Zrobotyzowana SI (AutoML) to sposób na skomputeryzowanie początku i końca drogi do zastosowania SI w kwestiach podlegających certyfikacji. W trakcie pracy aplikacji AI młyna profesjonaliści mają do dyspozycji zestaw danych zawierający informacje, na których należy się skupić. Sama surowa informacja może nie być w strukturze z celem końcowym, że wszystkie obliczenia mogą być istotne dla niego z kontenera. Specjalista może być zmuszony do zastosowania odpowiedniego przygotowania informacji wstępnych, budowania uwypuklenia, włączenia ekstrakcji oraz technik wyboru uwypuklenia, które umożliwiają zarządzanie zbiorem danych dla grypy ptaków. Po wykonaniu tych etapów przygotowania wstępnego specjaliści powinni następnie przeprowadzić obliczenia i udoskonalenie hiperparametru w celu rozszerzenia prezentacji swojego ostatniego modelu grypy ptaków. AutoML został zaproponowany jako odpowiedź na stale rozwijający się test zastosowania uczenia maszynowego. Skomputeryzowanie drogi do zastosowania sztucznej inteligencji od początku do końca oferuje korzyści w postaci łatwiejszych ustaleń, szybszej produkcji tych ustaleń i modeli, które często biją modele, które zostały zaplanowane ręcznie. W każdym razie, AutoML zdecydowanie nie jest srebrnym ślimakiem i może przedstawić dodatkowe parametry własne, zwane hiperhiperparametrami, które mogą wymagać pewnego opanowania, aby być ustawione same. W każdym razie ułatwia on korzystanie z AI nie-specjalistom.
Cele automatyzacji
Zautomatyzowane uczenie się maszyn może być ukierunkowane na różne etapy procesu uczenia się maszyn:[2]
Zautomatyzowane przygotowywanie i przyjmowanie danych (z danych pierwotnych i różnych formatów)
Automatyczne wykrywanie typu kolumny; np. boolean, dyskretna cyfra, ciągła cyfra lub tekst
Automatyczne wykrywanie intencji kolumn; np. cel/etykieta, pole stratyfikacji, funkcja numeryczna, funkcja tekstu kategorycznego lub tekstu swobodnego
Automatyczne wykrywanie zadań; np. klasyfikacja binarna, regresja, grupowanie lub ranking
Zautomatyzowana inżynieria obiektów
Wybór funkcji
Ekstrakcja cech charakterystycznych
Meta-nauka i uczenie się poprzez transfer
Wykrywanie i obsługa przechylonych danych i/lub brakujących wartości
Zautomatyzowany wybór modelu
Hiperparametrowa optymalizacja algorytmu uczenia się i upierzenia
Automatyczny wybór rurociągu z uwzględnieniem ograniczeń czasowych, pamięciowych i złożoności
Zautomatyzowany wybór metryki oceny / procedur walidacji
Zautomatyzowane sprawdzanie problemów
Wykrywanie wycieków
Wykrywanie błędnej konfiguracji
Zautomatyzowana analiza uzyskanych wyników
Interfejsy użytkownika i wizualizacje do automatycznego uczenia się maszyn