggerimenti tecnici da altri utenti di IBM Watson Studio.

Inizia subito con l'AutoAI

Prova AutoAI con IBM Watson Studio on IBM Cloud Pak for Data.