Google стремится компьютеризировать мир моделей машинного обучения и дать возможность бизнес-разработчикам настраивать их, поскольку намерен использовать искусственный интеллект в качестве базового варианта использования Google Cloud Platform. Это повысит эффективность сервисов машинного обучения, направленных на повышение производительности компании.
Первоначальная дискуссия будет заключаться в том, смогут ли инструменты Google Cloud Platform для машинного обучения быстрее создавать более качественные модели.
Google Cloud AutoML использует исследования и технологии компании, чтобы позволить предприятиям персонализировать модели и корректировать алгоритмы с помощью своих установленных данных.
Действительно, использование машинного обучения для обработки данных увеличило доход и производительность бизнеса. Успешные технологические компании располагают сотнями тысяч данных, которые человеку немыслимо обработать.
Это было достигнуто за счет использования поиска нейронной архитектуры (NAS) для определения наиболее подходящей сети передачи данных для поставленной задачи.
Это гигантский скачок для фирм, поскольку он позволит им контролировать мощь машинного обучения без помощи специалистов с богатым опытом во всех областях автоматизации.
Персонализация нескольких прототипов ИИ-продуктов, предназначенных не только для решения сложных задач, но и для обычных.
«AutoML выходит за рамки классической модели машинного обучения».
«AutoML выходит за рамки построения моделей архитектуры машинного обучения», — говорит Коллинз. «Он может автоматизировать различные функции машинного обучения, которые включают предварительную обработку данных, выбор модели, исследование архитектуры и развертывание модели».
«Не существует единого алгоритма, который лучше всего работает со всеми наборами данных», — говорит он.
Как компании могут использовать AutoML?
Сейчас, когда глубокое обучение находится на начальной стадии, большинство фирм используют ИИ для простых задач. А учитывая тот факт, что специалистов по искусственному интеллекту и машинному обучению трудно найти, а нанять довольно дорого, большинство компаний стараются свести свою работу по глубокому обучению к минимуму.
Прямо здесь, где AutoML имеет огромное значение. Среди наиболее распространенных приложений глубокого обучения для бизнеса сегодня — обработка изображений. Сегодня предприятия делают ставку на сети классификации изображений.
Хотя обработка изображений выполняется с помощью инструментов машинного обучения, требуется много ручного труда, чтобы разделить правильную сеть для наборов данных изображений, а затем научить модели приспосабливаться к работе, которую они стремятся выполнить.
С AutoML фирмы могут отказаться от утомительной процедуры анализа и сразу перейти к процессу передачи. Первый инструмент AutoML от Google отвечает потребностям визуальных фирм именно в этом аспекте.
Использование решений AutoML расширяет многие привилегии, превосходящие традиционное машинное обучение и автоматизацию.
Во-первых, это скорость, основанная на заявлении Коллинза.
«AutoML позволяет специалистам по обработке и анализу данных быстрее разрабатывать модель машинного обучения со значительной степенью автоматизации и выполнять поиск гиперпараметров по различным алгоритмам, что в противном случае может занять много времени и повторяться», — говорит он.
За счет компьютеризации основных процессов — от получения необработанных наборов данных до окончательной проверки и обучения — команды могут сократить время, необходимое для построения функциональных моделей.
Второе преимущество — масштабируемость. Хотя модели машинного обучения не могут соперничать с всеобъемлющей формой человеческого знания, новые технологии позволяют нам создавать мощные аналоги определенных процессов человеческого обучения.
Третье преимущество — простота. AutoML — это инструмент, который помогает компьютеризировать метод внедрения машинного обучения в реальные головоломки.
AutoML сталкивается с трудностями, а именно с приложениями данных и моделей. Например, высококачественных размеченных данных далеко не достаточно, а расхождения данных во время исследования данных в автономном режиме могут привести к неблагоприятным последствиям.
Более того, командам следует заниматься автоматическим машинным обучением для обработки неорганизованных и частично структурированных данных, что технологически сложно.
