L’IA robotizzata (AutoML) è la via verso l’informatizzazione, dall’inizio alla fine, e verso l’applicazione dell’IA ai problemi certificabili. In una corsa dell’applicazione AI del mulino, i professionisti hanno un set di dati che comprende informazioni informative su cui prepararsi. L’informazione grezza in sé può non essere in una struttura con l’obiettivo finale che tutti i calcoli possano essere pertinenti fuori dal contenitore. Uno specialista potrebbe aver bisogno di applicare le informazioni adatte per la preparazione preliminare, la costruzione delle evidenziazioni, l’estrazione e le tecniche di scelta delle evidenziazioni che rendono il dataset gestibile per l’IA. Seguendo queste fasi di preelaborazione, gli specialisti dovrebbero poi eseguire la determinazione del calcolo e il miglioramento dell’iperparametro per espandere la presentazione preveggente del loro ultimo modello di IA. Lo stesso numero di questi mezzi sono regolarmente oltre le capacità dei non specialisti, AutoML è stato proposto come risposta basata sul cervello umano per il test in costante sviluppo dell’applicazione dell’apprendimento automatico. L’informatizzazione del modo di applicare l’IA dall’inizio alla fine offre i vantaggi di fornire disposizioni più semplici, una produzione più rapida di tali disposizioni e modelli che spesso battono i modelli pianificati a mano. In ogni caso, AutoML non è sicuramente una lumaca d’argento e può presentare parametri aggiuntivi propri, chiamati iperiperparametri, che possono richiedere una certa maestria per essere impostati da soli. In ogni caso, rende l’uso dell’IA più semplice per i non specialisti.

Obiettivi dell’automazione

L’apprendimento automatico della macchina può riguardare varie fasi del processo di apprendimento della macchina:[2]

Preparazione e ingestione automatizzata dei dati (da dati grezzi e formati diversi)

Rilevamento automatico del tipo di colonna; ad esempio booleano, numerico discreto, numerico continuo o testo

Rilevamento automatico dell’intento della colonna; ad esempio, target/etichetta, campo di stratificazione, caratteristica numerica, caratteristica del testo categorico, o caratteristica del testo libero

Rilevamento automatico dei compiti; ad esempio, classificazione binaria, regressione, raggruppamento o classificazione

Ingegneria delle funzioni automatizzata

Selezione delle caratteristiche

Estrazione delle caratteristiche

Metaapprendimento e trasferimento di apprendimento

Rilevamento e gestione di dati asimmetrici e/o valori mancanti

Selezione automatica del modello

Ottimizzazione iperparametrica dell’algoritmo di apprendimento e della featurizzazione

Selezione automatica delle condutture in base a vincoli di tempo, memoria e complessità

Selezione automatica delle metriche di valutazione / procedure di convalida

Controllo automatico dei problemi

Rilevamento delle perdite

Rilevamento di errori di configurazione

Analisi automatizzata dei risultati ottenuti

Interfacce utente e visualizzazioni per l’apprendimento automatico della macchina