У цьому розділі розглядаються деякі переваги й обмеження AutoML. Ця інформація допоможе вирішувати, чи підходить AutoML для вашого проекту.
Переваги
Нижче наведено деякі з найпоширеніших причин використовувати AutoML.
- Економія часу. Багато людей вибирають AutoML, щоб заощадити час на тривалих експериментах, які б знадобилися, щоб знайти найкращу модель вручну.
- Покращення якості моделі машинного навчання. Інструменти AutoML можуть комплексно шукати модель найвищої якості.
- Побудова моделі машинного навчання без спеціальних навичок. Побічний ефект автоматизації задач машинного навчання – це спрощення навчального процесу. Користувачам не потрібно докладно розбиратися в алгоритмах машинного навчання або програмуванні, щоб розробити модель машинного навчання.
- Димовий тест набору даних. За допомогою AutoML можна швидко отримати базову оцінку того, чи достатньо сигналу в наборі даних серед усіх його шумів. Це стане в пригоді навіть досвідченим розробникам моделей. Якщо інструменту AutoML не вдається побудувати навіть посередню модель, можливо, не варто витрачати час на створення хорошої моделі вручну.
- Оцінка набору даних. Багато систем AutoML допомагають оцінити не тільки моделі, які вони створюють, але й ознаки, які використовуються для навчання цих моделей. Інструменти AutoML принесуть користь, навіть якщо ви не використовуватимете отриману модель, адже вони допомагають визначити, які з ваших ознак не варто збирати й додавати в остаточний набір даних.
- Застосування рекомендацій. Автоматизація передбачає вбудовану підтримку, що дає змогу застосовувати рекомендації щодо машинного навчання до кожного пошуку моделі.
Обмеження
Однак, перш ніж вибрати AutoML, слід врахувати деякі обмеження.
- Якість моделі може бути не такою високою, як при ручному навчанні. Використовується узагальнений алгоритм оптимізації для пошуку найкращої комбінації архітектури, гіперпараметрів і конструювання ознак для будь-якого випадкового набору даних. Часто це означає, що мотивований спеціаліст, який має достатньо часу, може створити модель із кращою якістю прогнозування.
- Пошук моделі і її складність можуть бути непрозорими. При використанні AutoML важко зрозуміти, як інструмент дійшов висновку, що певна модель найкраща. По суті, самі вихідні моделі можуть створюватися на основі різних архітектур, гіперпараметрів і стратегій конструювання ознак. Моделі, згенеровані за допомогою AutoML, важко відтворити вручну.
- Якщо запустити AutoML кілька разів, розбіжності можуть виявитися значними. Алгоритм оптимізації ітеративно знаходить найкращі, на його думку, значення для побудови моделі. Тому якщо запустити інструменти AutoML кілька разів, вони можуть щоразу переглядати різні фрагменти простору й давати дещо (або навіть значно) різні результати. Повторне налаштування AutoML для створення нової архітектури моделі може призвести до більшої кількості розбіжностей, ніж якщо просто перенавчити попередню архітектуру вихідної моделі.
- Моделі неможливо змінювати під час навчання. Якщо ваш сценарій застосування вимагає, щоб модель персоналізували або налаштовували під час навчання, можливо, AutoML вам не підійде.
Вимоги до даних
Хоч що ви використовуєте, спеціальне навчання чи систему AutoML, можете очікувати, що для побудови моделі з нуля вам знадобляться великі обсяги даних. Перевага AutoML полягає в тому, що можна здебільшого не витрачати час на пошук архітектури й гіперпараметрів, а зосередитися на якості даних.
Є також спеціалізовані системи AutoML, які можуть навчати моделі на основі перенесення даних, для чого потрібна значно менша їх кількість. Наприклад, замість того, щоб використовувати сотні тисяч прикладів для побудови моделі класифікації зображень, такі спеціалізовані системи AutoML можуть навчити її лише на кількох сотнях зображень із мітками, а також даних, перенесених із наявної базової моделі класифікації зображень.
Чи підходить AutoML для вашого проекту?
Модель AutoML допоможе будь-кому – і новачкам, і професіоналам – використовувати машинне навчання, щоб створювати продукти й вирішувати проблеми. Якщо ви вагаєтеся, чи підходить AutoML для вашого проекту, врахуйте такі аспекти:
- AutoML – це хороший варіант для команд з обмеженим досвідом створення моделей машинного навчання або для досвідчених команд, які прагнуть підвищити продуктивність і не мають високих вимог до налаштування.
- Спеціальне навчання (ручне) підходить краще, якщо важлива якість моделі й команді необхідно мати можливість її налаштовувати. У таких випадках ручне навчання може зайняти більше часу через експерименти й побудову рішення, але в результаті команда часто отримує модель вищої якості, ніж якби використовувала AutoML.