IBM fue nombrado líder
Gartner publica el Gartner Magic Quadrant 2021 para plataformas de ciencia de datos y machine learning.
De AutoML a AutoAI
Acelerar la gestión del ciclo de vida de la IA y los modelos
¿Qué es AutoML? El machine learning automatizado (AutoML) es el proceso de automatizar las tareas manuales que los científicos de datos deben completar a medida que crean y entrenan modelos de machine learning (modelos ML). Estas tareas incluyen la ingeniería y selección de características, la elección del tipo de algoritmo de machine learning, la creación de un modelo analítico basado en el algoritmo, la optimización de hiperparámetros, el entrenamiento del modelo en conjuntos de datos probados y la ejecución del modelo para generar puntuaciones y resultados. Los investigadores desarrollaron AutoML para ayudar a los científicos a crear modelos predictivos sin tener experiencia en modelos de deep ML. AutoML también libera a los científicos de datos de las tareas rutinarias involucradas en la creación de una línea de trabajo de machine learning, lo que les permite centrarse en extraer los insights necesarios para resolver problemas empresariales importantes.
¿Qué es AutoAI? AutoAI es una variación de AutoML. Amplía la automatización de la creación de modelos a todo el ciclo de vida de la IA. Al igual que AutoML, AutoAI aplica la automatización inteligente a las etapas de desarrollar modelos predictivos de machine learning. Estas etapas incluyen la preparación de conjuntos de datos para entrenarlos, la identificación del mejor tipo de modelo para datos determinados (como un modelo de clasificación o regresión) y la elección de las columnas de datos que mejor apoyan el problema que resuelve el modelo (lo que se conoce como selección de características). Posteriormente, la automatización prueba una variedad de opciones de ajuste de hiperparámetros para lograr el mejor resultado y, a continuación, clasifica las líneas de trabajo candidatas a modelos basándose en métricas como exactitud y precisión. Las líneas de trabajo con mejor rendimiento se pueden poner en producción para procesar nuevos datos y ofrecer predicciones basadas en el entrenamiento del modelo.
Comparación rápida de funciones
AutoAI frente a AutoML
Se integra con | AutoAI | AutoML |
---|---|---|
Preparación de datos
|
||
Ingeniería de funcionalidades
|
||
Optimización de hiperparámetros
|
||
Implementación automatizada de modelos
|
||
Implementación con un único clic
|
||
Pruebas y puntuación de modelos
|
||
Generación de código
|
||
Compatibilidad con:
|
||
Reducción del sesgo y mitigación de la desviación
|
||
Gestión de riesgos de modelos
|
||
Gestión del ciclo de vida de la inteligencia artificial
|
||
Transferencia de conocimiento
|
||
Cualquier modelo de IA
|
||
Refinería de datos avanzada
|
¿Por qué AutoAI es importante?
La automatización inteligente empodera a todos
Acelere la gestión del ciclo de vida de la IA
Cree automáticamente modelos de machine learning e IA sin necesidad de una vasta experiencia en ciencia de datos. Capacite a científicos de datos, desarrolladores, ingenieros de ML y analistas para generar líneas de trabajo como candidatas principales a modelos. Supere la falta de habilidades de su equipo y aumente la productividad de sus proyectos de machine learning.
Acelere la implementación del machine learning
Cree modelos de machine learning y de IA personalizados en minutos o incluso segundos. Experimente, entrene e implemente modelos más rápidamente a escala. Aumente la repetibilidad y la gestión de los ciclos de vida de los modelos de machine learning e IA y al mismo tiempo reduzca las tareas rutinarias que toman mucho tiempo.
Implemente una IA confiable
Aborde la explicabilidad, la equidad, la robustez, la transparencia y la privacidad como parte del ciclo de vida de la IA. Mitigue la desviación del modelo, el sesgo y el riesgo en la IA y el machine learning. Valide y supervise modelos para verificar que el rendimiento de la IA y el ML cumplen con los objetivos empresariales. Ayude a cumplir con la responsabilidad social empresarial (RSE) y la gestión social ambiental (ESG).
Aumente la eficiencia de ModelOps
Reduzca los costos operacionales de modelos de machine learning e IA (ModelOps) a través de herramientas, procesos y personas unificadoras. Disminuya el gasto en la gestión de herramientas e infraestructuras heredadas o de punto. Ahorre tiempo y recursos para entregar modelos listos para la producción con ciclos de vida de IA y ML automatizados.
¿Cómo se puede usar AutoAI?
Impulse la IA responsable y explicable

Impulse la IA responsable y explicable
Descubra la importancia de generar confianza en la producción de IA al mismo tiempo que obtiene resultados más rápidos y gestiona tanto el riesgo como la conformidad.
Automatice la previsión de series temporales

