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