Mit Sammlungen den Überblick behalten
Sie können Inhalte basierend auf Ihren Einstellungen speichern und kategorisieren.
In diesem Abschnitt werden einige der Vorteile und Einschränkungen
AutoML und kann
bei der Entscheidung, ob AutoML das Richtige für Ihr Projekt ist.
Vorteile
Hier einige der häufigsten Gründe für die Verwendung von AutoML:
Zeit sparen: Viele Nutzer entscheiden sich für AutoML, um Zeit zu sparen, weil
um das beste Modell zu finden.
Qualität des ML-Modells verbessern: Mit AutoML-Tools können Sie umfassende
für das Modell mit der höchsten Qualität.
Um ein ML-Modell ohne spezielle Fähigkeiten zu erstellen: Dies ist ein Nebeneffekt.
der Automatisierung von ML-Aufgaben ist,
dass sie ML demokratisiert wird. Nutzende benötigen keine
Algorithmen für maschinelles Lernen
oder Programmierung verstehen,
ein ML-Modell entwickeln.
Dataset testen: Auch wenn Sie ein erfahrener Modellentwickler sind, kann AutoML
kann Ihnen schnell eine Basisschätzung dafür liefern, ob ein Dataset
in all seinen Rauschen zu hören. Wenn das AutoML-Tool nicht einmal eine mittelmäßige
lohnt es sich vielleicht nicht,
ein gutes Modell zu erstellen,
von Hand.
Dataset bewerten: Viele AutoML-Systeme helfen Ihnen bei der Bewertung nicht nur
Modelle erstellt, sondern auch bei der Bewertung
der Funktionen helfen,
Modelle zu trainieren. Auch wenn Sie das resultierende Modell nicht verwenden,
Tools können Ihnen helfen, zu ermitteln, welche Ihrer Funktionen möglicherweise
und in Ihr endgültiges Dataset
einbeziehen können.
Best Practices durchsetzen: Die Automatisierung umfasst integrierte Unterstützung für die Anwendung
Best Practices für ML für jede Modellsuche
Beschränkungen
Bevor Sie sich für AutoML entscheiden, sollten Sie jedoch einige Einschränkungen beachten:
Die Modellqualität ist möglicherweise nicht so gut wie manuelles Training. Mithilfe eines generalisierten
Optimierungsalgorithmus verwendet, um die beste Kombination aus Architektur,
Hyperparameter und Feature Engineering für
beliebige Datasets bedeuten oft
dass eine motivierte Fachkraft mit genügend Zeit ein Modell mit besserem
der Vorhersagequalität.
Die Modellsuche und -komplexität können intransparent sein. Mit AutoML ist es schwierig,
um zu erfahren, wie das Tool zum besten Modell gelangt ist. Tatsächlich
Ausgabemodelle selbst können aus
verschiedenen Architekturen stammen,
Hyperparameter und Feature-Engineering-Strategien. Mit Modellen generierte Modelle
AutoML-Daten lassen sich nur schwer manuell reproduzieren.
Bei mehreren AutoML-Läufen kann es zu größeren Abweichungen kommen: Aufgrund der Art und Weise, wie die
der Optimierungsalgorithmus iterativ die besten Werte findet,
Modell erstellen, können verschiedene AutoML-Ausführungen in verschiedenen Teilen suchen.
und windet sich relativ (oder stark) auf
an unterschiedlichen Orten. Erneute Abstimmung mit AutoML zum Erstellen einer neuen Modellarchitektur
kann eine größere Varianz aufweisen, als einfach das vorherige Ausgabemodell neu zu trainieren.
Architektur.
Modelle können während des Trainings nicht angepasst werden. Wenn Ihr Anwendungsfall
Anpassungen oder Feinabstimmungen während des Trainingsprozesses vornehmen, ist AutoML
die richtige Wahl für Sie.
Datenanforderungen
Unabhängig davon, ob Sie benutzerdefiniertes Training
oder ein AutoML-System verwenden,
wenn Sie ein Modell von Grund auf neu erstellen,
große Datenmengen. Der Vorteil von AutoML ist, dass Sie die
Architektur und Hyperparametern suchen und sich primär auf die Qualität
Ihre Daten.
Es gibt auch spezielle AutoML-Systeme, die Modelle mit
erheblich weniger Daten, da sie
Lerntransfer: Für
statt Hunderttausende von Beispielen zu benötigen,
Bildklassifizierungsmodell haben, können diese speziellen AutoML-Systeme nur
ein paar hundert beschriftete Bilder zusammen mit
einem Lerntransfer aus einem vorhandenen
Framework-Modell zur Bildklassifizierung.
Eignet sich AutoML für Ihr Projekt?
AutoML kann alle – vom Anfänger bis zum Experten – dabei helfen, ML für die Entwicklung von Produkten und
Probleme zu lösen. Wenn Sie sich entscheiden müssen,
ob AutoML das Richtige für Ihr Projekt ist,
sollten Sie folgende Vor- und Nachteile beachten:
AutoML ist eine gute Wahl für Teams, die wenig Erfahrung in der ML-Entwicklung haben.
oder erfahrenen Teams, die Produktivitätszuwächse und
keine Anpassungsanforderungen.
Benutzerdefiniertes (manuelles) Training ist sinnvoller, wenn die Modellqualität
und das Team muss in der Lage sein,
sein Modell anzupassen. In diesen
kann das manuelle Training mehr Zeit für Tests und
Entwicklung einer Lösung, aber das Team kann oft
ein qualitativ besseres Modell erzielen,
als mit einer AutoML-Lösung.
[null,null,["Zuletzt aktualisiert: 2024-08-13 (UTC)."],[[["\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)"]]
