¿Qué es AutoML?
El machine learning automatizado (AutoML) es el proceso de automatizar las tareas manuales que los científicos de datos deben completar mientras desarrollan y entrenan modelos de machine learning (modelos ML). Estas tareas incluyen ingeniería y selección de características, elección del tipo de algoritmo de machine learning; construir un modelo analítico basado en el algoritmo; optimización de hiperparámetros, entrenar el modelo en conjuntos de datos probados y ejecutar el modelo para generar puntuaciones y hallazgos. Los investigadores desarrollaron AutoML para ayudar a los científicos de datos a crear modelos predictivos sin tener una gran experiencia en modelos de ML. AutoML también libera a los científicos de datos de las tareas principales involucradas en la construcción de un pipeline de machine learning, lo que les permite enfocarse en extraer los insights necesarios para resolver problemas comerciales importantes.
¿Qué es AutoAI?
AutoAI es una variación de AutoML. Extiende 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 los pasos de creación de modelos predictivos de machine learning. Estos pasos incluyen preparar conjuntos de datos para la capacitación; identificar el mejor tipo de modelo para los datos dados, como un modelo de clasificación o de regresión; y elegir las columnas de datos que mejor respalden el problema que resuelve el modelo, lo que se conoce como selección de características. Luego, la automatización prueba una variedad de opciones de ajuste de hiperparámetros para alcanzar el mejor resultado a medida que genera, y luego clasifica, canalizaciones de candidatos a modelos basados en métricas como la precisión y la precisión. Los pipeline de mejor rendimiento se pueden poner en producción para procesar nuevos datos y ofrecer predicciones basadas en el entrenamiento del modelo.
El nuevo estudio de IA de nivel empresarial, diseñado para ayudar a los creadores de IA a construir soluciones de IA.
Data preparation | ||
Ingeniería de características | ||
Optimización de hiperparámetros
Despliegue automatizado de modelos | ||
Despliegue con un solo clic | ||
Pruebas y puntuación de modelos |
Generación de código |
| Se admite: |
La mitigación de las desviaciones y reducción de sesgos | ||
Gestión de riesgos de los modelos
Gestión del ciclo de vida de la IA | ||
Transferir aprendizaje
Cualquier modelo de IA
Advanced data refinery |
*Los precios mostrados son indicativos, pueden variar según el país, excluyen los impuestos y aranceles aplicables y están sujetos a la disponibilidad de la opción de productos en un lugar.
Cree automáticamente modelos de IA y aprendizaje automático sin necesidad de conocimientos profundos en ciencia de datos. Brinda herramientas a los científicos de datos, desarrolladores, ingenieros de aprendizaje automático (ML) y analistas para generar canales de modelos de los mejores candidatos. Aborde las lagunas en el conjunto de habilidades y aumente la productividad de sus proyectos de aprendizaje automático.
Crea modelos personalizados de IA y aprendizaje automático en minutos o incluso segundos. Experimenta, entrena y despliega modelos más rápidamente a escala. Aumente la repetibilidad y la gobernanza de los ciclos de vida de los modelos de IA y aprendizaje automático, al tiempo que reduce las tareas repetitivas que consumen mucho tiempo.
Cubre la explicabilidad, la equidad, la solidez, la transparencia y la privacidad como parte del ciclo de vida de la IA. Mitiga la desviación, el sesgo y el riesgo del modelo en la IA y el aprendizaje automático. Se valida y supervisa modelos para verificar que el rendimiento de la IA y el aprendizaje automático cumpla con los objetivos comerciales. Ayuda a cumplir con la responsabilidad social corporativa (CSR) y la gobernanza social ambiental (ESG).
Se reducen los costos de las operaciones de modelos de IA y aprendizaje automático (ModelOps) mediante la unificación de herramientas, procesos y personas. Se reduce el gasto en la gestión de infraestructuras y herramientas heredadas o puntuales. Se ahorra tiempo y recursos para ofrecer modelos listos para producción con ciclos de vida automatizados de IA y ML.
Descubra por qué IBM es reconocido como líder en el Cuadrante Mágico 2021 para Ciencia de Datos y Aprendizaje Automático
¿Cómo puede usar AutoAI?
Aplique varios algoritmos o calculadoras para analizar, depurar y preparar datos sin procesar para el aprendizaje automático. Detecte y categorice funciones automáticamente según el tipo de datos, como categórico o numérico. Utilice la optimización de hiperparámetros para determinar las mejores estrategias de imputación de valores perdidos, codificación de características y escalado de características.
Seleccione modelos mediante pruebas de algoritmos candidatos y clasificación frente a pequeños subconjuntos de datos. Aumente gradualmente el tamaño del subconjunto 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.
Transforme los datos sin procesar en la combinación de características que mejor represente el problema para lograr la predicción más precisa. Explore diversas opciones de desarrollo de características de forma estructurada y no exhaustiva, al tiempo que maximiza progresivamente la precisión del modelo mediante el aprendizaje por refuerzo.
Ajuste y optimice las canalizaciones de modelos mediante el entrenamiento de modelos y la puntuación típica del aprendizaje automático. Elija el mejor modelo para poner en producción en función del rendimiento.
