IBM bir Lider olarak gösterildi
Gartner, Veri Bilimi ve Makine Öğrenmesi Platformlarına ilişkin 2021 Magic Quadrant raporunu yayınladı.
AutoML'den AutoAI'ye
Yapay zeka ve model yaşam döngüsü yönetiminin hızlandırılması
AutoML nedir? Otomatik makine öğrenmesi (AutoML), veri bilimcilerinin, makine öğrenmesi modellerini (ML modelleri) inşa ederken ve eğitirken tamamlaması gereken manuel görevlerin otomatikleştirilmesi sürecidir. Bu görevler arasında özellik mühendisliği ve seçimi, makine öğrenmesi algoritmasının türünü seçme; algoritmaya dayalı bir analitik model oluşturma, hiper parametre optimizasyonu, modelin test edilen veri kümelerinde eğitilmesi ve modelin puanlar ve bulgular üretmek için çalıştırılması yer alır. Araştırmacılar, AutoML'yi veri bilimcilerin derin makine öğrenmesi modeli uzmanlığına sahip olmadan tahmine dayalı modeller oluşturmalarına yardımcı olmak için geliştirmiştir. AutoML ayrıca, veri mühendislerini, bir makine öğrenmesi veri hattı oluşturmaya ilişkin görevlerden kurtararak, önemli iş sorunlarını çözmek için gerekli içgörülere odaklanmalarına olanak tanır.
AutoAI nedir? AutoAI, AutoML'nin bir çeşitlemesidir. Model oluşturma otomasyonunu tüm yapay zeka yaşam döngüsünü kapsayacak şekilde genişletir. Tıpkı AutoML gibi, AutoAI, tahmine dayalı makine öğrenmesi modelleri oluşturma adımlarına akıllı otomasyon uygular. Bu adımlar arasında; eğitim için veri kümelerinin hazırlanması, bir sınıflandırma ya da regresyon modeli gibi, sağlanan veriler için en iyi model türünün belirlenmesi ve özellik seçimi olarak bilinen, modelin çözmekte olduğu sorunu en iyi destekleyen veri kolonlarının seçilmesi yer alır. Otomasyon, daha sonra en iyi sonuca ulaşmak için çeşitli hiper parametre ayarlama seçeneklerini üretirken test eder, ardından doğruluk ve duyarlık gibi ölçümlere dayalı olarak model-aday veri hatlarını sıralar. En iyi performans gösteren veri hatları, yeni verileri işlemek ve model eğitimine dayalı tahminler sunmak için üretime dahil edilebilir.
Hızlı yetenek karşılaştırması
AutoAI ile AutoML karşılaştırması
| Bütünleştiği sistem | AutoAI | AutoML |
|---|---|---|
| Veri hazırlama | ||
| Özellik mühendisliği | ||
| Hiper parametre optimizasyonu | ||
| Otomatikleştirilmiş model devreye alımı | ||
| Tek tıkla devreye alma | ||
| Model testi ve puanlama | ||
| Kod oluşturma | ||
| Destek: | ||
| Yanlılık giderme ve sapma azaltma | ||
| Model risk yönetimi | ||
| AI yaşam döngüsü yönetimi | ||
| Aktarmalı öğrenme | ||
| Tüm yapay zeka modelleri | ||
| Gelişmiş veri rafinerisi |
AutoAI neden önemli?
Akıllı otomasyon herkesi güçlendirir
Yapay zeka yaşam döngüsü yönetimini hızlandırın
Derin veri bilimi uzmanlığı olmadan otomatik olarak makine öğrenmesi ve yapay zeka modelleri oluşturun. En iyi aday model veri hatlarını oluşturmak üzere veri bilimcileri, geliştiriciler, ML mühendisleri ve analistleri güçlendirin. Beceri seti açıklarını kapatın ve makine öğrenmesi projelerinize ilişkin üretkenliği artırın.
Makine öğrenmesinin uygulanmasını hızlandırın
Özel yapay zeka ve makine öğrenmesi modellerini dakikalar içinde ya da saniyeler içinde oluşturun. Modelleri ölçeklendirerek daha hızlı bir şekilde deneyin, eğitin ve devreye alın. Olağan, zaman alıcı görevleri azaltırken, makine öğrenmesi ve yapay zeka modeli yaşam döngülerinin yinelenebilirliğini ve yönetişimini artırın.
Güvenilir yapay zeka uygulayın
Yapay zeka yaşam döngüsünün bir parçası olarak açıklanabilirlik, eşitlik, sağlamlık, şeffaflık ve gizlilik gereklerini yerine getirin. Yapay zeka ve makine öğrenmesinde model sapmasını, yanlılığı ve riski azaltın. Yapay zeka ve makine öğrenmesi performansının iş hedeflerini karşıladığını doğrulamak için modellerin geçerliliğini denetleyin ve modelleri izleyin. Kurumsal sosyal sorumluluğun (CSR) ve çevresel sosyal yönetişimin (ESG) yerine getirilmesine yardımcı olun.
