AutoML: مزایا و محدودیت ها
با مجموعهها، منظم بمانید
ذخیره و طبقه‌بندی محتوا براساس اولویتهای شما.
این بخش برخی از مزایا و محدودیت های AutoML را مورد بحث قرار می دهد و می تواند به شما کمک کند تصمیم بگیرید که آیا AutoML برای پروژه شما مناسب است یا خیر.
مزایا
برخی از رایج ترین دلایلی که ممکن است برای استفاده از AutoML انتخاب کنید عبارتند از:
- برای صرفه جویی در زمان : بسیاری از مردم AutoML را برای صرفه جویی در زمان با اجتناب از آزمایش های دستی گسترده برای یافتن بهترین مدل انتخاب می کنند.
- برای بهبود کیفیت مدل ML : ابزارهای AutoML می توانند به طور جامع بالاترین کیفیت مدل را جستجو کنند.
- برای ساختن یک مدل ML بدون نیاز به مهارت‌های تخصصی : یک عارضه جانبی خودکارسازی وظایف ML این است که ML را دموکراتیک می‌کند. کاربران برای توسعه یک مدل ML نیازی به درک عمیقی از الگوریتم های یادگیری ماشین یا برنامه نویسی ندارند.
- برای تست کردن یک مجموعه داده : حتی اگر یک سازنده مدل متخصص باشید، AutoML می‌تواند به سرعت یک تخمین پایه برای اینکه آیا یک مجموعه داده دارای سیگنال کافی در تمام نویز است یا خیر، به شما ارائه دهد. اگر ابزار AutoML نمی تواند حتی یک مدل متوسط بسازد، ممکن است ارزش صرف وقت خود را برای ساخت یک مدل خوب با دست نداشته باشد.
- برای ارزیابی یک مجموعه داده : بسیاری از سیستم‌های AutoML به شما کمک می‌کنند نه تنها مدل‌هایی را که تولید می‌کنند، بلکه به ارزیابی ویژگی‌هایی که در آموزش آن مدل‌ها می‌پردازند نیز کمک کنند. حتی اگر از مدل به دست آمده استفاده نکنید، ابزار AutoML ممکن است به شما کمک کند تعیین کنید کدام یک از ویژگی های شما ممکن است ارزش جمع آوری و گنجاندن در مجموعه داده نهایی خود را نداشته باشد.
- برای اجرای بهترین شیوه‌ها : اتوماسیون شامل پشتیبانی داخلی برای اعمال بهترین شیوه‌های ML برای هر جستجوی مدل است.
محدودیت ها
با این حال، قبل از انتخاب AutoML محدودیت هایی وجود دارد که باید در نظر بگیرید:
- کیفیت مدل ممکن است به خوبی آموزش دستی نباشد. استفاده از یک الگوریتم بهینه سازی تعمیم یافته برای یافتن بهترین ترکیب معماری، ابرپارامترها و مهندسی ویژگی برای هر مجموعه داده تصادفی اغلب به این معنی است که یک متخصص با انگیزه با زمان کافی می تواند مدلی با کیفیت پیش بینی بهتر ایجاد کند.
- جستجوی مدل و پیچیدگی ممکن است مبهم باشد. با AutoML، داشتن بینشی در مورد چگونگی رسیدن ابزار به بهترین مدل دشوار است. در واقع، خود مدل‌های خروجی ممکن است از معماری‌ها، فراپارامترها و استراتژی‌های مهندسی ویژگی‌های مختلف ساخته شوند. مدل های تولید شده با AutoML به سختی می توان به صورت دستی تولید کرد.
- اجرای چندگانه AutoML ممکن است واریانس بیشتری را نشان دهد : به دلیل اینکه چگونه الگوریتم بهینه‌سازی به طور مکرر آنچه را که فکر می‌کند بهترین مقادیر برای ساخت مدل است، پیدا می‌کند، اجراهای مختلف AutoML ممکن است بخش‌های مختلف فضا را جستجو کرده و به طور متوسط (یا حتی احتمالاً به طور قابل توجهی) متفاوت باشند. مکان ها تنظیم مجدد با AutoML برای ایجاد یک معماری مدل جدید ممکن است واریانس بیشتری را نسبت به آموزش مجدد معماری مدل خروجی قبلی نشان دهد.
