IBM liderem

Firma Gartner opublikowała raport Magic Quadrant 2021 dotyczący platform analityki danych i uczenia maszynowego.

Od AutoML do AutoAI

Przyspieszanie sztucznej inteligencji i zarządzanie cyklem życia modelu

Czym jest AutoML? Zautomatyzowane uczenie maszynowe (AutoML) jest procesem automatyzacji zadań manualnych, które analitycy danych muszą wykonać podczas budowania i szkolenia modeli uczenia maszynowego (modeli ML). Zadania te obejmują projektowanie i selekcję predyktorów, wybór rodzaju algorytmu uczenia maszynowego, budowę modelu analitycznego opartego na algorytmie, optymalizację hiperparametrów, szkolenie modelu na testowych zestawach danych oraz uruchomienie modelu w celu wygenerowania wyników i wniosków. Naukowcy opracowali AutoML, aby pomóc analitykom danych budować modele predykcyjne bez konieczności posiadania specjalistycznej wiedzy na temat modeli uczenia maszynowego. AutoML odciąża również analityków danych od rutynowych żmudnych zadań związanych z budową potoku uczenia maszynowego, pozwalając im skupić się na pozyskiwaniu spostrzeżeń potrzebnych do rozwiązania ważnych problemów biznesowych.

Czym jest AutoAI? AutoAI jest wariantem AutoML. Rozszerza on automatyzację budowy modelu na cały cykl życia sztucznej inteligencji. Podobnie jak AutoML, AutoAI stosuje inteligentną automatyzację do kolejnych kroków budowania predykcyjnych modeli uczenia maszynowego. Kroki te obejmują przygotowanie zbiorów danych, które będą szkolone, określenie najlepszego typu modelu dla tych danych, np. klasyfikacja lub model z regresją, oraz wybór kolumn danych najlepiej pasujących do problemu, który model ten ma rozwiązać, co jest określane mianem wyboru predyktorów. Następnie narzędzie automatycznie testuje różne opcje dostrajania hiperparametrów, aby osiągnąć najlepszy rezultat, jednocześnie generując, a następnie szeregując potoki modeli-kandydatów w oparciu o wskaźniki takie jak dokładność i precyzja. Najefektywniejsze potoki mogą zostać wdrożone do produkcji do przetwarzania nowych danych i przewidywania w oparciu o przeszkolony model.

Szybkie porównanie możliwości

AutoAI vs. AutoML

Integruje się z AutoAI AutoML
Przygotowanie danych
Projektowanie funkcji
Optymalizacja hiperparametrów
Zautomatyzowane wdrożenie modelu
Wdrożenie jednym kliknięciem
Testowanie i ocena modelu
Generowanie kodu
Obsługuje:
Usuwanie odchyleń i łagodzenie dryftu
Zarządzanie ryzykiem modelu
Zarządzanie cyklem życia AI
Uczenie z przeniesieniem
Wszystkie modele AI
Zaawansowane opracowywanie danych

Dlaczego narzędzie AutoAI jest ważne?

Inteligentna automatyzacja zwiększa możliwości wszystkich

Jak można wykorzystać AutoAI?

Buduj zgodnie ze strategią ModelOps

Troje pracowników w trakcie narady, przy czym jedna z osób robi notatki

Buduj zgodnie ze strategią ModelOps

Usprawniaj współpracę między analitykami danych a osobami tworzącymi oprogramowanie w celu optymalizacji procesu integracji modeli sztucznej inteligencji z aplikacjami.

Promuj odpowiedzialną i wytłumaczalną sztuczną inteligencję

pracownik w biurze spoglądający na lewo od monitora

Promuj odpowiedzialną i wytłumaczalną sztuczną inteligencję

Dowiedz się, jak ważne jest budowanie zaufania do sztucznej inteligencji, która ma być wdrożona do produkcji, a jednocześnie szybciej uzyskuj wyniki oraz zarządzaj ryzykiem i zgodnością z przepisami.

Automatyzuj prognozowanie serii czasowych

dwóch pracowników trzymających papiery i naradzających się przy laptopie

Automatyzuj prognozowanie serii czasowych

Dowiedz się, w jaki sposób modele mogą przewidywać przyszłe wartości serii czasowych poprzez zastosowanie modeli o najlepszych wynikach ze wszystkich możliwych klas modeli, a nie tylko z jednej klasy.

Funkcje AutoAI

Automatyzuj kluczowe kroki w cyklu życia modelu

Wstępne przetwarzanie danych

Stosuj różne algorytmy lub estymatory do analizowania, czyszczenia i przygotowywania surowych danych na potrzeby uczenia maszynowego. Automatycznie wykrywaj i klasyfikuj predyktory na podstawie typu danych, np. dane kategorialne lub liczbowe. Stosuj optymalizację hiperparametrów, aby określać najlepsze strategie podstawiania brakujących wartości oraz kodowania i skalowania predyktorów.

