Gerobotiseerde AI (AutoML) is de weg naar het automatiseren van begin tot eind van de weg naar het toepassen van AI op certificeerbare kwesties. In een run van de molen AI applicatie, hebben professionals een dataset met info informatie gericht op voor te bereiden. De ruwe informatie zelf mag zich niet in een structuur bevinden met als einddoel dat alle berekeningen uit de container relevant zijn. Het kan zijn dat een specialist de geschikte informatie moet toepassen voor de voorbereiding, het markeren van het gebouw, het opnemen van extractie en het markeren van keuzetechnieken die de dataset hanteerbaar maken voor AI. Na deze voorbewerkingsstappen moeten de specialisten vervolgens de bepaling van de berekening en de verbetering van de hyperparameters uitvoeren om de prescient presentatie van hun laatste AI-model uit te breiden. Hetzelfde aantal van deze middelen zijn regelmatig voorbij de capaciteiten van niet-specialisten, werd AutoML voorgesteld als een man-made brainpower based antwoord voor de consequent ontwikkelende test van het toepassen van machinaal leren. Het automatiseren van de weg naar het toepassen van AI start to finish biedt de voordelen van het leveren van eenvoudigere arrangementen, snellere productie van die arrangementen, en modellen die vaak de met de hand geplande modellen verslaan. In ieder geval is AutoML zeker geen zilveren kogel en kan het extra eigen parameters, de zogenaamde hyperhyperparameters, bevatten, die mogelijk enige beheersing vereisen om zelf in te stellen. In ieder geval maakt het gebruik van AI eenvoudiger voor niet-specialisten.
Doelstellingen van automatisering
Geautomatiseerd machinaal leren kan gericht zijn op verschillende stadia van het machinaal leerproces:[2].
Geautomatiseerde gegevensvoorbereiding en -opname (uit ruwe gegevens en diverse formaten)
Geautomatiseerde kolomtype detectie; bijv. booleaanse, discrete numerieke, doorlopende numerieke, of tekst
Geautomatiseerde detectie van de kolomintentie; bijv. doelwit/label, stratificatieveld, numeriek kenmerk, categorisch tekstkenmerk of vrije tekstkenmerk
Geautomatiseerde taakdetectie; bijv. binaire classificatie, regressie, clustering of rangschikking
Geautomatiseerde functie-engineering
Eigenschapsselectie
Eigenschapsextractie
Meta-leren en transfer-leren
Detectie en verwerking van scheve gegevens en/of ontbrekende waarden
Geautomatiseerde modelselectie
Hyperparameteroptimalisatie van het leeralgoritme en de featurisatie
Geautomatiseerde selectie van pijpleidingen onder tijds-, geheugen- en complexiteitsbeperkingen
Geautomatiseerde selectie van evaluatiemetingen / validatieprocedures
Geautomatiseerde probleemcontrole
Lekdetectie
Misconfiguratie detectie
Geautomatiseerde analyse van de verkregen resultaten
Gebruikersinterfaces en visualisaties voor geautomatiseerd machinaal leren
