A IA robotizada (AutoML) é o caminho para a informatização começar a terminar o caminho para a aplicação da IA em questões certificáveis. Em uma execução da aplicação de IA da usina, os profissionais têm um conjunto de dados composto de informações com foco na preparação. A informação bruta em si pode não estar em uma estrutura com o objetivo final de que todos os cálculos possam ser pertinentes a ela fora do recipiente. Um especialista pode precisar aplicar as informações adequadas para a pré-preparação, destacar a construção, incluir a extração e destacar as técnicas de escolha que tornam o conjunto de dados gerenciável para a IA. Seguindo essas etapas de pré-processamento, especialistas devem então realizar a determinação do cálculo e o aprimoramento do hiperparâmetro para expandir a apresentação presciente de seu último modelo de IA. O mesmo número desses meios é regularmente ultrapassado pelas capacidades de não-especialistas, AutoML foi proposto como uma resposta baseada em mão-de-obra humana para o teste de desenvolvimento consistente da aplicação da aprendizagem de máquinas. A informatização do caminho para a aplicação da IA do início ao fim oferece os benefícios de entregar arranjos mais fáceis, produção mais rápida desses arranjos, e modelos que freqüentemente batem modelos que foram planejados à mão. Em qualquer caso, o AutoML definitivamente não é uma lesma prateada e pode apresentar parâmetros extras próprios, chamados de hiper hiper hiper hiperparâmetros, que podem exigir algum domínio para serem definidos por si mesmos. Em qualquer caso, ele faz uso da IA de forma mais simples para os não-especialistas.

Metas de automação

A aprendizagem automatizada da máquina pode visar várias etapas do processo de aprendizagem da máquina:[2]

Preparação e ingestão automatizada de dados (a partir de dados brutos e formatos diversos)

Detecção automática do tipo de coluna; por exemplo, booleana, numérica discreta, numérica contínua, ou texto

Detecção automática de intenção de coluna; por exemplo, alvo/etiqueta, campo de estratificação, recurso numérico, recurso de texto categórico, ou recurso de texto livre

Detecção automática de tarefas; por exemplo, classificação binária, regressão, agrupamento, ou ranking

Engenharia automatizada de recursos

Seleção de características

Extração de recursos

Meta aprendizagem e transferência de aprendizagem

Detecção e tratamento de dados distorcidos e/ou valores ausentes

Seleção automatizada de modelos

Hiperparâmetros de otimização do algoritmo de aprendizado e featurização

Seleção automatizada de dutos sob restrições de tempo, memória e complexidade

Seleção automatizada de métricas de avaliação / procedimentos de validação

Verificação automatizada de problemas

Detecção de vazamentos

Detecção de erros de configuração

Análise automatizada dos resultados obtidos

Interfaces de usuário e visualizações para aprendizado automático de máquinas