تصنيف IBM كشركة رائدة

قامت Gartner بإصدار تقريرها Magic Quadrant حول منصات علم البيانات والتعلم الآلي لعام 2021.

من تعلم الآلة الآلي AutoML إلى الذكاء الاصطناعي الآلي AutoAI

تسريع الذكاء الاصطناعي وإدارة دورة حياة النموذج

ما هو AutoML؟
تعلم الآلة الآلي (AutoML) هو عملية التشغيل الآلي للمهام اليدوية التي يجب على علماء البيانات إكمالها أثناء قيامهم ببناء وتدريب نماذج التعلم الآلي (نماذج ML). تتضمن هذه المهام هندسة واختيار الخصائص، وتحديد نوع خوارزمية التعلم الآلي؛ وبناء نموذج تحليلي بناءا على الخوارزمية؛ وتحسين المعاملات الفائقة، وتدريب النموذج على مجموعات البيانات التي تم اختبارها، وتشغيل النموذج لاستخلاص الدرجات والنتائج. وقد قام الباحثون بتطوير AutoML لمساعدة علماء البيانات على بناء نماذج تنبؤية دون امتلاك خبرة عميقة في نموذج ML. يقوم AutoML أيضا بتحرير علماء البيانات من المهام الروتينية الخاصة ببناء مسارات اتصال للتعلم الآلي، مما يسمح لهم بالتركيز على استخلاص الرؤى اللازمة لحل مشاكل الأعمال الهامة.

ما هو AutoAI؟
الذكاء الاصطناعي الآلي AutoAI هو أحد أشكال تعلم الآلة الآلي AutoML. فهو يقوم بتوسيع نطاق التشغيل الآلي لبناء النموذج ليشمل دورة حياة الذكاء الاصطناعي بأكملها. مثل AutoML، يقوم AutoAI بتطبيق التشغيل الآلي الذكي على خطوات بناء نماذج التعلم الآلي التنبؤية. تتضمن هذه الخطوات إعداد مجموعات البيانات للتدريب؛ وتحديد أفضل نوع من النماذج للبيانات المحددة، مثل التصنيف أو نموذج الانحدار؛ واختيار أعمدة البيانات التي تدعم المشكلة التي يقوم النموذج بحلها بشكل أفضل، والمعروفة باسم اختيار الخاصية. يقوم التشغيل الآلي بعد ذلك باختبار مجموعة متنوعة من اختيارات مواءمة المعاملات الفائقة للوصول إلى أفضل نتيجة أثناء إنشاء مسارات الاتصال المرشحة للنموذج، ثم تصنيفها بناء على مقاييس مثل الإحكام والدقة. يمكن وضع مسارات الاتصال الأفضل أداء في الإنتاج لمعالجة البيانات الجديدة وتقديم التنبؤات بناءا على تدريب النموذج.

مقارنة سريعة للإمكانيات

AutoAI مقابل AutoML

يتكامل مع AutoAI AutoML
اعداد البيانات
هندسة الخصائص
تحسين المعاملات الفائقة
نشر النموذج الآلي
النشر بالضغط مرة واحدة
اختبار النموذج وتسجيله
تكوين الكود
يتم دعم:
الحد من التحيز وتقليل الانحراف
ادارة مخاطر النماذج
ادارة دورة حياة الذكاء الاصطناعي
نقل التعلم
أي نماذج ذكاء اصطناعي
التنقيح المتقدم للبيانات

لماذا يعد AutoAI مهما؟

يعمل التشغيل الآلي الذكي على تمكين الجميع

كيف يمكنك استخدام AutoAI؟

بناء ModelOps

ثلاثة موظفين يتشاورون مع قيام أحدهم بتدوين الملاحظات

بناء ModelOps

تسهيل التعاون بين علماء البيانات وDevOps لتحسين تكامل نماذج الذكاء الاصطناعي في التطبيقات.

تعزيز الذكاء الاصطناعي المسؤول والقابل للتفسير

موظف ينظر إلى يسار شاشة سطح المكتب في مكتب

تعزيز الذكاء الاصطناعي المسؤول والقابل للتفسير

استكشف أهمية بناء الثقة في الذكاء الاصطناعي للإنتاج مع الحصول على النتائج بشكل أسرع وإدارة المخاطر والامتثال.

التشغيل الآلي للتنبؤ بالسلاسل الزمنية

موظفان يتشاوران مع أوراق وحاسب محمول

التشغيل الآلي للتنبؤ بالسلاسل الزمنية

تعرف على كيفية توقع النماذج للقيم المستقبلية لسلسلة زمنية من خلال دمج أفضل النماذج أداءا من جميع فئات النماذج الممكنة، وليس فئة واحدة فقط.

خصائص AutoAI

التشغيل الآلي للخطوات الرئيسية في دورة حياة النموذج

المعالجة المسبقة للبيانات

تطبيق خوارزميات أو أدوات تقدير مختلفة لتحليل وإعادة تنظيم وإعداد البيانات الأولية للتعلم الآلي. واكتشاف الخصائص وتصنيفها آليا بناءا على نوع البيانات، مثل فئوية أو عددية. استخدام تحسين المعامل الفائق لتحديد أفضل الإستراتيجيات لإيضاح القيمة المفقودة وتكويد الخاصية وقياس الخاصية.