Automatice la previsión de series temporales
Descubra cómo los modelos pueden predecir valores futuros de series temporales incorporando los modelos con mejor rendimiento de todas las clases de modelo posibles, no solo una.
Características de AutoAI
Automatice las etapas principales del ciclo de vida del modelo
Preprocesamiento de datos
Aplique varios algoritmos o estimadores para analizar, limpiar y preparar datos no procesados para el machine learning. Detecte y categorice características automáticamente con base en el tipo de datos, como por ejemplo categóricos o numéricos. Use la optimización de hiperparámetros para determinar las mejores estrategias para la imputación de valores faltantes y tanto la codificación como el escalado de características.
Selección de modelos automatizada
Seleccione modelos a través de pruebas de algoritmo de candidatos y clasificaciones de subconjuntos pequeños de los datos. Aumente gradualmente el tamaño de los subconjuntos para los algoritmos más prometedores. Habilite la clasificación de un gran número de algoritmos candidatos para la selección de modelos con la mejor coincidencia para los datos.
Ingeniería de funcionalidades
Transforme datos no procesados en la combinación de características que mejor represente el problema para obtener la predicción más precisa. Explore varias opciones de creación de funciones de manera estructurada y no exhaustiva, al mismo tiempo que maximiza la precisión del modelo utilizando el aprendizaje por refuerzo.
Optimización de hiperparámetros
Perfeccione y optimice las líneas de trabajo de modelos utilizando el entrenamiento y la puntuación de modelos típicos del machine learning. Elija el mejor modelo para poner en producción con base en su rendimiento.
Integración de supervisión de modelos
Integre la supervisión de la desviación del modelo, la equidad y la calidad a través de detalles de entrada y salida, datos de entrenamiento y registro de cargas útiles del modelo. Implemente la eliminación del sesgo pasiva o activa y al mismo tiempo analice el sesgo directo e indirecto.
Apoyo a validación de modelos
Amplíe con insights de modelo y datos y evalúe si sus modelos cumplen con el rendimiento esperado. Mejore continuamente sus modelos midiendo su calidad y comparando su rendimiento.
Obtenga el poder de AutoAI
IBM Watson® Studio en IBM Cloud Pak® for Data
Como parte de la plataforma de datos e IA end-to-end IBM Cloud Pak for Data, IBM Watson Studio cuenta con el kit de herramientas de AutoAI que prepara datos automáticamente, aplica algoritmos de machine learning y crea líneas de trabajo de modelo que mejor se adecuen a sus conjuntos de datos y casos de uso de modelado predictivo. Descubra más →
Pruebe el producto →
AutoAI en acción en IBM Watson Studio
Tabla de clasificación de pipeline

Tabla de clasificación de pipeline
Clasifique la precisión del modelo y muestre la información de la línea de trabajo.
Evaluación de modelos

Evaluación de modelos
Revise la precisión, la exactitud y la exhaustividad para evaluar modelos.
Implementación de modelos

Implementación de modelos
Avance modelos a espacios de implementación.
Casos de clientes
Regions Bank desarrolla una IA confiable
Vea los beneficios que obtuvo este banco utilizando IBM Cloud Pak for Data para analizar datos, evaluar la desviación de datos y medir el rendimiento del modelo.
Highmark Health reduce el tiempo de creación de modelos en un 90 %
Descubra cómo esta red de asistencia médica creó un modelo predictivo que utiliza datos de reclamaciones de seguros para identificar a los pacientes que pueden desarrollar sepsis.
Wunderman Thompson reinventa la IA
Descubra cómo esta agencia de marketing utiliza AutoAI para impulsar grandes cantidades de predicciones e identificar nuevos clientes.
¿Por qué elegir AutoAI de IBM?
Desarrollo enfocado de IBM Research
Un equipo de IBM Research se ha comprometido a aplicar técnicas innovadoras de IA, ML y gestión de datos para acelerar y optimizar la creación de flujos de trabajo de machine learning y ciencia de datos. Los primeros esfuerzos del equipo en torno al AutoML se centraron en el uso de la optimización de hiperbanda/bayesiana para la búsqueda de hiperparámetros y la hiperbanda/ENAS/DARTS para la Búsqueda de Arquitectura Neuronal.
Ha seguido centrándose en el desarrollo de AutoAI, incluyendo la automatización de la configuración de la línea de trabajo y la optimización de hiperparámetros. Una mejora significativa es el algoritmo de optimización de hiperparámetros, que está optimizado para evaluar la función de costo como el entrenamiento y la puntuación de modelos. Esto ayuda a acelerar la convergencia con la mejor solución.
IBM Research también está aplicando inteligencia artificial automatizada para ayudar a garantizar la confianza y la explicabilidad en los modelos de IA. Con AutoAI en IBM Watson Studio, los usuarios pueden visualizar cada etapa del proceso, desde la preparación de datos hasta la selección de algoritmos y la creación de modelos. Además, IBM AutoAI automatiza las tareas para la mejora continua del modelo y facilita la integración de las API de modelos de IA en aplicaciones a través de sus funciones ModelOps. La evolución de AutoAI en el producto IBM Watson Studio contribuyó a que IBM fuese nombrado líder en el Gartner Magic Quadrant 2021 para plataformas de ciencia de datos y machine learning.
Obtenga más información
Paquetes de código abierto
La demanda de AutoML ha llevado al desarrollo de software de código abierto que puede ser utilizado por expertos en ciencia de datos y no expertos. Las principales herramientas de código abierto incluyen auto-sklearn, auto-keras y auto-weka. IBM Research contribuye a Lale (enlace externo a IBM), una biblioteca de Python que amplía las capacidades de scikit-learn para apoyar un amplio espectro de automatización, incluyendo la selección de algoritmos, el ajuste de hiperparámetros y la búsqueda de topología. Como se describe en un informe de IBM Research (PDF, 1.1 MB), Lale funciona generando automáticamente espacios de búsqueda para las herramientas de AutoML establecidas. Los experimentos demuestran que estos espacios de búsqueda logran resultados competitivos con herramientas de última generación al mismo tiempo que ofrecen más versatilidad.
Empiece a usar AutoAI
Pruebe AutoAI with IBM Watson Studio en IBM Cloud Pak for Data.