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

AutoAI'yi nasıl kullanabilirsiniz?

ModelOps oluşturun

biri not alan, aralarında konuşan üç çalışan

ModelOps oluşturun

Yapay zeka modellerinin uygulamalara bütünleştirilmesini optimize etmek için veri bilimciler ve DevOps arasındaki işbirliğini kolaylaştırın.

Sorumlu, açıklanabilir yapay zekayı teşvik edin

bir ofisteki masaüstü monitörünün soluna bakan çalışan

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

kağıtlar ve dizüstü bilgisayarlarla aralarında konuşan iki çalışan

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

AutoAI, IBM Watson Studio'da çalışırken

AutoAI yapılandırması

Veri kaynağı eklediğiniz ve bir AutoAI deneyine ilişkin yapılandırma detaylarını seçtiğiniz ekranı gösteren IBM Watson Studio ekran görüntüsü

AutoAI yapılandırması

.csv dosyasını sürükleyin ve tahmin edilecek kolonu seçin.

Veri hattı liderlik panosu

İlişki haritasını ve veri hattı liderlik panosunu gösteren IBM Watson Studio ekran görüntüsü

Veri hattı liderlik panosu

Model doğruluğunu derecelendirin ve veri hattı bilgilerini gösterin.

Model değerlendirme

Model değerlendirme ölçümlerinin listesi dahil, bir veri hattına ilişkin model değerlendirmesini gösteren IBM Watson Studio ekran görüntüsü

Model değerlendirme

Modelleri değerlendirmek için doğruluğu, kesinliği ve duyarlılığı inceleyin.

Model devreye alma

Bir testin devreye alma alanına yükseltilmesini gösteren, IBM Watson Studio ekran görüntüsü

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

AutoML ve derin öğrenme

Derin öğrenme makine öğrenmesinin alt alanlarından biridir ve insan müdahalesi olmadan analitik ve fiziksel görevler gerçekleştiren yapay zeka uygulamaları ve hizmetleri ile bilinir. Derin öğrenmeye ilişkin örnek kullanım senaryoları arasında sohbet botları, tıbbi görüntü tanıma teknolojileri ve sahtekarlık algılama yer alır. Ancak, makine öğrenmesinde olduğu gibi, derin öğrenme algoritmasının tasarlanması ve çalıştırılması, hesaplama gücünün yanı sıra çok büyük bir insan çabası gerektirmektedir.

IBM Research ekibi, derin öğrenme sürecindeki en karmaşık ve zaman alıcı süreçlerden birini araştırdı: Nöral mimari araması (NAS) adlı bir teknik yoluyla nöral mimarinin yaratılması. Ekip, geliştirilen NAS yöntemlerini inceledi ve uygulayıcılara uygun bir yöntem seçmelerine yardımcı olmak amacıyla her birinin avantajlarını sundu. Bir makine öğrenme modeli için en iyi performans gösteren mimariyi bulma yaklaşımının otomatikleştirilmesi, yapay zekanın daha da demokratikleşmesine yol açabilir; ancak bu karmaşık ve çözülmesi zor bir sorun.

IBM Watson Studio içindeki Deep Learning hizmeti ile, hızlıca derin öğrenmeye başlangıç yapabilirsiniz. Hizmet, karmaşık nöral ağlar tasarlamanıza, daha sonra bu ağları optimize edilmiş bir makine öğrenmesi modelini devreye almak üzere uygun ölçekte denemenize yardımcı olur. Eğitim modelleri sürecini basitleştirmek için tasarlanan hizmet, hesaplama gücü gereksinimlerini karşılamak için isteğe bağlı bir grafik işlem birimi (GPU) hesaplama kümesi de sağlar. Birden fazla grafik işlem biriminde modelleri eğitmek ve sonuçları hızlandırmak için TensorFlow, Caffe, Torch ve Chainer gibi popüler açık kaynak ML çerçevelerini de bütünleştirebilirsiniz. IBM Watson Studio'da; deneyleri hızlandırmak, yapılandırılmış ve yapılandırılmamış verileri analiz etmek ve daha iyi modelleri daha hızlı bir şekilde devreye almak için AutoML, IBM AutoAI ve Deep Learning hizmetini birleştirebilirsiniz.

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

Belgeler

Yanıtları IBM Watson Studio belgelerinde hızla bulun.

Destek

IBM'den teknik destek almaya başlayın.

Topluluk

IBM Watson Studio'daki diğer kullanıcılardan teknik ipuçları alın.

AutoAI ile çalışmaya başlayın

AutoAI'yi IBM Watson Studio on IBM Cloud Pak for Data ile deneyin.