Robotisierte KI (AutoML) ist der Weg zur Computerisierung von Anfang bis Ende des Weges zur Anwendung der KI auf zertifizierbare Themen. In einem Durchlauf der KI-Anwendung im Werk haben Fachleute einen Datensatz, der aus Info-Informationsschwerpunkten besteht, auf die sie sich vorbereiten müssen. Die groben Informationen selbst befinden sich möglicherweise nicht in einer Struktur mit dem Endziel, dass alle Berechnungen aus dem Container für sie relevant sein könnten. Möglicherweise muss ein Spezialist die geeigneten Informationen vorbereitend anwenden, den Aufbau hervorheben, die Extraktion einschließen und Auswahlmethoden hervorheben, die den Datensatz für die KI handhabbar machen. Im Anschluss an diese Vorverarbeitungsschritte sollten die Spezialisten dann eine Berechnungsbestimmung und Hyperparameterverbesserung durchführen, um die vorausschauende Darstellung ihres letzten KI-Modells zu erweitern. Die gleiche Anzahl dieser Mittel übersteigt regelmäßig die Kapazitäten von Nicht-Spezialisten. AutoML wurde als eine auf menschlicher Intelligenz basierende Antwort für den sich ständig weiterentwickelnden Test zur Anwendung des maschinellen Lernens vorgeschlagen. Die Computerisierung des Weges zur Anwendung der KI von Anfang bis Ende bietet den Vorteil, einfachere Arrangements zu liefern, diese Arrangements schneller zu produzieren und Modelle zu erstellen, die häufig Modelle übertreffen, die von Hand geplant wurden. In jedem Fall ist AutoML definitiv kein Silberling und kann zusätzliche eigene Parameter präsentieren, die als Hyperhyperparameter bezeichnet werden und möglicherweise eine gewisse Meisterschaft erfordern, um selbst eingestellt zu werden. In jedem Fall macht es die Verwendung der KI für Nicht-Spezialisten einfacher.
Ziele der Automatisierung
Automatisiertes maschinelles Lernen kann auf verschiedene Stufen des maschinellen Lernprozesses abzielen:[2]
Automatisierte Datenaufbereitung und -eingabe (aus Rohdaten und verschiedenen Formaten)
Automatisierte Erkennung des Spaltentyps, z.B. boolesch, diskret numerisch, fortlaufend numerisch oder Text
Automatisierte Erkennung der Spaltenabsicht; z.B. Ziel/Bezeichnung, Schichtfeld, numerisches Merkmal, kategorisches Textmerkmal oder Freitextmerkmal
Automatisierte Aufgabenerkennung; z.B. binäre Klassifikation, Regression, Clustering oder Ranking
Automatisiertes Feature-Engineering
Feature-Auswahl
Merkmal-Extraktion
Meta-Lernen und Transfer-Lernen
Erkennung und Behandlung von verzerrten Daten und/oder fehlenden Werten
Automatisierte Modellauswahl
Hyperparameter-Optimierung des Lernalgorithmus und Featurisierung
Automatisierte Pipeline-Auswahl unter Zeit-, Speicher- und Komplexitätsbeschränkungen
Automatisierte Auswahl von Bewertungsmetriken / Validierungsverfahren
Automatisierte Problemprüfung
Leckage-Erkennung
Erkennung von Fehlkonfigurationen
Automatisierte Analyse der erzielten Ergebnisse
Benutzerschnittstellen und Visualisierungen für automatisiertes maschinelles Lernen