IBM 獲選為領導者
Gartner 發表 2021 年 Magic Quadrant 資料科學與機器學習平台評鑑報告。
從 AutoML 到 AutoAI
加速 AI 與模型生命週期管理
何謂 AutoML？
自動化機器學習 (AutoML) 是自動完成資料科學家建置與訓練機器學習模型（ML 模型）時必須完成的手動作業的過程。 這些作業包括特性工程和選擇，選擇機器學習演算法的類型；根據演算法建立分析模型；超參數最佳化，訓練測試資料集上的模型，並執行模型以產生評分和發現項目。 研究人員開發 AutoML ，幫助資料科學家建立預測模型，而不必具有深度 ML 模型的專業知識。 AutoML 也讓資料科學家從參與建置機器學習流程管線的機械性反覆作業中釋放出來，讓他們能夠專注於擷取解決重要業務問題所需的洞察。
何謂 AutoAI？
AutoAI 是 AutoML 的一種變化。 它將模型建置自動化延伸至整個 AI 生命週期。 像 AutoML一樣，AutoAI 應用智慧自動化來建立預測機器學習模型的步驟。 這些步驟包括準備訓練的資料集；識別給定資料的最佳模型類型，例如分類或迴歸模型；以及選擇最能支援模型解決問題的資料直欄，稱為特性選擇。 自動化接著會測試各種超參數調整選項，以達到其產生的最佳結果，然後根據精確度和精準度等度量來對模型候選流程管線進行分級。 可將效能最佳的流程管線投入正式作業，以處理新資料，並根據模型訓練提供預測。
快速功能比較
AutoAI 與 AutoML 比較
| 整合 | AutoAI | AutoML |
|---|---|---|
|
資料準備
|
||
|
功能工程
|
||
|
超參數最佳化
|
||
|
自動化模型部署
|
||
|
一鍵部署
|
||
|
模型測試及評分
|
||
|
產生程式碼
|
||
|
支援：
|
||
|
消除偏見和減少漂移
|
||
|
模型風險管理
|
||
|
AI 生命週期管理
|
||
|
轉移學習
|
||
|
任何 AI 模型
|
||
|
進階資料精煉
|
為什麼 AutoAI 很重要？
智慧型自動化可讓每一個人都擁有能力
加速 AI 生命週期管理
自動建置機器學習與 AI 模型，而不必具有深厚的資料科學專業知識。 讓資料科學家、開發者、ML 工程師和分析師產生頂尖的候選模型流程管線。 解決技能集落差並提高機器學習專案的生產力。
加速機器學習實作
在幾分鐘或甚至幾秒內建置自訂 AI 和機器學習模型。 更快地大規模實驗、訓練和部署模型。 增加機器學習與 AI 模型生命週期的可重複性與治理，同時減少繁瑣、耗時的作業。
實作值得信賴的 AI
作為 AI 生命週期的一部分，解決可解釋、公平、穩健性、透明度和隱私的問題。 在 AI 和機器學習中的降低模型漂移、偏見和風險。 驗證並監視模型以驗證 AI 與機器學習效能符合業務目標。協助符合企業社會責任 (CSR) 與環境社會治理 (ESG)。
提高 ModelOps 的效率
透過統一工具、流程和人員，降低 AI 與機器學習模型作業 (ModelOps) 的成本。 減少管理舊式或單點工具及基礎架構的支出。 節省時間和資源，以自動化的 AI 和 ML 生命週期提供可正式作業的模型。
如何使用 AutoAI？
建置 ModelOps
Foster 負責，可解釋的 AI
自動化時間序列預測
AutoAI 的特性
自動化模型生命週期中的重要步驟
資料前處理
應用各種演算法或預估器，以分析、清理和準備機器學習的原始資料。 根據資料類型（例如類別或數值）自動偵測及分類功能。 使用超參數最佳化，以判定遺漏值插補、特性編碼及特性調整的最佳策略。
自動化模型選擇
透過針對資料的小子集進行候選演算法測試及分級來選取模型。 逐漸增加子集的大小，以取得最有前景的演算法。 利用資料的最佳符合，對模型選擇進行了大量候選演算法的分級。
功能工程
將原始資料轉換為最能代表問題的特性組合，以達到最準確的預測。 以結構化、非詳盡的方式探索各種特性建構選擇，同時逐步使用補強學習來最大化模型的精確度。
超參數最佳化
在機器學習中使用模型訓練和評分標準來精簡並最佳化模型流程管線。 根據效能選擇要投入正式作業的最佳模型。
模型監視整合
透過模型輸入及輸出詳細資料、訓練資料及有效負載記載，整合對模型漂移、公平性和品質的監視。 在分析直接與間接偏見時，實作被動或主動消除偏見。
模型驗證支援
利用模型和資料洞察來延伸，並驗證您的模型是否符合預期的效能。透過測量模型品質和比較模型效能，持續改進模型。
在 IBM Watson Studio 中支援 AutoAI
為何選擇來自 IBM 的 AutoAI
IBM Research 的重點開發
IBM 研究團隊致力於應用來自 AI、ML 和資料管理的最先進技術，以加速並最佳化機器學習和資料科學工作流程的建立。團隊在 AutoML 方面的第一個重點是將 hyperband/Bayesian 最佳化用於超參數搜尋，和將 hyperband/ENAS/DARTS 用於神經架構搜尋。
他們繼續著重在 AutoAI 開發，包括流程管線配置和超參數最佳化的自動化。最顯著的增強是超參數最佳化演算法，針對成本函數評估（例如模型訓練和評分）進行最佳化。 這有助於加速聚合至最佳解決方案。
IBM Research 也在應用自動化人工智慧，以協助確保 AI 模型的可信度和可解釋性。藉由 IBM Watson Studio 中的 AutoAI ，使用者可看到流程每一階段的視覺化效果，從資料準備、演算法選擇到模型建立。 此外，IBM AutoAI 會自動執行持續改進模型的作業，並透過其 ModelOps 功能，更輕易地將 AI 模型 API 整合到應用程式中。在 IBM Watson Studio 產品中，AutoAI 的發展演進有助於 IBM 在 2021 Gartner Magic Quadrant 的資料科學與機器學習平台上被評為領導者。
更深入瞭解
開放原始碼套件
對 AutoML 的需求導致開發可由資料科學專家和非專家使用的開放原始碼軟體。 領先的開放原始碼工具包括 auto-sklearn、auto-keras 和 auto-weka。 IBM Research 協助 Lale（IBM 外部鏈結），這是 Python 程式庫，它延伸 scikit-learn 的功能，以支援廣泛的自動化，包括演算法選擇、超參數調整和拓蹼搜尋。如來自 IBM Research 的論文 (PDF, 1.1 MB) 所述，Lale 的工作方式是自動產生已建立 AutoML 工具的搜尋空間。實驗證明，這些搜尋空間的成效與最先進的工具相比具有競爭力，同時提供更多的通用性。
開始使用 AutoAI
嘗試搭配 IBM Watson Studio on IBM Cloud Pak for Data 使用 AutoAI。