Che cos'è AutoML?
Il machine learning automatizzato (AutoML) è il processo di automatizzazione delle attività manuali che i data scientist devono completare durante la creazione e l'addestramento dei modelli di machine learning (modelli di ML). Queste attività includono l'ingegneria e la selezione delle funzioni, la scelta del tipo di algoritmo di machine learning, la creazione di un modello analitico basato sull'algoritmo, l'ottimizzazione degli iperparametri, l'addestramento del modello su serie di dati testati e l'esecuzione del modello per generare punteggi e risultati. I ricercatori hanno sviluppato AutoML per aiutare i data scientist a creare modelli predittivi senza avere competenze avanzate in modelli di ML. AutoML, inoltre, consente ai data scientist di liberarsi dalle attività ripetitive incluse nella creazione di una pipeline di machine learning, consentendo loro di concentrarsi sull'estrazione di insight necessari alla risoluzione di problemi aziendali importanti.
Che cos'è AutoAI?
AutoAI è una variazione di AutoML. Estende l'automazione della creazione di modelli all'intero ciclo di vita dell'AI. Come AutoML, AutoAI applica l'automazione intelligente ai passaggi della creazione di modelli predittivi di machine learning. Questi passaggi comprendono la preparazione di serie di dati per l'addestramento; l'identificazione del tipo di modello migliore per i dati forniti, come ad esempio il modello di classificazione o regressione; e la scelta delle colonne di dati che meglio supportano il problema che il modello sta risolvendo, nota come selezione delle funzioni. L'automazione poi testa una serie di opzioni di regolazione degli iperparametri per raggiungere il risultato migliore in quanto genera, e poi classifica, le pipeline del modello candidato in base a metriche come l'accuratezza e la precisione. Le pipeline con i risultati migliori possono essere messe in produzione per elaborare nuovi dati e fornire previsioni basate sull'addestramento del modello.
Il nuovissimo studio aziendale che riunisce l'apprendimento automatico tradizionale e le nuove funzionalità di intelligenza artificiale generativa basate su modelli di base
Preparazione dati | ||
Progettazione di funzioni | ||
Ottimizzazione degli iperparametri
Implementazione automatizzata dei modelli | ||
Implementazione in un solo click | ||
Test e calcolo del punteggio dei modelli |
Generazione di codice |
| Supporto per: |
Debiasing e mitigazione dello spostamento | ||
Gestione del rischio del modello
Gestione del ciclo di vita dell'AI | ||
Apprendimento per trasferimento
Qualsiasi modello di AI
Perfezionamento dei dati avanzato |
Crea automaticamente modelli di machine learning e AI senza competenze avanzate in data science. Consente a data scientist, sviluppatori, ingegneri ML e analisti di generare pipeline dei migliori modelli. Colma le lacune di competenze e aumenta la produttività dei tuoi progetti di machine learning.
Crea modelli personalizzati di AI e machine learning nel giro di pochi minuti o persino secondi. Sperimenta, addestra e implementa modelli in tempi più rapidi su vasta scala. Aumenta la ripetibilità e la governance del ciclo di vita dei modelli di AI e machine learning, riducendo al contempo attività di routine e dispendiose in termini di tempo.
Affronta la sfruttabilità, l'equità, la robustezza, la trasparenza e la privacy nell'ambito del ciclo di vita dell'AI. Riduci le deviazioni, le distorsioni e i rischi del modello nell'AI e nel machine learning. Convalida e monitora i modelli per verificare che le prestazioni di AI e machine learning soddisfino gli obiettivi aziendali. Aiuta a soddisfare la responsabilità sociale d'impresa (CSR) e la governance sociale e ambientale (ESG).
Taglia i costi delle operazioni del modello di AI e machine learning (ModelOps) attraverso l'unificazione di strumenti, processi e persone. Riduci la spesa di gestione di 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.
Scopri perché IBM è stata riconosciuta come leader nel Magic Quadrant per Data Science and Machine Learning 2021
Come si può utilizzare AutoAI?
Applica diversi algoritmi, o stimatori, per analizzare, pulire e preparare dati non elaborati per il machine learning. Rileva e categorizza automaticamente le funzioni in base al tipo di dati, ad esempio categorico o numerico. Usa l'ottimizzazione degli iperparametri per determinare le strategie migliori per l'imputazione dei valori mancanti, la codifica delle funzioni e lo scaling delle funzioni.
