La IA robotizada (AutoML) es la forma de computarizar de principio a fin la forma de aplicar la IA a cuestiones certificables. En una aplicación de IA de fábrica, los profesionales tienen un conjunto de datos que comprende información enfocada para prepararse. La información bruta en sí misma puede no estar en una estructura con el objetivo final de que todos los cálculos puedan ser pertinentes para ella fuera del contenedor. Es posible que un especialista tenga que aplicar la información adecuada para preparar, destacar la construcción, incluir la extracción y destacar las técnicas de elección que hacen que el conjunto de datos sea manejable para la IA. Tras esos pasos de preprocesamiento, los especialistas deben realizar a continuación la determinación de los cálculos y la mejora de los hiperparámetros para ampliar la presentación previsora de su último modelo de IA. El mismo número de estos medios supera regularmente las capacidades de los no especialistas, AutoML se propuso como una respuesta basada en la capacidad cerebral del hombre para la prueba, en constante desarrollo, de la aplicación del aprendizaje por máquina. La computarización del camino hacia la aplicación de la IA de principio a fin ofrece los beneficios de entregar arreglos más fáciles, una producción más rápida de esos arreglos, y modelos que frecuentemente superan a los modelos que fueron planeados a mano. En cualquier caso, AutoML definitivamente no es una babosa de plata y puede presentar parámetros adicionales propios, llamados hiperhiperparámetros, que pueden requerir cierta maestría para ser establecidos por sí mismos. En cualquier caso, hace que el uso de la IA sea más sencillo para los no especialistas.

Objetivos de la automatización

El aprendizaje automático de la máquina puede dirigirse a varias etapas del proceso de aprendizaje de la máquina:[2]

Preparación e ingesta de datos automatizada (a partir de datos brutos y formatos diversos)

Detección automatizada del tipo de columna; por ejemplo, booleana, numérica discreta, numérica continua o texto

Detección automatizada de la intención de la columna; por ejemplo, objetivo/etiqueta, campo de estratificación, característica numérica, característica de texto categórico o característica de texto libre

Detección automatizada de tareas; por ejemplo, clasificación binaria, regresión, agrupación o clasificación

Ingeniería de características automatizada

Selección de características

Extracción de características

Meta aprendizaje y transferencia de aprendizaje

Detección y manejo de datos sesgados y/o valores perdidos

Selección automática de modelos

Optimización de hiperparámetros del algoritmo de aprendizaje y featurización

Selección automatizada de tuberías bajo restricciones de tiempo, memoria y complejidad

Selección automatizada de métricas de evaluación / procedimientos de validación

Comprobación automática de problemas

Detección de fugas

Detección de la mala configuración

Análisis automatizado de los resultados obtenidos

Interfaces de usuario y visualizaciones para el aprendizaje automático de la máquina