Кроме того, устанавливаются текущие цели оптимизации системы AutoML. Обычно практические трудности представляют собой смесь различных целей, таких как необходимость добиться хитрых вариаций между выработкой политики и затратами.
При таком многоцелевом поиске люди имеют ограниченные возможности для эффективной оценки, прежде чем мы получим результаты.
В таких ситуациях трудно помочь в текущем AutoML. Например, у надлежащего бизнеса могут быть персонализированные спецификации для фактического процесса машинного обучения, для которого могут использоваться только некоторые инструменты обработки данных.
Еще один момент, о котором стоит упомянуть, заключается в том, что реализовать AutoML в изменяющейся среде сложнее, чем в неподвижной среде, поскольку условия продолжают активно меняться.
Эффективная работа с меняющейся средой — хорошо известная проблема в академическом сообществе, и исследователи постоянно изучают эту область.
Для динамического изучения окружающей среды предприятиям необходимо будет быстрее приспосабливаться к различиям в данных, выявлять различия в распределении и автоматически приспосабливаться к различным типам моделей и т. д.
Современные традиционные вычислительные платформы (такие как TensorFlow, PyTorch и т. д.) оптимизированы исключительно для обучения одной модели машинного обучения.
Для динамического обучения окружающей среде необходимо быть готовым к автоматической адаптации модели в соответствии с колебаниями в распределении данных.
Хотя автоматизированные машины могут получать решения, они не обязательно должны соответствовать требованиям пользователя. Пользователю может понадобиться объяснимая модель. На самом деле профессионалы говорят, что сама по себе объяснимость вызывает большие сомнения, потому что инсайт каждого уникален и тесно связан с индивидуальной оценкой. Тем труднее сделать модель понятной.
Что такое гиперпараметры в машинном обучении?
Чтобы достичь ценности для бизнеса, модели машинного обучения необходимо оптимизировать на основе текущих обстоятельств и желаемых результатов. Чтобы получить это, вам нужно использовать гиперпараметры, которые Коллинз описывает как «изменяемые параметры, которые управляют обучением моделей машинного обучения».
«На оптимальное выполнение модели машинного обучения влияет предпочтение значения конфигурации гиперпараметра; это может быть трудоемким ручным процессом», — добавляет Коллинз, именно здесь AutoML может сыграть ключевую роль.
С помощью платформ AutoML для компьютеризации выбора и настройки важных гиперпараметров, включая скорость обучения, размер пакета и скорость удаления, это, вероятно, сократит период времени и работу, необходимые для запуска алгоритмов ML.
Заменит ли AutoML специалистов по данным?
Технологические усовершенствования в сочетании с изменением приоритетов персонала немного стимулируют появление роботов-заменителей. Как сообщает Time, предприятия по возможности заменяют людей, чтобы снизить риск и повысить производительность труда. Но, по словам Коллинза, это не будет беспокоить специалистов по данным по мере роста AutoML.
«Опыт опытных, должным образом обученных специалистов по данным будет необходим для понимания данных и предложения предложений о том, как следует использовать данные», — говорит он.
Проще говоря, в то время как платформы AutoML предоставляют бизнес-привилегии, определение масштабов автоматических преимуществ всегда требует навыков сотрудников и опыта компания по машинному обучению.
Технология AutoML в настоящее время используется в различных ситуациях, но сложность заключается в том, чтобы применить ее в большом количестве и на дополнительных предприятиях.
Барьер в том, что технологические открытия в AutoML требуют более обширных исследований в аналитическом и алгоритмическом масштабе. Предприятия проходят несколько повторений компьютеризированного машинного обучения.
Он развился от первоначальной разработки двух категорий до различных категорий и регрессий, от организованных данных до неорганизованных данных, а именно изображений и видео, и используется в автоматическом контролируемом обучении, которое включает нестандартные данные, и в автоматическом многостороннем машинном обучении, которое защищает конфиденциальность.
С технической точки зрения исследователи изучают ограничения алгоритма AutoML, поскольку не существует универсального алгоритма, способного решить все проблемы.
Первоначально опубликовано на https://infiniticube.com 6 января 2021 г.
