Otomatik AI - AutoAI
Otomatik Yapay Zeka (AutoAI) , model oluşturma otomasyonunu bir makine öğrenimi modelinin tüm yaşam döngüsünün otomasyonuna doğru genişleten otomatikleştirilmiş makine öğrenimi veya AutoML teknolojisinin bir varyasyonudur . Eğitim için verileri hazırlayarak, verilen veriler için en iyi model türünü belirleyerek ve ardından modelin çözdüğü sorunu en iyi destekleyen özellikleri veya veri sütunlarını seçerek tahmine dayalı makine öğrenimi modelleri oluşturma görevine akıllı otomasyon uygular . Son olarak otomasyon, en iyi sonuca ulaşmak için çeşitli ayar seçeneklerini test eder, ardından model aday boru hatlarını oluşturur, ardından sıralar. En iyi performans gösteren işlem hatları, yeni verileri işlemek ve model eğitimine dayalı tahminler sunmak için üretime alınabilir. Otomatikleştirilmiş yapay zeka, modelin doğal bir önyargıya sahip olmadığından emin olmak ve modelin sürekli iyileştirilmesi için görevleri otomatikleştirmek için de uygulanabilir. Bir AutoAI modelini yönetmek, model operasyonları veya ModelOps olarak bilinen bir süreç tarafından yönetilen sık sık izleme ve güncelleme gerektirir .
Otomatik Makine Öğrenimi ve Veri Bilimi Ekibi (AMLDS), IBM Research bünyesinde " Yapay Zeka (AI), Makine Öğrenimi (ML) tekniklerini uygulamak ve makine oluşturma sürecini hızlandırmak ve optimize etmek için veri yönetimini uygulamak için oluşturulmuş küçük bir ekip" öğrenme ve veri bilimi iş akışları”, AutoAI'nin gelişimini ilerletmekle tanınır.
Kullanım Örneği
AutoAI için tipik bir kullanım örneği, müşterilerin bir satış teşvikine nasıl yanıt verebileceğini tahmin etmek için bir model eğitmek olabilir. Model ilk olarak müşterilerin promosyona nasıl tepki verdiğine ilişkin gerçek verilerle eğitilir. Yeni verilerle sunulan model, tahmin için bir güven puanı ile yeni bir müşterinin nasıl yanıt verebileceğine dair bir tahmin sağlayabilir. AutoML'den önce, veri bilimcilerin bu tahmine dayalı modelleri elle oluşturması, çeşitli algoritma kombinasyonlarını test etmesi ve ardından tahminlerin gerçek sonuçlarla nasıl karşılaştırıldığını görmek için test etmesi gerekiyordu. AutoML, verileri eğitim için hazırlama, verileri işlemek için algoritmalar uygulama ve ardından sonuçları daha da optimize etme sürecinin bir kısmını otomatikleştirdiğinde, AutoAI, daha doğru bir şekilde yansıtan model aday ardışık düzenleri oluşturmak için önemli ölçüde daha fazla faktör kombinasyonunu test etmeye olanak tanıyan daha akıllı otomasyon sağlar. ve çözülmekte olan sorunu ele alın. Bir model oluşturulduktan sonra yanlılık açısından test edilebilir ve performansı artırmak için güncellenebilir.
AutoAI süreci
Kullanıcı, bir dizi eğitim verisi sağlayarak ve çözülecek sorunu oluşturan tahmin sütununu belirleyerek süreci başlatır. Örneğin, tahmin sütunu, teklif edilen bir teşvike yanıt olarak olası evet veya hayır değerlerini içerebilir. Gelen veri işlem öncesi aşamada, AutoAI sayıda algoritma ya da tahmin edicileri, analiz temiz (örneğin, artık veya atfetmek eksik verileri kaldırmak) ve otomatik öğrenme (ML) için yapılandırılmış ham verileri hazırlamak için de geçerlidir.