- مدل ها را نمی توان در طول آموزش سفارشی کرد. اگر مورد استفاده شما در طول فرآیند آموزش نیاز به سفارشی سازی یا تغییراتی دارد، AutoML ممکن است انتخاب مناسبی برای شما نباشد.
الزامات داده
چه از آموزش سفارشی استفاده کنید و چه از سیستم AutoML، یکی از مواردی که می توانید هنگام ساخت یک مدل از ابتدا روی آن حساب کنید این است که به حجم زیادی از داده نیاز دارید. مزیت AutoML این است که بیشتر می توانید معماری و جستجوی فراپارامترها را نادیده بگیرید و در درجه اول بر روی کیفیت داده های خود تمرکز کنید.
همچنین سیستم‌های تخصصی AutoML وجود دارند که می‌توانند مدل‌هایی را با داده‌های بسیار کمتر آموزش دهند زیرا از یادگیری انتقالی استفاده می‌کنند. به عنوان مثال، به جای نیاز به صدها هزار مثال برای ساخت یک مدل طبقه‌بندی تصویر، این سیستم‌های تخصصی AutoML می‌توانند تنها از چند صد تصویر برچسب‌دار همراه با انتقال یادگیری از یک مدل چارچوب طبقه‌بندی تصویر موجود استفاده کنند.
آیا AutoML برای پروژه شما مناسب است؟
AutoML می تواند به هر کسی کمک کند - از تازه کار گرفته تا متخصص - از ML برای ساخت محصولات و حل مشکلات استفاده کند. اگر می‌خواهید تصمیم بگیرید که AutoML برای پروژه شما مناسب است یا خیر، این موارد را در نظر بگیرید:
- AutoML یک انتخاب عالی برای تیمی با تجربه محدود در ساخت مدل های ML یا تیم های با تجربه ای است که به دنبال افزایش بهره وری هستند و نیازهای سفارشی سازی ندارند.
- آموزش سفارشی (دستی) زمانی مناسب تر است که کیفیت مدل مهم است و تیم باید بتواند مدل خود را سفارشی کند. در این موارد، آموزش دستی ممکن است به زمان بیشتری برای آزمایش و ساخت یک راه حل نیاز داشته باشد، اما تیم اغلب می تواند به مدل با کیفیت بالاتری نسبت به راه حل AutoML دست یابد.
جز در مواردی که غیر از این ذکر شده باشد،محتوای این صفحه تحت مجوز Creative Commons Attribution 4.0 License است. نمونه کدها نیز دارای مجوز Apache 2.0 License است. برای اطلاع از جزئیات، به خطمشیهای سایت Google Developers مراجعه کنید. جاوا علامت تجاری ثبتشده Oracle و/یا شرکتهای وابسته به آن است.
تاریخ آخرین بهروزرسانی 2024-10-31 بهوقت ساعت هماهنگ جهانی.
