L’IA robotisée (AutoML) est la voie vers l’informatisation du début à la fin de la voie vers l’application de l’IA aux questions certifiables. Dans le cadre d’une application d’IA, les professionnels disposent d’un ensemble de données comprenant des informations sur lesquelles ils doivent se préparer. L’information brute elle-même peut ne pas être dans une structure dont l’objectif final est que tous les calculs soient pertinents pour elle hors du conteneur. Un spécialiste peut avoir besoin d’appliquer les techniques appropriées de préparation des informations, de mise en évidence, d’extraction et de choix de mise en évidence qui rendent l’ensemble de données gérable pour l’IA. Après ces étapes de prétraitement, les spécialistes doivent ensuite déterminer les calculs et améliorer les hyperparamètres afin d’élargir la présentation de leur dernier modèle d’IA. Le même nombre de ces moyens dépasse régulièrement les capacités des non-spécialistes. AutoML a été proposé comme une réponse basée sur la puissance cérébrale de l’homme pour le test en constante évolution de l’application de l’apprentissage machine. L’informatisation de l’application de l’IA du début à la fin offre l’avantage de fournir des arrangements plus faciles, une production plus rapide de ces arrangements, et des modèles qui battent souvent les modèles qui ont été planifiés à la main. Dans tous les cas, AutoML n’est pas une limace d’argent et peut présenter des paramètres supplémentaires propres, appelés hyperhyperparamètres, qui peuvent nécessiter une certaine maîtrise pour être réglés eux-mêmes. En tout cas, il rend l’utilisation de l’IA plus simple pour les non-spécialistes.

Les objectifs de l’automatisation

L’apprentissage automatisé peut cibler différentes étapes du processus d’apprentissage machine : [2]

Préparation et ingestion automatisées des données (à partir de données brutes et de formats divers)

Détection automatisée du type de colonne ; par exemple, booléen, numérique discret, numérique continu ou texte

Détection automatisée de l’intention des colonnes ; par exemple, cible/étiquette, champ de stratification, caractéristique numérique, caractéristique de texte catégorique ou caractéristique de texte libre

Détection automatisée des tâches, par exemple classification binaire, régression, regroupement ou classement

Ingénierie automatisée des fonctionnalités

Sélection des articles

Extraction de caractéristiques

Méta-apprentissage et apprentissage par transfert

Détection et traitement des données faussées et/ou des valeurs manquantes

Sélection automatisée des modèles

Optimisation des hyperparamètres de l’algorithme d’apprentissage et de la featurisation

Sélection automatisée du pipeline en fonction des contraintes de temps, de mémoire et de complexité

Sélection automatisée des mesures d’évaluation / procédures de validation

Vérification automatisée des problèmes

Détection des fuites

Détection des erreurs de configuration

Analyse automatisée des résultats obtenus

Interfaces utilisateur et visualisations pour l’apprentissage automatique