Sonraki, verileri sınıflandırma veya regresyon gibi bir model türüyle eşleştiren otomatik model seçimidir . Örneğin, bir tahmin sütununda yalnızca iki tür veri varsa, AutoAI bir ikili sınıflandırma modeli oluşturmaya hazırlanır. Bilinmeyen olası cevaplar kümesi varsa, AutoAI, farklı bir dizi algoritma veya problem çözme dönüşümleri kullanan bir regresyon modeli hazırlar. AutoAI, aday algoritmaları bilginin küçük alt kümelerine karşı test ettikten sonra sıralanır ve en iyi eşleşmeye ulaşmak için en umut verici hale gelen algoritmalar için alt kümenin boyutunu kademeli olarak artırır. Bu yinelemeli ve artımlı makine öğrenimi süreci, AutoAI'yi AutoML'nin önceki sürümlerinden ayıran şeydir.
Özellik mühendisliği , en doğru tahmine ulaşmak için ham verileri sorunu temsil eden kombinasyona dönüştürür. Bu sürecin bir kısmı, eğitim veri kaynağındaki verilerin doğru bir tahmini en iyi nasıl destekleyebileceğini değerlendirmektir. Algoritmaları kullanarak, istenen sonucu elde etmek için bazı verileri diğerlerinden daha önemli olarak ağırlıklandırır. AutoAI, çok sayıda özellik oluşturma seçeneğinin kapsamlı olmayan, yapılandırılmış bir şekilde değerlendirilmesini otomatikleştirir ve bu arada pekiştirmeli öğrenmeyi kullanarak modelin doğruluğunu kademeli olarak en üst düzeye çıkarır. Bu, model seçimini içeren adımın en iyi algoritmalarıyla eşleşen optimize edilmiş bir bilgi ve veri dönüşüm dizisinden kaynaklanır.
Son olarak, AutoAI , en iyi performans gösteren model ardışık düzenlerini iyileştirmek ve ilerletmek için hiper parametre optimizasyon adımını uygular . İşlem hatları, doğruluk ve kesinlik gibi metriklere göre değerlendirilen ve sıralanan model adaylarıdır. Sürecin sonunda, kullanıcı boru hatlarını gözden geçirebilir ve yeni veriler üzerinde tahminler sunmak için üretime geçirilecek boru hattını veya boru hatlarını seçebilir.
Tarih
Ağustos 2017'de AMLDS, veri bilimindeki varsayımları ortadan kaldırmak için otomatik özellik mühendisliğinin kullanımını araştırdıklarını duyurdu. AMDLS üyeleri Udayan Khurana, Horst Samulowitz, Gregory Bramble, Deepak Toraga ve Peter Kirchner ile Toronto Üniversitesi'nden Fatemeh Nargesian ve Georgia Tech'den Elias Khalil, aynı yıl IJCAI'de ön araştırmalarını sundular .
"Öğrenmeye Dayalı Özellik Mühendisliği" olarak adlandırılan yöntemleri, özellik dağılımları, hedef dağılımları ve dönüşümler arasındaki korelasyonları öğrendi, uygulanabilir dönüşümleri tahmin etmek için geçmiş gözlemleri kullanan meta modeller oluşturdu ve farklı alanları kapsayan binlerce veri kümesini genelleştirdi. Farklı boyutlardaki özellik vektörlerini ele almak için, bir özelliğin temel karakterini yakalamak için Quantil Sketch Array'i kullandı.
2018'de IBM Research , Caffe, Torch ve TensorFlow gibi popüler derin öğrenme kitaplıklarını buluttaki geliştiricilere açan Derin Öğrenmeyi Hizmet olarak duyurdu . AMLDS çalışmalarına devam etti ve iyi bilinen bir Kaggle yarışmasında kullandı. İlk yüzde on içinde tamamladı. IBM'de makine öğrenimi (ML) ve optimizasyon konusunda uzmanlaşmış seçkin bir mühendis olan Jean-Francois Puget yarışmaya katıldı. IBM AI ve IBM Watson gibi veri bilimi platformlarını öğrendi ve hazır olmaya karar verdi . Aralık 2018'de IBM Research, otomatikleştirilmiş yapay zeka modeli geliştirme ve devreye almanın bir parçası olarak sinir ağı modeli sentezini otomatikleştiren yeni bir yetenek olan NeuNetS'i duyurdu.