Seleziona i modelli attraverso test e classificazione degli algoritmi candidati rispetto a piccoli sottoinsiemi di dati. Aumenta gradualmente le dimensioni del sottoinsieme per gli algoritmi più promettenti. Consenti la classificazione di un grande numero di algoritmi candidati per la selezione dei modelli con la migliore corrispondenza per i dati.
Trasforma i dati non elaborati nella combinazione di funzioni che meglio rappresentano il problema per ottenere la previsione più accurata. Esplora varie opzioni di creazione delle funzioni in modo strutturato e non esaustivo, ottimizzando al contempo in modo progressivo l'accuratezza dei modelli mediante l'apprendimento di rinforzo.
Perfeziona e ottimizza le pipeline del modello usando l'addestramento e il calcolo del punteggio del modello, tipico del machine learning. Scegli il modello migliore da mettere in produzione in base alle prestazioni.
Integra il monitoraggio di deviazione, congruità e qualità del modello attraverso i dettagli di input e output del modello, i dati di addestramento e la registrazione del payload. Implementa il debiasing passivo o attivo, analizzando al contempo le distorsioni dirette e indirette.
Amplia le conoscenze con insight di modelli e dati e convalida se i modelli soddisfano le prestazioni attese. Migliora continuamente i tuoi modelli misurandone la qualità e confrontandone le prestazioni.
AutoAI in azione in IBM Watson Studio
Scopri i vantaggi ottenuti da questa banca con l'uso di IBM Cloud Pak for Data nell'analisi dei dati, nella valutazione della deviazione dei dati e nella misurazione delle prestazioni dei modelli.
Scopri come questa rete sanitaria ha creato un modello predittivo che utilizza i dati delle richieste di risarcimento delle assicurazioni per identificare i pazienti che potrebbero sviluppare la sepsi.
Scopri come questa agenzia di comunicazione di marketing usa AutoAI per guidare previsioni ad alto volume e identificare nuovi clienti.
Un team IBM Research è impegnato nell'applicazione di 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 del team in relazione a AutoML si sono concentrati sull'uso dell'ottimizzazione iperbanda/bayesiana per la ricerca di iperparametri e iperbanda/ENAS/DARTS per la ricerca di architetture neurali.
Il team ha 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, ottimizzato per la valutazione delle funzioni di costo come l'addestramento e il calcolo del punteggio del modello. 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 di 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, fino alla creazione del modello. Inoltre, IBM AutoAI automatizza le attività di 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 aiutato IBM a essere nominata leader al Magic Quadrant for Data Science and Machine Learning Platforms 2021 di Gartner.
Scopri come AutoAI in IBM Watson Studio ti aiuta a costruire e scalare i modelli di machine learning per l'AI.
Scopri come costruire e valutare i modelli di machine learning utilizzando la funzione AutoAI in IBM Watson Studio.
Scopri come DevOps, ModelOps e DataOps si integrano tra loro.
Scopri perché IBM è stata nominata leader al Magic Quadrant for Data Science and Machine Learning 2021.
Approfondisci
Il 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 chatbot, tecnologie di riconoscimento delle immagini mediche e 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 dispendiosi in termini di tempo del deep learning: la creazione di architetture neurali attraverso una tecnica chiamata ricerca dell'architettura neurale (NAS). Il team ha esaminato i metodi NAS sviluppati e ha presentato i vantaggi di ciascuno con l'obiettivo di aiutare i professionisti nella scelta del 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 per poi sperimentare su vasta scala e implementare un modello di machine learning ottimizzato. Progettato per semplificare il processo di addestramento dei modelli, il servizio fornisce anche un cluster di calcolo GPU on-demand per affrontare i requisiti dei potenza di calcolo. È anche possibile integrare popolari framework ML open source, come TensorFlow, Caffe, Torch e Chainer per addestrare i modelli su più GPU e accelerare i risultati. In 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.
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 (link esterno a IBM), una libreria Python che estende le funzionalità di scikit-learn per supportare un ampio spettro di automazioni, tra cui la selezione degli algoritmi, la regolazione degli iperparametri e la ricerca topologica. Come descritto in un documento di IBM Research (PDF), Lale funziona generando automaticamente spazi di ricerca per strumenti AutoML stabiliti. Gli esperimenti dimostrano che questi spazi di ricerca raggiungono risultati competitivi con strumenti all'avanguardia, offrendo una maggiore versatilità.