Роботизированный AI (AutoML) – это путь к компьютеризации, чтобы закончить путь к применению AI к проблемам сертификации. В процессе работы приложения AI для прокатных станов, профессионалы имеют набор данных, состоящий из информационной информации, на которой они должны подготовиться. Сама по себе сырая информация может быть не в структуре с конечной целью, что все расчеты могут быть релевантны для нее из контейнера. Специалисту может понадобиться применить подходящую информацию перед подготовкой, выделить здание, включить добычу и выделить методы выбора, которые делают набор данных управляемым для искусственного осеменения. Следуя этим этапам предварительной обработки, специалист должен выполнить расчетное определение и усовершенствование гиперпараметров, чтобы расширить предвидную презентацию своей последней модели искусственного осеменения. Такое же количество этих средств регулярно превышает возможности неспециалистов, AutoML был предложен как ответ на постоянно развивающийся тест применения машинного обучения, основанный на человеческих мозговых ресурсах. Компьютеризация способа применения ИИ от начала до конца дает преимущества более легкой аранжировки, более быстрого изготовления таких аранжировок, а также моделей, которые часто бьют модели, которые были запланированы вручную. В любом случае, AutoML определенно не является серебряной слизью и может представлять дополнительные параметры, называемые гипергиперпараметрами, которые могут потребовать некоторого мастерства, чтобы быть установлены самим собой. В любом случае, он упрощает использование ИИ для неспециалистов.

Цели автоматизации

Автоматизированное машинное обучение может быть нацелено на различные этапы процесса машинного обучения:[2].

Автоматизированная подготовка и прием данных (из исходных данных и различных форматов)

Автоматическое определение типа столбца; например, булевое, дискретное числовое, непрерывное числовое или текстовое

Автоматическое определение намерения столбца; например, цель/метка, поле расслоения, числовой элемент, категорический текстовый элемент или текстовый элемент свободного текста.

Автоматическое определение задачи; например, двоичная классификация, регрессия, кластеризация или ранжирование

Автоматизированное функциональное проектирование

Выбор характеристик

Извлечение функции

Мета-обучение и трансфертное обучение

Обнаружение и обработка перекошенных данных и/или пропущенных значений

Автоматический выбор модели

Гиперпараметрическая оптимизация алгоритма обучения и featurization

Автоматизированный выбор трубопровода в условиях ограничений по времени, памяти и сложности

Автоматизированный выбор оценочных показателей / процедур валидации

Автоматическая проверка проблем

обнаружение утечек

Обнаружение неправильной конфигурации

Автоматизированный анализ полученных результатов

Пользовательские интерфейсы и визуализации для автоматизированного машинного обучения