ModelOps verimliliğini arttırın
Birleştirici araçlar, süreçler ve kişiler aracılığıyla yapay zeka ve makine öğrenmesi modeli operasyonlarının (ModelOps) maliyetlerini azaltın. Eski ya da nokta araçları ve altyapıları yönetmek için harcamaları azaltın. Otomatikleştirilmiş yapay zeka ve ML yaşam döngüleri sayesinde üretime hazır modeller sunmak için zaman ve kaynak tasarrufu sağlayın.
AutoAI'yi nasıl kullanabilirsiniz?
ModelOps oluşturun
ModelOps oluşturun
Yapay zeka modellerinin uygulamalara bütünleştirilmesini optimize etmek için veri bilimciler ve DevOps arasındaki işbirliğini kolaylaştırın.
Sorumlu, açıklanabilir yapay zekayı teşvik edin
Sorumlu, açıklanabilir yapay zekayı teşvik edin
Sonuçları daha hızlı bir şekilde elde ederken ve riski ve uyumluluğu yönetirken, üretim yapay zekasına dair güven oluşturmanın önemini keşfedin.
Zaman dizisi tahminini otomatikleştirin
Zaman dizisi tahminini otomatikleştirin
Sadece tek bir sınıftan değil, tüm mümkün model sınıflarından en iyi performans gösteren modelleri dahil ederek, modellerin gelecekteki zaman dizisi değerlerini nasıl tahmin ettiğini öğrenin.
AutoAI özellikleri
Model yaşam döngüsünde temel adımları otomatikleştirin
Veri ön işleme
İşlenmemiş verileri makine öğrenmesi için analiz etmek, temizlemek ve hazırlamak için çeşitli algoritmaları ya da tahminleri uygulayın. Kategorik ya da sayısal gibi, veri tipine dayalı özellikleri otomatik olarak saptayın ve kategorilere ayırın. Eksik değer atama, özellik kodlama ve özellik ölçekleme için en iyi stratejileri belirlemek üzere hiper parametre optimizasyonunu kullanın.
Otomatik model seçimi
Modelleri, aday algoritma testi ve verilerin küçük alt kümelerine göre sıralama yoluyla seçin. En çok gelecek vaat eden algoritmalar için alt kümenin boyutunu kademeli olarak artırın. Veriyle en iyi eşleşecek model seçimi için çok sayıda aday algoritmanın derecelendirilmesine olanak tanıyın.
Özellik mühendisliği
En doğru öngörüyü elde etmek için, ham verileri sorunu en iyi şekilde temsil eden özelliklerin birleşimine dönüştürün. Çeşitli özellik yapısı seçimlerini yapısal, yorucu olmayan bir şekilde keşfederken, pekiştirmeli öğrenmeyi kullanarak model doğruluğunu aşamalı olarak en yüksek düzeye çıkarın.
Hiper parametre optimizasyonu
Makine öğrenmesinde tipik olan model eğitimi ve puanlamayı kullanarak model veri hatlarını iyileştirin ve optimize edin. Performansa dayanarak, üretime alınacak en iyi modeli seçin.
Model izleme bütünleştirmesi
Model giriş ve çıkış ayrıntıları, eğitim verileri ve bilgi yükü log kaydı yoluyla model sapması, eşitlik ve kalite ile ilgili izlemeyi bütünleştirin. Doğrudan ve dolaylı yanlılığı analiz ederken, pasif ya da aktif yanlılık giderme uygulayın.
Model geçerlilik denetimi desteği
Model ve veri öngörüleriyle kapsamı genişletin ve modellerinizin beklenen performansa uygun olup olmadığını doğrulayın. Model kalitesini ölçerek ve model performansını karşılaştırarak modellerinizi sürekli olarak iyileştirin.
AutoAI gücünü elde edin
IBM Watson® Studio on IBM Cloud Pak® for Data
Uçtan uca veri ve yapay zeka platformu IBM Cloud Pak for Data'nın bir parçası olan IBM Watson Studio, verileri otomatik olarak hazırlayan AutoAI araç takımını barındırır, makine öğrenmesi algoritmaları uygular ve veri kümeleriniz ve tahmine dayalı modelleme kullanım senaryolarınız için en uygun model veri hatlarını oluşturur.
