Esta sección analiza algunos de los beneficios y limitaciones de AutoML y también te ayudará a decidir si AutoML es adecuado para tu proyecto.
Beneficios
Estos son algunos de los motivos más comunes por los que puedes elegir usar AutoML:
- Para ahorrar tiempo: Muchas personas eligen AutoML para ahorrar tiempo evitando exhaustiva experimentación manual para encontrar el mejor modelo.
- Para mejorar la calidad del modelo de AA: Las herramientas de AutoML pueden realizar búsquedas exhaustivas. para obtener el modelo de más alta calidad.
- Para compilar un modelo de AA sin necesidad de habilidades especializadas: Un efecto secundario de automatizar tareas del AA es que democratiza el AA. Los usuarios no necesitan tener una comprensión profunda de los algoritmos de aprendizaje automático o de la programación para desarrollar un modelo de AA.
- Para realizar una prueba de humo de un conjunto de datos: Incluso si eres un creador de modelos experto, AutoML pueden darte rápidamente una estimación de referencia para saber si un conjunto de datos la señal en todo su ruido. Si la herramienta AutoML no puede crear ni siquiera un modelo, puede que no valga la pena dedicar tiempo a crear un buen modelo manualmente.
- Para evaluar un conjunto de datos: Muchos sistemas de AutoML ayudan a evaluar no solo los modelos que producen, sino que también ayudan a evaluar las funciones que se para entrenar esos modelos. Incluso si no usas el modelo resultante, AutoML las herramientas pueden ayudarte a determinar cuáles de tus atributos pueden no valer recopilando e incluyendo en tu conjunto de datos final.
- Para aplicar las prácticas recomendadas: La automatización incluye asistencia integrada para aplicar Prácticas recomendadas del AA para la búsqueda de cada modelo
Limitaciones
Sin embargo, antes de elegir AutoML hay algunas limitaciones que debes tener en cuenta:
- La calidad del modelo puede no ser tan buena como el entrenamiento manual. Usar un modelo generalizado de optimización para encontrar la mejor combinación de arquitectura los hiperparámetros y la ingeniería de atributos para cualquier conjunto de datos aleatorio que un experto motivado con el tiempo suficiente pueda crear un modelo con una y la calidad de la predicción.
- La búsqueda de modelos y la complejidad pueden ser opacas. Con AutoML, es difícil para tener información sobre cómo la herramienta llegó al mejor modelo. De hecho, el los modelos de salida pueden estar hechos a partir de diferentes arquitecturas los hiperparámetros y las estrategias de ingeniería de atributos. Modelos generados con AutoML es difícil de reproducir de forma manual.
- Varias ejecuciones de AutoML pueden mostrar más varianza: debido a cómo la El algoritmo de optimización encuentra de forma iterativa los valores que considera que son los mejores. para crear el modelo, distintas ejecuciones de AutoML pueden buscar distintas partes del espacio y terminar de forma moderada (o incluso significativa) diferentes lugares. Vuelve a ajustar con AutoML para crear una nueva arquitectura de modelo puede mostrar más varianza que simplemente volver a entrenar el modelo de resultados anterior arquitectura.
- Los modelos no se pueden personalizar durante el entrenamiento. Si tu caso de uso requiere personalización o ajustes durante el proceso de entrenamiento, es posible que AutoML no sea la opción correcta para ti.
Requisitos de los datos
Ya sea que uses entrenamiento personalizado o un sistema de AutoML, una cosa que puedes cuando compilas un modelo desde cero es que necesitarás modelos grandes cantidades de datos. La ventaja de AutoML es que puedes ignorar búsqueda de hiperparámetros y arquitectura, y enfocarse principalmente en la calidad del tus datos.
También hay sistemas especializados de AutoML que pueden entrenar modelos con muchos menos datos porque usan aprendizaje por transferencia. Para ejemplo, en lugar de necesitar cientos de miles de ejemplos para compilar de clasificación de imágenes, estos sistemas especializados de AutoML solo pueden usar unos cientos de imágenes etiquetadas junto con el aprendizaje por transferencia de una red de clasificación de imágenes.
¿AutoML es adecuado para tu proyecto?
AutoML puede ayudar a todos, desde principiantes hasta expertos, a usar el AA para crear productos y resolver problemas. Si estás tratando de decidir si AutoML es adecuado para tu proyecto, considera estas compensaciones:
- AutoML es una opción excelente para equipos con experiencia limitada en la creación de AA. o equipos experimentados que buscan mejoras en la productividad y pero no tienen requisitos de personalización.
- El entrenamiento personalizado (manual) es más adecuado cuando la calidad del modelo es es importante y el equipo debe poder personalizar el modelo. En estas el entrenamiento manual puede requerir más tiempo para la experimentación y crear una solución, pero el equipo a menudo puede lograr un modelo de mayor calidad que con una solución de AutoML.