اختيار النموذج الآلي

تحديد النماذج من خلال اختبار الخوارزمية المرشحة وتصنيفها مقابل مجموعات فرعية صغيرة من البيانات. وزيادة حجم المجموعة الفرعية تدريجيا للخوارزميات الواعدة. تمكين ترتيب عدد كبير من الخوارزميات المرشحة لاختيار النموذج بأفضل تطابق للبيانات.

هندسة الخصائص

تحويل البيانات الأولية إلى مجموعة من الخصائص التي تمثل المشكلة على أفضل وجه لتحقيق التنبؤ الأكثر دقة. واستكشاف اختيارات بناء الخصائص المتنوعة بطريقة منظمة، غير شاملة، مع تعظيم دقة النموذج تدريجيا باستخدام تعزيز التعلم.

تحسين المعاملات الفائقة

تنقيح وتحسين مسارات اتصال النموذج باستخدام التدريب وتسجيل النقاط النموذجي في التعلم الآلي. واختيار أفضل نموذج لوضعه قيد الإنتاج بناءا على الأداء.

دمج مراقبة النموذج

دمج المراقبة في انحراف النموذج وعدم الانحياز والجودة من خلال تسجيل تفاصيل مدخلات ومخرجات النموذج وبيانات التدريب والبيانات الفعلية. وتنفيذ الحد من التحيز السلبي أو الفعال، أثناء تحليل التحيز المباشر وغير المباشر.

دعم التحقق من صلاحية النموذج

توسيع نطاق رؤى النموذج والبيانات والتحقق مما إذا كانت النماذج الخاصة بك تحقق الأداء المتوقع. وتحسين النماذج الخاصة بك باستمرار عن طريق قياس جودة النموذج ومقارنة أداء النموذج.

اكتساب قوة AutoAI

AutoAI قيد التشغيل في IBM Watson Studio

توصيف AutoAI

لقطة شاشة من IBM Watson Studio تعرض مكان إضافة مصدر البيانات وتحديد تفاصيل التوصيف لتجربة AutoAI

توصيف AutoAI

قم بسحب ملف ‎.csv وحدد العمود للتنبؤ.

ولوحة متصدري مسارات الاتصال

لقطة شاشة من IBM Watson Studio تعرض خريطة العلاقة ولوحة متصدري مسارات الاتصال

ولوحة متصدري مسارات الاتصال

تقييم دقة النموذج وإظهار معلومات مسار الاتصال.

تقييم النموذج

لقطة شاشة من IBM Watson Studio تعرض تقييم النموذج لمسار الاتصال، بما في ذلك قائمة بمقاييس تقييم النموذج

تقييم النموذج

مراجعة الدقة والإحكام وإعادة الاستدعاء لتقييم النماذج.

نشر النموذج

لقطة شاشة من IBM Watson Studio تظهر مكان ترقية اختبار إلى مساحة النشر

نشر النموذج

ترقية النماذج إلى مساحات النشر.

قصص العملاء

Regions Bank يقوم بتطوير الذكاء الاصطناعي الجدير بالثقة

اطلع على الفوائد التي اكتسبها هذا البنك باستخدام IBM Cloud Pak for Data لتحليل البيانات وتقييم انحراف البيانات وقياس أداء النموذج.

Highmark Health تقلل وقت بناء النموذج بنسبة 90%

تعرف على كيف قامت شبكة الرعاية الصحية هذه ببناء نموذج تنبؤي يستخدم بيانات مطالبات التأمين لتحديد المرضى المحتمل إصابتهم بتعفن الدم.

Wunderman Thompson تعيد تصور الذكاء الاصطناعي

تعرف على كيفية استخدام وكالة الاتصالات التسويقية هذه لتقنية AutoAI لدفع التنبؤات كبيرة الحجم وتحديد عملاء جدد.

لماذا AutoAI من IBM

التركيز على التطوير بواسطة IBM Research

يلتزم فريق IBM Research بتطبيق أحدث مستوى من تقنيات الذكاء الاصطناعي والتعلم الآلي وإدارة البيانات لتسريع وتحسين مسارات عمل تكوين التعلم الآلي وعلم البيانات. وقد ركزت الجهود الأولى للفريق حول AutoML على استخدام إمكانيات تحسين hyperband/Bayesian للبحث في المعاملات الفائقة وhyperband/ENAS/DARTS للبحث في البنية العصبية.

لقد استمروا في التركيز على تطوير AutoAI، بما في ذلك التشغيل الآلي لتوصيف مسارات الاتصال وتحسين المعاملات الفائقة. ويعد من التحسينات المهمة خوارزمية تحسين المعاملات الفائقة، والتي تم تحسينها لتقييم دالة التكلفة مثل تدريب النموذج والتسجيل. يساعد هذا على تسريع التقارب للوصول إلى أفضل حل.

