IBM AutoAI
Accelerazione della gestione del ciclo di vita di AI e modelli
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 la progettazione 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 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 creare modelli predittivi senza avere competenze avanzate nei modelli di ML. AutoML, consente inoltre ai data scientist di liberarsi dalle attività ripetitive previste dalla creazione di una pipeline di machine learning, consentendo loro di concentrarsi sull'estrazione degli insight necessari per la 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, anche 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 (la selezione delle funzioni). L'automazione testa quindi una serie di opzioni di messa a punto 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.
Preparazione dei dati | ||
Progettazione di funzioni | ||
Ottimizzazione degli iperparametri
Implementazione automatizzata dei modelli | ||
Implementazione con un solo clic | ||
Test e calcolo del punteggio dei modelli |
Generazione di codice |
| Supporto per: |
Debiasing e riduzione della deriva | ||
Gestione del rischio del modello
Gestione del ciclo di vita dell'AI | ||
Apprendimento per trasferimento
Qualsiasi modello AI
Affinamento avanzato dei dati |
*I prezzi riportati sono indicativi, possono variare a seconda del paese, non includono eventuali tasse applicabili e sono soggetti alla disponibilità dell'offerta del prodotto in un determinato paese.
Perché AutoAI è importante?
Crea automaticamente modelli di machine learning e AI senza competenze avanzate di data science. Consenti 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 in pochi minuti o persino in pochi secondi. Sperimenta, addestra e implementa modelli in tempi più rapidi su larga scala. Aumenta la ripetibilità e la governance del ciclo di vita dei modelli di AI e machine learning, riducendo al contempo le attività di routine e dispendiose in termini di tempo.
Affronta le problematiche di sfruttabilità, equità, robustezza, trasparenza e privacy all'interno del ciclo di vita dell'AI. Riduci la deriva dei modelli, le distorsioni e i rischi dell'AI e del machine learning. Convalida e monitora i modelli per verificare che le prestazioni di AI e machine learning soddisfino gli obiettivi aziendali. Supporta la responsabilità sociale d'impresa (CSR) e la governance sociale e ambientale (ESG).
Riduci i costi delle operazioni dei modelli (ModelOps) di AI e machine learning attraverso l'unificazione di strumenti, processi e persone. Riduci la spesa per la gestione di infrastrutture e strumenti legacy o mirati. Risparmia tempo e risorse per fornire modelli production-ready con cicli di vita automatizzati di AI e ML.
IBM è stata riconosciuta come Azienda Leader nel settore
Scopri perché IBM è stata dichiarata un leader nel 2021 Magic Quadrant for Data Science and Machine Learning
Come si può utilizzare AutoAI?
Automatizza i passaggi chiave del ciclo di vita dei modelli
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 rappresenta 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 per 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 della deriva, dell'equità e della qualità del modello attraverso i suoi dettagli di input e output, i dati di addestramento e la registrazione del payload. Implementa il debiasing passivo o attivo, analizzando al contempo il bias diretto e indiretto.
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.
Conquista il potere dell'AutoAI
AutoAI in azione in IBM Watson Studio
Storie dei clienti
Scopri i benefici conseguiti da questa banca con l'uso di IBM Cloud Pak for Data nell'analisi dei dati, nella valutazione della deriva dei dati e nella misurazione delle prestazioni dei modelli.
Scopri come questa rete del settore sanitario 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 fare previsioni ad alto volume e identificare nuovi clienti.
Un team di IBM Research è impegnato nell'applicazione di tecniche all'avanguardia di AI, ML e gestione dei dati per accelerare e ottimizzare la creazione di workflow di machine learning e data science. Le prime iniziative del team nel campo dell'AutoML si sono concentrate sull'uso dell'ottimizzazione iperbanda/bayesiana per la ricerca di iperparametri e iperbanda/ENAS/DARTS per la ricerca nel campo dell'architettura neurale.
Il team ha continuato a concentrarsi sullo sviluppo di AutoAI, comprese 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, agli utenti vengono mostrate 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 contribuito alla nomina di IBM quale leader nel Magic Quadrant for Data Science and Machine Learning Platforms 2021 di Gartner.
Approfondisci
Il deep learning è un sottocampo del machine learning che supporta servizi e applicazioni basate su AI che eseguono attività analitiche e fisiche senza l'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 Neural Architecture Search (NAS). Il team ha esaminato i metodi NAS sviluppati e ha presentato i benefici 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, tuttavia il problema è complesso e difficile da risolvere.
Con il servizio Deep Learning all'interno di IBM Watson Studio, è possibile iniziare rapidamente a utilizzare il deep learning. Il servizio ti aiuta a progettare reti neurali complesse per poi sperimentare su larga 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 a livello di potenza di elaborazione. 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. Con 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 software open source utilizzabile da parte di esperti di data science e non. I principali strumenti open source includono auto-sklearn, auto-keras e auto-weka. IBM Research contribuisce a Lale, una libreria Python che estende le funzionalità di scikit-learn per supportare un ampio spettro di automazione, tra cui la selezione degli algoritmi, la regolazione degli iperparametri e la ricerca topologica. Come descritto in un documento di IBM Research, Lale funziona generando automaticamente spazi di ricerca per strumenti di AutoML consolidati. Gli esperimenti dimostrano che questi spazi di ricerca ottengono risultati competitivi con gli strumenti più avanzati, offrendo al contempo una maggiore versatilità.
Documentazione e supporto
Trova rapidamente le risposte nella documentazione di IBM Watson Studio.
Inizia con il supporto tecnico di IBM.
Ricevi suggerimenti tecnici da altri utenti di IBM Watson Studio.