Bir AAAI 2020 araştırma makalesi olan “AutoML Pipeline Configuration için ADMM Tabanlı Çerçeve”de , yazarlar Sijia Liu, Parikshit Ram, Djallel Bouneffouf, Deepak Vijaykeerthy, Gregory Bramble, Horst Samulowitz, Dakuo Wang, Andrew R Conn ve Alexander Gray bir yöntem önerdiler. kullanılan AutoML için çarpanları (ADMM) arasında değişen yönü yöntemi gibi dönüşümler, özelliği mühendisliği ve seçimi ve akıllı modelleme gibi bir ML boru hattının çoklu aşamalarını yapılandırmak için kullanılır. Bu, IBM Research'ün makine öğrenimine "Otomatik" terimini halka açık olarak uyguladığı ilk kaydedilen zamandı.
AutoAI: AutoML'nin evrimi
2019, AutoML'nin bir kavram olarak daha yaygın olarak tartışıldığı yıl oldu. "Forrester New Wave™: Otomasyon Odaklı Makine Öğrenimi Çözümleri, 2. Çeyrek 2019", AutoML çözümlerini değerlendirdi ve daha güçlü sürümlerin özellik mühendisliği sunduğunu gördü. Ağustos 2019 tarihli bir Gartner Teknik Profesyonel Tavsiye raporu, araştırmalarına dayanarak AutoML'nin veri bilimini ve makine öğrenimini artırabileceğini bildirdi. AutoML'yi veri hazırlama, özellik mühendisliği ve model mühendisliği görevlerinin otomasyonu olarak tanımladılar.
AutoAI, AutoML'nin evrimidir. AutoAI'nin başlıca mucitlerinden biri olan Jean-Francois Puget, PhD, bunu otomatik olarak veri hazırlama, özellik mühendisliği, makine öğrenimi algoritması seçimi ve olası en iyi makine öğrenimi modelini bulmak için hiper parametre optimizasyonu olarak tanımlıyor. AutoAI'de kullanılan hiper parametre optimizasyon algoritması, AutoML'nin hiper parametre ayarından farklıdır. Algoritma, makine öğreniminde tipik olan model eğitimi ve puanlama gibi maliyet fonksiyonu değerlendirmeleri için optimize edilmiştir ve her yinelemenin değerlendirme süreleri uzun olmasına rağmen iyi bir çözüme hızlı yakınsama sağlar.
IBM Research'teki araştırmacı bilim adamları, bir makine öğrenimi oluşturmak, test etmek ve sürdürmek için gereken insan katılımını sınırlamak amacıyla daha fazla süreci otomatikleştirmek için avantajları ve mevcut teknolojileri açıklayan "Yapay Zeka Operasyonları Yaşam Döngüsünü Otomatikleştirmeye Doğru" başlıklı bir makale yayınladı. uygulama. Bununla birlikte, bazı HCI araştırmacıları, makine öğrenimi uygulamasının ve tavsiyelerinin kaçınılmaz olarak insan karar vericiler tarafından alındığını ve bu nedenle sürece insan katılımını ortadan kaldırmanın imkansız olduğunu savunmaktadır. Aksine, daha şeffaf ve yorumlanabilir bir AutoAI tasarımı, insan kullanıcıların güvenini kazanmanın anahtarıdır, ancak böyle bir tasarımın kendisi oldukça zorludur.
AutoAI için Ödüller
- Kazanan, San Francisco'daki AIconics AI Zirvesi'nde (2019) Akıllı Otomasyonda En İyi Yenilik Ödülü.
- Bir Yazılım Uygulamasında İletişim alanında iF Design Guide ödülü sahibi (2020)
