このセクションでは、 AutoML と統合されており、 AutoML が適しているかどうかを判断するのに役立ちます。
利点
AutoML を使用する最も一般的な理由は次のとおりです。
- 時間を節約するため: 多くの人が、時間の節約のために AutoML を選んでいます。 大規模な手動テストを行って最適なモデルを見つける
- ML モデルの品質を向上させるため: AutoML ツールでは、 最高品質のモデルを作成できます
- 専門的なスキルなしで ML モデルを構築する: 副作用 ML の民主化ですユーザーは、 ML アルゴリズムやプログラミングに関する深い知識を ML モデルの開発です
- データセットのスモークテストを行うには: モデルビルダーのエキスパートでも、AutoML は データセットに十分なリソースがあるかどうかのベースライン推定値を 拾い上げていることがわかります。たとえ単純なデータでも AutoML ツールで モデルの構築に時間をかける価値がない場合や、 構築できます。
- データセットを評価するには: 多くの AutoML システムは、 モデルにフィードするだけでなく、モデルに投入する モデルをトレーニングします。結果として得られるモデルを使用しなくても、AutoML は 価値の低い機能を見極めるためのツール 最終的なデータセットに追加します。
- ベスト プラクティスを適用するため: 自動化機能には、適用するためのサポートが組み込まれています。 各モデル検索に対する ML のベスト プラクティス
制限事項
ただし、AutoML を選択する前に、いくつかの制限事項を考慮する必要があります。
- モデルの品質は手動トレーニングほど良好ではない可能性があります。一般化したモデルを使って アーキテクチャの最適な組み合わせを見つけるため、 ハイパーパラメータ、特徴量エンジニアリングなどが、 十分な時間があるやる気のあるエキスパートが、より優れたモデルを作成できるようになることを 向上します
- モデルの検索と複雑さが不明瞭になる場合があります。AutoML を使用すると、 ツールがどのようにして最適なモデルに到達したのかを分析できます。実際、 出力モデル自体は、さまざまなアーキテクチャ、 特徴量エンジニアリング戦略について学びます。以下を使用して生成されたモデル: AutoML は手動で再現するのは困難です。
- 複数の AutoML の実行でばらつきが大きい場合: 最適化アルゴリズムが最適と判断した値を反復的に検出 場合、AutoML 実行ごとに異なる部分を検索する可能性があります。 ある程度（場合によってはかなりの程度）で できます。AutoML で再チューニングして新しいモデル アーキテクチャを作成する 前の出力モデルを再トレーニングするよりもばらつきが大きい 説明します。
- トレーニング中にモデルをカスタマイズすることはできません。ユースケースで カスタマイズや微調整を行う必要がないため、AutoML は 選択できます。
データ要件
カスタム トレーニングと AutoML システムのいずれを使用する場合でも、 ゼロからモデルを構築する場合 重要な点として 大量のデータです。AutoML の利点は、カスタム コンテナのデプロイを ハイパーパラメータを探索し、主にインフラストラクチャと 保護します。
特殊な AutoML システムを使用して、Google Cloud で 大幅に削減されます 転移学習。対象 独自の ML モデルの構築に数十万のサンプルを 画像分類モデルの場合、これらの特殊な AutoML システムは ラベル付き画像と既存のモデルからの転移学習を 画像分類フレームワーク モデルです。
AutoML がプロジェクトに適しているかどうか
AutoML は、初心者からエキスパートまで誰でも ML を使用してプロダクトとプロダクトを構築し、 問題を解決します。自分のプロジェクトに AutoML が適しているか判断しようとしている場合は、 次のトレードオフを考慮してください。
- AutoML は、ML 構築の経験が限られているチームに最適です。 生産性向上を求めている、または経験豊富なチームが カスタマイズの要件はありません。
- モデルの品質が必要な場合は、カスタム（手動）トレーニングのほうが適しています。 チームはモデルをカスタマイズできる必要があります対象 手動トレーニングでは、テストと検証にさらに時間を要する場合があります。 チームがより高品質のモデルを構築できることが多い 説明しました