Zautomatyzowany wybór modelu

Wybieraj modele w drodze testowania algorytmów-kandydatów i rangowania ich względem małych podzbiorów danych. Stopniowo zwiększaj rozmiar podzbioru dla najbardziej obiecujących algorytmów. Umożliwiaj rangowanie dużej liczby algorytmów-kandydatów, aby wybrać model najlepiej dopasowany do danych.

Projektowanie funkcji

Przekształcaj surowe dane w kombinację predyktorów, która najlepiej reprezentuje problem, aby osiągnąć jak najdokładniejszą predykcję. Badaj różne wybory konstrukcji predyktorów w ustrukturyzowany, niewyczerpujący sposób, jednocześnie stopniowo zwiększając dokładność modelu przy użyciu uczenia przez wzmacnianie.

Optymalizacja hiperparametrów

Udoskonalaj i optymalizuj modelowe potoki, szkoląc i oceniając modele w sposób typowy dla uczenia maszynowego. Wybieraj najlepsze modele pod względem wydajności do wdrożenia do produkcji.

Integracja monitorowania modelu

Zintegruj monitorowanie dryftu modelu, poprawności i jakości korzystając ze szczegółowych danych wejściowych i wyjściowych modelu, danych szkoleniowych i rejestrowania danych właściwych. Wdrażaj pasywne lub aktywne usuwanie odchyleń, analizując jednocześnie odchylenia bezpośrednie i pośrednie.

Sprawdzanie poprawności modelu

Rozszerzaj wgląd w modele i dane oraz sprawdzaj, czy modele spełniają oczekiwane parametry wydajności. Nieustannie ulepszaj swoje modele poprzez mierzenie ich jakości i porównywanie ich wydajności.

Poznaj moc narzędzia AutoAI

AutoAI w IBM Watson Studio w praktyce

Konfiguracja AutoAI

Zrzut ekranu z IBM Watson Studio pokazujący, gdzie dodaje się źródło danych i wybiera szczegóły dotyczące konfiguracji dla przećwiczenia działania AutoAI

Konfiguracja AutoAI

Przeciągnij plik .csv i wybierz kolumnę do predykcji.

Ranking potoków

Zrzut ekranu z IBM Watson Studio pokazujący mapę relacji i ranking potoków

Ranking potoków

Ocena dokładności modelu i wyświetlanie informacji o potoku.

Ocena modeli

Zrzut ekranu z IBM Watson Studio przedstawiający ocenę modeli z potoku, w tym listę miar według których oceniane są modele

Ocena modeli

Sprawdź dokładność, precyzję i kompletność, aby móc ocenić modele.

Wdrażanie modeli

Zrzut ekranu z IBM Watson Studio pokazujący, w które miejsce należy przenieść model przeznaczony do wdrożenia

Wdrażanie modeli

Przenieś modele do miejsca wdrożenia.

Sukcesy klientów

Regions Bank korzysta z godnej zaufania sztucznej inteligencji

Zobacz, jakie korzyści odniósł ten bank, dzięki wykorzystaniu platformy IBM Cloud Pak for Data do analizy danych, oceny dryftu danych i pomiaru wydajności modelu.

Highmark Health skraca czas budowy modelu o 90%

Dowiedz się, w jaki sposób ta sieć opieki zdrowotnej zbudowała model predykcyjny, który wykorzystuje dane ze zgłoszeń ubezpieczeniowych do identyfikacji pacjentów, u których może wystąpić sepsa.

Wunderman Thompson na nowo definiuje sztuczną inteligencję

Dowiedz się, w jaki sposób agencja komunikacji marketingowej wykorzystuje AutoAI do wykonywania obszernych prognoz i identyfikowania nowych klientów.

Dlaczego warto wybrać AutoAI od IBM

Rozwój ukierunkowany przez IBM Research

Zespół IBM Research stosuje najnowocześniejsze techniki w dziedzinie sztucznej inteligencji, uczenia maszynowego i zarządzania danymi do przyspieszania i optymalizacji tworzenia procesów uczenia maszynowego i analityki wielkich zbiorów danych. Pierwsze inicjatywy zespołu związane z AutoML koncentrowały się na wykorzystaniu optymalizacji bayesowskiej/hiper pasma do przeszukiwania hiperparametrów oraz hiper pasma/ENAS/DARTS do wyszukiwania sieci neuronowych.

Wysiłki zespołu w dalszym ciągu koncentrują się na rozwoju AutoAI, w tym na automatyzacji konfiguracji potoku i optymalizacji hiperparametrów. Znaczącym usprawnieniem jest algorytm optymalizacji hiperparametrów, który jest zoptymalizowany pod kątem ewaluacji funkcji celu, takich jak szkolenie modelu i jego ocena. Pomaga on przyspieszyć uspójnienie do najlepszego rozwiązania.