[null,null,["تاریخ آخرین بهروزرسانی 2024-10-31 بهوقت ساعت هماهنگ جهانی."],[[["\u003cp\u003eAutoML helps save time and improve the quality of machine learning models by automating the model selection and training process.\u003c/p\u003e\n"],["\u003cp\u003eAutoML democratizes ML by enabling users without specialized skills to build models and is useful for dataset evaluation and enforcing best practices.\u003c/p\u003e\n"],["\u003cp\u003eAutoML may have limitations such as potentially lower model quality compared to manual training, limited customization during training, and opacity in the model search process.\u003c/p\u003e\n"],["\u003cp\u003eLarge amounts of data are generally required for AutoML, although specialized systems utilizing transfer learning can reduce this need.\u003c/p\u003e\n"],["\u003cp\u003eAutoML is suitable for teams with limited ML experience or those seeking productivity gains without customization needs, while manual training is preferred when model quality and customization are paramount.\u003c/p\u003e\n"]]],[],null,["# AutoML: Benefits and limitations\n\nThis section discusses some of the benefits and limitations of\n[**AutoML**](/machine-learning/glossary#automl) and can\nhelp you decide if AutoML is right for your project.\n\nBenefits\n--------\n\nSome of the most common reasons you might choose to use AutoML include:\n\n- **To save time**: Many people choose AutoML to save time by avoiding extensive manual experimentation to find the best model.\n- **To improve quality of ML model**: AutoML tools can comprehensively search for the highest quality model.\n- **To build an ML model without needing specialized skills**: A side effect of automating ML tasks is that it democratizes ML. Users don't need to have a deep understanding of machine learning algorithms or programming to develop an ML model.\n- **To smoke test a dataset**: Even if you're an expert model builder, AutoML can quickly give you a baseline estimate for whether a dataset has enough signal in all of its noise. If the AutoML tool can't build even a mediocre model, it might not be worth spending your time trying to build a good model by hand.\n- **To evaluate a dataset**: Many AutoML systems help you evaluate not just the models they produce but also help evaluate the features that go into training those models. Even if you don't use the resulting model, AutoML tools may help you determine which of your features might not be worth gathering and including in your final dataset.\n- **To enforce best practices**: Automation includes built-in support to apply ML best practices to each model search\n\nLimitations\n-----------\n\nHowever, before choosing AutoML there are some limitations you should consider:\n\n- **Model quality may not be as good as manual training.** Using a generalized optimization algorithm to find the best combination of architecture, hyperparameters, and feature engineering for any random dataset often means that a motivated expert with enough time can create a model with better prediction quality.\n- **Model search and complexity can be opaque.** With AutoML, it is difficult to have insight into how the tool arrived at the best model. In fact, the output models themselves may be made from different architectures, hyperparameters, and feature engineering strategies. Models generated with AutoML are difficult to reproduce manually.\n- **Multiple AutoML runs may show more variance**: Because of how the optimization algorithm iteratively finds what it thinks are the best values for building the model, different AutoML runs may search different portions of the space and wind up in moderately (or even possibly significantly) different places. Retuning with AutoML to create a new model architecture may show more variance than simply retraining the previous output model architecture.\n- **Models can't be customized during training.** If your use case requires customization or tweaking during the training process, AutoML may not be the right choice for you.\n\nData requirements\n-----------------\n\nWhether you're using custom training or an AutoML system, one thing you can\ncount on when you are building a model from scratch is that you need large\namounts of data. The advantage with AutoML is that you can mostly ignore the\narchitecture and hyperparameters search and focus primarily on the quality of\nyour data.\n\nThere are also specialized AutoML systems that can train models with\nsignificantly less data because they use\n[**transfer learning**](/machine-learning/glossary#transfer-learning). For\nexample, instead of requiring hundreds of thousands of examples to build\nan image classification model, these specialized AutoML systems can use only\na few hundred labeled images along with transfer learning from an existing\nimage classification framework model.\n\nIs AutoML right for your project?\n---------------------------------\n\nAutoML can help anyone---from novices to experts---use ML to build products and\nsolve problems. If you are trying to decide if AutoML is right for your project,\nconsider these trade offs:\n\n- **AutoML** is a great choice for a team with limited experience building ML models or experienced teams that are looking for productivity gains and don't have customization requirements.\n- **Custom (manual) training** is more appropriate when model quality is important and the team needs to be able to customize their model. In these cases, manual training may require more time for experimentation and building a solution, but the team can often achieve a higher quality model than with an AutoML solution.\n\n| **Key terms:**\n|\n| - [AutoML](/machine-learning/glossary#automl)\n- [Transfer Learning](/machine-learning/glossary#transfer-learning) \n[Help Center](https://support.google.com/machinelearningeducation)"]]