Daha fazla bilgi edinin →
Ürünü deneyin →
AutoAI demosu (07:49)
AutoAI, IBM Watson Studio'da çalışırken
AutoAI yapılandırması
AutoAI yapılandırması
.csv dosyasını sürükleyin ve tahmin edilecek kolonu seçin.
Veri hattı liderlik panosu
Veri hattı liderlik panosu
Model doğruluğunu derecelendirin ve veri hattı bilgilerini gösterin.
Model değerlendirme
Model değerlendirme
Modelleri değerlendirmek için doğruluğu, kesinliği ve duyarlılığı inceleyin.
Model devreye alma
Model devreye alma
Modelleri, devreye alma alanlarına yükseltin.
Müşteri öyküleri
Regions Bank güvenilir yapay zeka geliştiriyor
Verileri analiz etmek, veri kaymasını değerlendirmek ve model performansını ölçmek için IBM Cloud Pak for Data kullanan bu bankanın sağladığı avantajlara bakın.
Highmark Health, model oluşturma süresini %90 azalttı
Bu sağlık ağının, sepsis geliştirmesi muhtemel hastaları belirlemek için, sigorta talepleri verilerini kullanan tahmine dayalı bir modeli nasıl oluşturduğunu öğrenin.
Wunderman Thompson yapay zekayı yeniden hayal ediyor
Bu pazarlama iletişim ajansının AutoAI'yi yüksek hacimli tahminleri teşvik etmek ve yeni müşterileri belirlemek için nasıl kullandığını öğrenin.
Neden IBM'den AutoAI?
IBM Research tarafından geliştiriliyor
Bir IBM Research ekibi, makine öğrenmesi ve veri bilimi iş akışlarının oluşturulmasını hızlandırmak ve optimize etmek için en gelişmiş yapay zeka, makine öğrenmesi ve veri yönetimi tekniklerini uygulama konusunda azimle çalışıyor. Ekibin AutoML'ye ilişkin ilk çabaları, hiper parametre araması için hyperband/Bayesian optimizasyonunu kullanmaya, Nöral Mimari Araması için hyperband/ENAS/DARTS kullanmaya odaklanmıştı.
Veri hattı yapılandırması ve hiper parametre optimizasyonunu da kapsayan AutoAI geliştirmesi konusundaki çalışmaları devam ediyor. Önemli bir geliştirme ise, model eğitimi ve puanlama gibi maliyet işlevi değerlendirmesi için optimize edilen hiper parametre optimizasyon algoritmasıdır. Bu, en iyi çözüme yaklaşmayı hızlandırmaya yardımcı olmuştur.
IBM Research, ayrıca yapay zeka modellerinde güven ve açıklanabilirlik sağlanmasına yardımcı olmak için otomatikleştirilmiş yapay zeka uyguluyor. IBM Watson Studio'daki AutoAI sayesinde kullanıcılar, veri hazırlığından algoritma seçimine ve model oluşturmaya kadar, sürecin her aşamasının görselleştirmelerini görürler. Ayrıca IBM AutoAI, modelin sürekli olarak iyileştirilmesine yönelik görevleri otomatikleştirir ve yapay zeka modeli API'lerinin ModelOps yetenekleri aracılığıyla uygulamalara bütünleştirilmesini kolaylaştırır. AutoAI'nin IBM Watson Studio ürünü dahilindeki evrimi, IBM'in Veri Bilimi ve Makine Öğrenmesi Platformlarına ilişkin 2021 Magic Quadrant raporunda bir Lider olarak gösterilmesine katkıda bulunmuştur.
Daha derine inin
Açık kaynak paketleri
AutoML'ye ilişkin talep, veri bilimi uzmanları ve uzman olmayan kişiler tarafından kullanılabilecek açık kaynak kodlu yazılımların geliştirilmesine yol açtı. Önde gelen açık kaynak kodlu araçlar arasında Auto-Sklearn, Auto-Keras ve Auto-Weka yer alıyor. IBM Research, scikit-learn'in yeteneklerini; algoritma seçimi, hiper parametre ayarlama ve topoloji araması gibi daha geniş bir otomasyon yelpazesini desteklemek üzere genişleten bir Pyhton kitaplığı olan Lale'ye (bağlantı IBM dışındadır) katkıda bulunuyor. Bir IBM Research makalesinde (PDF, 1.1 MB) açıklandığı üzere, Lale, yerleşik AutoML araçları için otomatik olarak arama alanları oluşturarak çalışır. Deneylerde bu arama alanlarının daha fazla çok yönlülük sunarken, öte yandan da en son teknolojiye sahip araçlara rakip sonuçlar elde ettiği görülüyor.
Belgeler ve destek
AutoAI ile çalışmaya başlayın
AutoAI'yi IBM Watson Studio on IBM Cloud Pak for Data ile deneyin.