AutoML: יתרונות ומגבלות

סעיף זה דן בכמה מהיתרונות והמגבלות של AutoML יעזרו לכם להחליט אם AutoML מתאים לפרויקט שלכם.

יתרונות

אלה כמה מהסיבות הנפוצות ביותר לשימוש ב-AutoML:

• כדי לחסוך זמן: אנשים רבים בוחרים ב-AutoML כדי לחסוך זמן על ידי הימנעות לבצע בדיקות ידניות נרחבות כדי למצוא את המודל הטוב ביותר.
• כדי לשפר את איכות מודל למידת המכונה: בעזרת כלי AutoML אפשר לבצע חיפוש מקיף כדי לקבל את המודל באיכות הגבוהה ביותר.
• לפתח מודל למידת מכונה בלי צורך במיומנויות מקצועיות: תופעת לוואי האוטומציה של משימות למידת מכונה יוצרת דמוקרטיה של למידת מכונה. המשתמשים לא צריכים הבנה עמוקה של אלגוריתמים של למידת מכונה או של תכנות כדי לפתח מודל למידת מכונה.
• כדי לבדוק מערך נתונים: גם אם אתם יוצרים מודלים מומחים, AutoML הוא יכול לתת במהירות הערכה בסיסית כדי לדעת אם מערך הנתונים בכל הרעש שלו. אם כלי ה-AutoML לא יכול ליצור אפילו אולי לא כדאי להשקיע את הזמן בניסיון לבנות מודל טוב ידנית.
• כדי להעריך מערך נתונים: מערכות AutoML רבות עוזרות להעריך לא רק את המודלים שהם מייצרים, אך גם עוזרים להעריך את התכונות מאימון המודלים האלה. גם אם לא משתמשים במודל שנוצר, AutoML שיעזרו לכם לקבוע אילו מהתכונות שלכם לא מועילות ונכלול בהם את מערך הנתונים הסופי.
• לאכוף שיטות מומלצות: האוטומציה כוללת תמיכה מובנית ביישום שיטות מומלצות ללמידת מכונה בכל חיפוש של מודל

מגבלות

עם זאת, לפני שבוחרים ב-AutoML יש כמה מגבלות שכדאי לשקול:

• איכות המודל עשויה להיות פחות טובה כמו אימון ידני. באמצעות שימוש כללי באלגוריתם שלנו כדי למצוא את השילוב הטוב ביותר של ארכיטקטורה, היפר-פרמטרים והנדסת פיצ'רים (feature engineering) לכל מערך נתונים אקראי פירושם בדרך כלל שמומחה מלא מוטיבציה עם מספיק זמן יוכל ליצור מודל איכות החיזוי.
• החיפוש של המודלים והמורכבות שלהם יכולים להיות אטומים. עם AutoML קשה יותר כדי לקבל תובנות לגבי האופן שבו הכלי הגיע למודל הטוב ביותר. למעשה, יכולים להיות שמודלים של פלט עצמם עשויים להיות מארכיטקטורות שונות, היפר-פרמטרים ואסטרטגיות של הנדסת פיצ'רים (feature engineering). מודלים שנוצרו באמצעות קשה יותר לשחזר AutoML.
• עשויות להיות שונות רבה יותר של הפעלות AutoML מרובות: בשל האופן שבו אלגוריתם האופטימיזציה מוצא באופן איטרטיבי את הערכים שלדעתו הם הטובים ביותר לצורך בניית המודל, הפעלות AutoML שונות עשויות לחפש חלקים שונים שלוקח את המרחב המשותף ולסיים להגיע אליו באופן בינוני (או אפילו יכול להיות משמעותי) למקומות שונים. כוונון באמצעות AutoML ליצירת ארכיטקטורת מודלים חדשה עלול להציג שונות רבה יותר מאשר אימון מחדש של מודל הפלט הקודם של הארכיטקטורה,
• לא ניתן להתאים אישית מודלים במהלך אימון. אם בתרחיש לדוגמה שלכם יש צורך לבצע התאמה אישית או לשנות את התוכן במהלך תהליך האימון, יכול להיות ש-AutoML הבחירה הנכונה עבורך.

הדרישות לגבי הנתונים

לא משנה אם אתם משתמשים באימון מותאם אישית או במערכת AutoML, דבר אחד שתוכלו כשבונים מודל מאפס הוא צריך כמויות נתונים. היתרון של AutoML הוא שאפשר להתעלם בעיקר ובהיפר-פרמטרים, ומתמקדים בעיקר באיכות לנתונים שלכם.

יש גם מערכות AutoML מיוחדות שיכולות לאמן מודלים עם פחות נתונים באופן משמעותי, מפני שהם העברה של למידה. עבור למשל, במקום לדרוש מאות אלפי דוגמאות כדי לבנות מודל לסיווג תמונות. המערכות המתמחות האלה של AutoML יכולות להשתמש רק כמה מאות תמונות מתויגות, יחד עם תהליך הלמידה שמעביר את הלמידה מאתר קיים מסגרת לסיווג תמונות.

האם AutoML מתאים לפרויקט שלכם?

AutoML יכול לעזור לכל אחד – ממתחילים ועד מומחים – להשתמש בלמידת מכונה כדי לפתח מוצרים כדי לפתור בעיות. אם אתם מנסים להחליט אם AutoML מתאים לפרויקט שלכם, כדאי להביא בחשבון את החסרונות הבאים:

• AutoML הוא בחירה מצוינת לצוות עם ניסיון מוגבל בפיתוח למידת מכונה או צוותים מנוסים שמחפשים מידע על פרודוקטיביות, אין דרישות של התאמה אישית.
• אימון מותאם אישית (ידני) מתאים יותר כאשר איכות המודל היא חשוב, והצוות צריך להיות מסוגל להתאים אישית את המודל שלו. באלה במקרים רבים, האימון הידני עשוי להימשך זמן רב יותר לצורך ניסויים בתהליך הפיתוח של פתרון, אבל לעיתים קרובות הצוות יכול להשיג מודל באיכות גבוהה יותר מאשר בפתרון AutoML.

מונחי מפתח:

• AutoML
• העברת הלמידה