Integre el monitoreo sobre la desviación del modelo, la equidad y la calidad a través de los detalles de entrada y salida del modelo, los datos de capacitación y el registro de carga útil. Implemente una reducción del sesgo de manera pasiva o activa, mientras analiza el sesgo directo e indirecto.
Amplíe con información sobre modelos y datos y valide si sus modelos cumplen con el rendimiento esperado. Mejore continuamente sus modelos midiendo la calidad del modelo y comparando el rendimiento del modelo.
AutoAI en acción en IBM Watson Studio
Vea los beneficios obtenidos por este banco al usar IBM Cloud Pak for Data para analizar datos, evaluar la desviación de datos y medir el rendimiento de modelos.
Conozca cómo esta red de atención médica creó un modelo predictivo que utiliza datos de reclamaciones de seguros para identificar a los pacientes que probablemente desarrollaran sepsis.
Descubre cómo esta agencia de comunicaciones de marketing utiliza AutoAI para impulsar predicciones de gran volumen e identificar nuevos clientes.
Un equipo de investigación de IBM se se compromete a aplicar técnicas de vanguardia de IA, machine learning y gestión de datos para acelerar y optimizar la creación de flujos de trabajo de aprendizaje automático y ciencia de datos.Los primeros esfuerzos del equipo en torno a AutoML se centraron en el uso de la optimización hiperbanda/bayesiana para la búsqueda de hiperparámetros e hiperbanda/ENAS/DARTS para la Neural Architecture Search.
Han seguido centrándose en el desarrollo de AutoAI, incluida la automatización de la configuración de la canalización y la optimización de hiperparámetros. Una mejora significativa es el algoritmo de optimización de hiperparámetros, que se optimiza para la evaluación de la función de costos, como la capacitación y la puntuación del modelo. Esto ayuda a acelerar la convergencia hacia 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 ven visualizaciones de 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 del modelo de IA en las aplicaciones a través de sus capacidades ModelOps.La evolución de AutoAI dentro del producto IBM Watson Studio contribuyó a que IBM sea nombrada líder en el Cuadrante Mágico de Gartner 2021 para plataformas de ciencia de datos y machine learning.
Descubra cómo AutoAI en IBM Watson Studio lo ayuda a acelerar el impacto de la IA en los flujos de trabajo para impulsar la productividad.
Aprenda a crear y evaluar modelos de aprendizaje automático con la función AutoAI en IBM Watson Studio.
Descubra cómo funcionan juntos DevOps, ModelOps y DataOps.
Descubra por qué IBM fue nombrado líder en el Cuadrante Mágico de 2021 en Ciencia de los Datos y Aprendizaje Automático.
Conozca más
El aprendizaje profundo es un subcampo del aprendizaje automático y es conocido por impulsar aplicaciones y servicios de IA que realizan tareas físicas y de analytics sin intervención humana. Algunos ejemplos de casos de uso para el aprendizaje profundo incluyen chatbots, tecnologías de reconocimiento de imágenes médicas y detección de fraudes. Sin embargo, al igual que ocurre con el aprendizaje automático, diseñar y ejecutar un algoritmo de aprendizaje profundo requiere una enorme cantidad de esfuerzo humano, así como potencia informática.
El equipo de IBM Research ha explorado uno de los procesos más complejos y que consumen mucho tiempo en el aprendizaje profundo: la creación de la arquitectura neuronal a través de una técnica llamada búsqueda de arquitectura neuronal (NAS). El equipo revisó los métodos de NAS desarrollados y presentó los beneficios de cada uno con el objetivo de ayudar a los profesionales a elegir un método apropiado.Automatizar el enfoque para encontrar la arquitectura de mejor rendimiento para un modelo de machine learning puede conducir a una mayor democratización de la IA, pero el problema es complejo y difícil de resolver.
Con el servicio Deep Learning dentro de IBM Watson Studio, puede comenzar con el aprendizaje profundo rápidamente. El servicio le ayuda a diseñar redes neuronales complejas y luego experimentar a escala para desplegar un modelo de aprendizaje automático optimizado. Diseñado para simplificar el proceso de los modelos de capacitación, el servicio también proporciona un clúster de computación GPU bajo demanda para cubrir los requisitos de compute power. También puede integrar marcos de aprendizaje automático de código abierto populares como Tensorflow, Caffe, Torch y Chainer para capacitar modelos en múltiples GPU y acelerar los resultados. En IBM Watson Studio puede combinar AutoML, IBM AutoAI y el servicio Deep Learning para acelerar la experimentación, analizar datos estructurados y no estructurados y desplegar mejores modelos más rápido.
La demanda de AutoML ha llevado al desarrollo de software de código abierto que pueden ser utilizados 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 con Lale, una biblioteca Python que amplía las capacidades de scikit-learn para admitir un amplio espectro de automatización, incluida la selección de algoritmos, el ajuste de hiperparámetros y la búsqueda de topologías. Como se describe en un documento de IBM Research, Lale trabaja generando automáticamente espacios de búsqueda para herramientas de AutoML establecidas. Los experimentos muestran que estos espacios de búsqueda logran resultados competitivos con herramientas de vanguardia y ofrecen más versatilidad.