IBM AutoAI
Cree y entrene rápidamente modelos predictivos de alta calidad. Simplifique la gestión del ciclo de vida de la IA.
Pruébelo en watsonx.ai
Empresario usando una tablet en una fábrica
Acelerar la IA y la gestión del ciclo de vida de los modelos

¿Qué es AutoML?
El aprendizaje automático automatizado (AutoML) es el proceso de automatizar las tareas manuales que los científicos de datos deben completar mientras desarrollan y entrenan modelos de aprendizaje automático (modelos de aprendizaje automático (ML)). Estas tareas incluyen ingeniería y selección de características, elección del tipo de algoritmo de aprendizaje automático; 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 una canalización de aprendizaje automático, lo que les permite enfocarse en extraer los conocimientos 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 aprendizaje automático. 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. Las canalizaciones de mejor rendimiento se pueden poner en producción para procesar nuevos datos y ofrecer predicciones basadas en el entrenamiento del modelo.

Ahora disponible: watsonx.ai

El nuevo estudio empresarial que aúna el aprendizaje automático tradicional con las nuevas funciones de IA generativa basadas en modelos fundacionales

Cómo crear IA responsable a escala
AutoAI versus AutoML
Comparación rápida de capacidades AutoAI AutoML

Preparación de los datos

   
 

Ingeniería de características

   
 

Optimización de hiperparámetros

Despliegue automatizado de modelos

   
 

Despliegue con un solo clic

   
 

Pruebas y puntuación de modelos

 

Generación de código

 
Compatible con:

La mitigación de las desviaciones y reducción de sesgos

   
 

La gestión de riesgos de modelos

La gestión del ciclo de vida de la IA

   
 

Transferir aprendizaje

Cualquier modelo de IA

Advanced data refinery

 
¿Por qué es importante AutoAI? La automatización inteligente brinda herramientas a todos Acelere la gestión del ciclo de vida de la IA

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.

Acelera la implementación del 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.

Despliega una IA confiable

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 aumenta la eficiencia de ModelOps

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.

IBM® es nombrado líder

Descubra por qué IBM es reconocido como líder en el Cuadrante Mágico 2021 para Ciencia de Datos y Aprendizaje Automático 

Obtener el informe

¿Cómo puede usar AutoAI?

Desarrollo de ModelOps Se facilita la colaboración entre científicos de datos y DevOps para optimizar la integración de modelos de IA en aplicaciones. Más información sobre ModelOps

Fomentar la IA responsable y explicable Explore la importancia de generar confianza en la IA de producción mientras obtiene resultados más rápido y gestiona el riesgo y el cumplimiento. Conozca la IA explicable

Automatice las proyecciones de series temporales Aprenda cómo los modelos pueden predecir los valores futuros de una serie temporal incorporando los modelos de mejor rendimiento de todas las clases de modelos posibles, no solo de una sola clase. Más información de IBM Research

Automatice los pasos clave en el ciclo de vida del modelo Procesamiento previo de datos

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.

Selección automatizada de modelos

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.

Ingeniería de características

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.

Optimización de hiperparámetros

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.

Integración de monitoreo de modelos

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.

Soporte de validación de modelos

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.

 

Obtenga el poder de AutoAI
IBM Watson® Studio en IBM Cloud Pak® for Data Como parte de la plataforma de IA y datos de extremo a extremo IBM Cloud Pak for Data, IBM Watson Studio cuenta con el kit de herramientas AutoAI que prepara automáticamente los datos, aplica algoritmos de aprendizaje automático y crea pipelines de modelos que se adaptan mejor a sus conjuntos de datos y casos de uso de modelado predictivo. Más información Pruebe el producto

AutoAI en acción en IBM Watson Studio

Configuración de AutoAI Arrastre el .csv y seleccione la columna que desea predecir.

Tabla de clasificación de canalizaciones Clasifica la precisión del modelo y muestra la información de canalizaciones.

Evaluación del modelo Revisa la exactitud, la precisión y la recuperación para evaluar los modelos.

Despliegue de modelos Promueve modelos para espacios de despliegue.

Historias de clientes Regions Bank desarrolla IA confiable

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.

 

Lea la publicación en el blog
Highmark Health reduce el tiempo de desarrollo del modelos en un 90 %

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.

 

Leer la historia
Wunderman Thompson reinventa la IA

Descubre cómo esta agencia de comunicaciones de marketing utiliza AutoAI para impulsar predicciones de gran volumen e identificar nuevos clientes.

 

Leer la historia
Desarrollo enfocado por IBM Research

Un equipo de investigación de IBM se compromete a aplicar técnicas de vanguardia de IA, ML 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.

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 (enlace externo a IBM), 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 (PDF), 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.

 

Documentación y soporte Documentación

Encuentre respuestas rápidamente en la documentación de IBM Watson Studio.

 

Vista
Soporte

Primeros pasos con el soporte técnico de IBM.

 

Visite
Comunidad

Obtenga consejos técnicos de otros usuarios de IBM Watson Studio.

 

Únase
Dé el siguiente paso

¿Está listo para acelerar la IA y modelar la gestión del ciclo de vida? Pruebe AutoAI en watsonx.ai.

 

Registrarse