IBM Research stosuje również zautomatyzowaną sztuczną inteligencję do zapewnienia wiarygodności i wytłumaczalności modeli sztucznej inteligencji. Dzięki narzędziu AutoAI dostępnemu w IBM Watson Studio użytkownicy widzą wizualizacje każdego etapu procesu, począwszy od przygotowania danych, przez wybór algorytmu, aż po tworzenie modelu. Dodatkowo AutoAI od IBM automatyzuje zadania związane z ciągłym doskonaleniem modelu i ułatwia integrację interfejsów API modeli sztucznej inteligencji z aplikacjami dzięki możliwościom ModelOps. Rozwój AutoAI w ramach produktu IBM Watson Studio przyczynił się do uznania IBM za lidera rynku w raporcie Gartner Magic Quadrant 2021 dotyczącym platform analityki danych i uczenia maszynowego.

Zanurz się głębiej

AutoML i głębokie uczenie

Głębokie uczenie jest poddziedziną uczenia maszynowego, która zasila oparte na sztucznej inteligencji aplikacje i usługi przeznaczone do wykonywania zadań analitycznych i fizycznych bez ingerencji człowieka. Przykładowe zastosowania głębokiego uczenia to między innymi czatboty, technologie rozpoznawania obrazów medycznych i wykrywanie oszustw. Jednak, podobnie jak w przypadku uczenia maszynowego, projektowanie i uruchamianie algorytmu głębokiego uczenia wymaga ogromnego wysiłku ludzkiego, jak również mocy obliczeniowej.

Zespół IBM Research zbadał jeden z najbardziej złożonych i czasochłonnych procesów w głębokim uczeniu, tj. tworzenie architektury neuronowej za pomocą techniki zwanej wyszukiwaniem architektury neuronowej (NAS). Zespół dokonał przeglądu opracowanych metod NAS i przedstawił zalety każdej z nich, aby pomóc praktykom w wyborze odpowiedniej metody. Automatyzacja podejścia do znalezienia najbardziej wydajnej architektury dla modelu uczenia maszynowego może prowadzić do większej demokratyzacji sztucznej inteligencji, ale problem ten jest złożony i trudny do rozwiązania.

Dzięki usłudze głębokiego uczenia, dostępnej w ramach IBM Watson Studio, można jednak szybko rozpocząć pracę z głębokim uczeniem. Usługa ta pomaga projektować złożone sieci neuronowe, a następnie eksperymentować na dużą skalę w celu wdrożenia zoptymalizowanego modelu uczenia maszynowego. Została ona zaprojektowana z myślą o uproszczeniu procesu szkolenia modeli, ale udostępnia również klaster obliczeniowy GPU na żądanie, aby sprostać wymaganiom dotyczącym mocy obliczeniowej. Pozwala również na zintegrowanie popularnych, opartych na rozwiązaniach open source struktur uczenia maszynowego, takich jak TensorFlow, Caffe, Torch i Chainer, w celu szkolenia modeli na wielu procesorach GPU i przyspieszenia uzyskiwania wyników. IBM Watson Studio umożliwia łączenie narzędzi AutoML, IBM AutoAI i usługi głębokiego uczenia, aby przyspieszyć eksperymentowanie, analizować dane ustrukturyzowane i nieustrukturyzowane oraz szybciej wdrażać lepsze modele.

Pakiety open source

Popyt na rozwiązania takie jak AutoML doprowadził do rozwoju oprogramowania open source, które może być używane zarówno przez ekspertów w dziedzinie analizy wielkich zbiorów danych, jak i osoby niebędące ekspertami. Do czołowych narzędzi open source należą auto-sklearn, auto-keras i auto-weka. IBM Research współtworzy Lale (odsyłacz kieruje poza serwis IBM), tj. bibliotekę języka Python, która rozszerza możliwości scikit-learn, aby obsługiwać szerokie spektrum automatyzacji, w tym wybór algorytmów, dostrajanie hiperparametrów i przeszukiwanie topologii. Jak opisano w opracowaniu przygotowanym przez IBM Research (PDF, 1,1 MB), Lale działa poprzez automatyczne generowanie przestrzeni wyszukiwania dla ustalonych narzędzi AutoML. Eksperymenty pokazują, że te przestrzenie wyszukiwania osiągają wyniki konkurencyjne w stosunku do najnowocześniejszych narzędzi, oferując jednocześnie większą uniwersalność.

Dokumentacja i wsparcie

Dokumentacja

Szybko znajdź odpowiedzi w dokumentacji produktu IBM Watson Studio.

Wsparcie

Pierwsze kroki z pomocą działu wsparcia technicznego IBM.

Społeczność

Uzyskaj wskazówki techniczne od innych użytkowników IBM Watson Studio.

Pierwsze kroki z narzędziem AutoAI

Wypróbuj AutoAI na platformie IBM Watson Studio w chmurze IBM Cloud Pak for Data.