تقوم IBM Research أيضا بتطبيق الذكاء الاصطناعي الآلي للمساعدة في ضمان الثقة وإمكانية التفسير في نماذج الذكاء الاصطناعي. وباستخدام AutoAI في IBM Watson Studio، يرى المستخدمون تصورات لكل مرحلة من مراحل العملية، من إعداد البيانات، إلى اختيار الخوارزمية، إلى تكوين النموذج. بالإضافة إلى ذلك، يقوم IBM AutoAI بالتشغيل الآلي للمهام من أجل التحسين المستمر للنموذج وتسهيل دمج واجهات برمجة تطبيقات نموذج الذكاء الاصطناعي في التطبيقات من خلال إمكانات ModelOps الخاصة به. وقد ساهم تطور AutoAI داخل منتج IBM Watson Studio في تصنيف شركة IBM كشركة رائدة في تقرير Gartner Magic Quadrant لعام 2021 حول منصات علم البيانات والتعلم الآلي.

الذهاب الى ما هو أعمق

AutoML والتعلم العميق

التعلم العميق هو مجال فرعي من التعلم الآلي وهو معروف بتشغيل تطبيقات وخدمات الذكاء الاصطناعي التي تؤدي المهام التحليلية والمادية دون تدخل بشري. تشمل أمثلة حالات الاستخدام للتعلم العميق روبوتات المحادثة وتقنيات التعرف على الصور الطبية واكتشاف الاحتيال. ومع ذلك، كما هو الحال مع التعلم الآلي، فإن تصميم وتشغيل خوارزمية التعلم العميق يتطلب قدرا هائلا من الجهد البشري بالإضافة إلى قوة الحوسبة.

وقد استكشف فريق IBM Research واحدة من أكثر العمليات تعقيدا وتستغرق وقتا طويلا في التعلم العميق: تكوين البنية العصبية من خلال تقنية تسمى بحث البنية العصبية (NAS). حيث قام الفريق باستعراض نماذج NAS التي تم تطويرها وتقديم فوائد كل منها بهدف مساعدة الممارسين على اختيار الطريقة المناسبة. ويمكن أن يؤدي التشغيل الآلي للنهج لإيجاد البنية الأفضل أداءا لنموذج التعلم الآلي إلى إضفاء المزيد من الديمقراطية على الذكاء الاصطناعي، ولكن المشكلة معقدة ويصعب حلها.

مع خدمة التعلم العميق داخل IBM Watson Studio، لا يزال بإمكانك البدء في التعلم العميق بسرعة. حيث تساعدك الخدمة على تصميم شبكات عصبية معقدة ثم إجراء التجارب على نطاق واسع لنشر نموذج تعلم آلي محسن. وهي مصممة لتبسيط عملية نماذج التدريب، وتوفير أيضا نظام مجموعة حوسبة وحدة معالجة البيانيات عند الطلب لتلبية متطلبات قوة الحوسبة. يمكنك أيضا دمج إطارات عمل التعلم الآلي مفتوحة المصدر الشائعة مثل TensorFlow وCaffe وTorch وChainer لتدريب النماذج على وحدات معالجة بيانيات متعددة وتسريع النتائج. في IBM Watson Studio، يمكنك الجمع بين AutoML وIBM AutoAI وخدمة التعلم العميق لتسريع التجربة وتحليل البيانات المهيكلة وغير المهيكلة ونشر نماذج أفضل بشكل أسرع.

حزم برامج مفتوحة المصدر

أدى الطلب على AutoML إلى تطوير البرامج مفتوحة المصدر التي يمكن استخدامها من قبل خبراء علم البيانات وغير الخبراء. تشمل أدوات المصدر المفتوح الرائدة auto-sklearn، وauto-keras، وauto-weka. وتساهم IBM Research في Lale (الرابط يوجد خارج IBM)، وهي مكتبة Python التي تقوم بتوسيع نطاق إمكانيات scikit-Learn لدعم نطاق واسع من عمليات التشغيل الآلي، بما في ذلك اختيار الخوارزمية، وموائمة المعاملات الفائقة وبحث التركيب البنائي. كما هو موضح في ورقة من IBM Research (PDF‏، 1.1 ميجابايت)، تعمل Lale عن طريق تكوين مساحات بحث آليا لإنشاء أدوات AutoML. وتظهر التجارب أن مساحات البحث هذه تحقق نتائج تنافسية باستخدام أحدث مستوى من الأدوات مع توفير المزيد من التنوع.

التوثيق والدعم

المطبوعات الفنية

ايجاد الإجابات بسرعة في مطبوعات IBM Watson Studio الفنية.

الدعم

البدء مع الدعم الفني من شركة IBM.

المجتمع

الحصول على نصائح فنية من مستخدمي IBM Watson Studio الآخرين.

البدء باستخدام الذكاء الاصطناعي الآلي

تجربة AutoAI باستخدام IBM Watson Studio على IBM Cloud Pak for Data.