Questa sezione illustra alcuni vantaggi e limiti dei AutoML e possono a decidere se AutoML è la scelta giusta per il tuo progetto.
Vantaggi
Ecco alcuni dei motivi più comuni per cui potresti scegliere di utilizzare AutoML:
- Per risparmiare tempo: molti utenti scelgono AutoML per risparmiare tempo evitando sperimentazione manuale estensiva per trovare il modello migliore.
- Per migliorare la qualità del modello ML: gli strumenti AutoML possono eseguire ricerche complete per un modello di massima qualità.
- Creare un modello ML senza bisogno di competenze specialistiche: un effetto collaterale delle attività di ML è che democratizza l'ML. Per gli utenti non è necessario una profonda conoscenza degli algoritmi o della programmazione di machine learning per lo sviluppo di un modello ML.
- Per eseguire il test del fumo di un set di dati: anche se sei un esperto creatore di modelli, AutoML può fornire rapidamente una stima di riferimento per determinare se un set di dati ha abbastanza in tutto il suo rumore. Se lo strumento AutoML non è in grado di creare un modello un modello efficace, potrebbe non valere la pena dedicare il tuo tempo a creare manualmente.
- Per valutare un set di dati: molti sistemi AutoML ti aiutano a valutare non solo i modelli che producono, ma aiutano anche a valutare le caratteristiche durante l'addestramento di questi modelli. Anche se non utilizzi il modello risultante, AutoML strumenti può aiutarti a stabilire quali funzionalità potrebbero non valere per la raccolta e l'inclusione nel set di dati finale.
- Per applicare le best practice: l'automazione include il supporto integrato per la richiesta best practice di ML per ogni ricerca di modello
Limitazioni
Tuttavia, prima di scegliere AutoML esistono alcune limitazioni da considerare:
- La qualità del modello potrebbe non essere uguale a quella dell'addestramento manuale. L'utilizzo di un modello l'algoritmo di ottimizzazione per trovare la migliore combinazione di architettura, e feature engineering per qualsiasi set di dati casuale spesso significa che un esperto motivato con abbastanza tempo possa creare un modello e la qualità della previsione.
- La ricerca e la complessità del modello possono risultare poco chiare. Con AutoML, è difficile per avere informazioni sul modo in cui lo strumento è arrivato al modello migliore. Infatti, i modelli di output possono essere realizzati a partire da diverse architetture, e le strategie di feature engineering. Modelli generati con Sono difficili da riprodurre manualmente con AutoML.
- Più esecuzioni AutoML possono mostrare una maggiore varianza: a causa del modo in cui l'algoritmo di ottimizzazione trova iterativamente i valori che ritiene migliori per creare il modello, esecuzioni di AutoML diverse possono cercare parti diverse dello spazio per poi terminare in modo moderata (o forse anche significativo) luoghi diversi. Riottimizzazione con AutoML per creare una nuova architettura dei modelli può mostrare una varianza maggiore rispetto al semplice riaddestramento del modello di output precedente dell'architettura.
- I modelli non possono essere personalizzati durante l'addestramento. Se il tuo caso d'uso richiede o modifiche apportate durante il processo di addestramento, AutoML potrebbe non la scelta giusta per te.
Requisiti dei dati
Che tu stia utilizzando l'addestramento personalizzato o un sistema AutoML, una cosa quando si crea un modello da zero è necessario quantità di dati. Il vantaggio di AutoML è che puoi ignorare architettura e iperparametri e si concentrano principalmente sulla qualità i tuoi dati.
Esistono anche sistemi AutoML specializzati che possono addestrare modelli molto meno dati in quanto utilizzano Transfer Learning. Per anziché richiedere centinaia di migliaia di esempi per la loro creazione un modello di classificazione delle immagini, questi sistemi AutoML specializzati possono utilizzare alcune centinaia di immagini etichettate insieme al Transfer Learning da un modello modello di framework di classificazione delle immagini.
AutoML è adatto al tuo progetto?
AutoML può aiutare chiunque, dai principianti agli esperti, a utilizzare il machine learning per creare prodotti e risolvere i problemi. Se stai cercando di decidere se AutoML è adatto al tuo progetto, prendi in considerazione questi compromessi:
- AutoML è un'ottima scelta per un team con un'esperienza limitata nella creazione di soluzioni di ML o team esperti alla ricerca di aumenti di produttività non hanno requisiti di personalizzazione.
- L'addestramento personalizzato (manuale) è più appropriato quando la qualità del modello è importante e il team deve essere in grado di personalizzare il proprio modello. In queste casi, l'addestramento manuale può richiedere più tempo per la sperimentazione e creando una soluzione, ma il team spesso può realizzare un modello di qualità superiore rispetto a una soluzione AutoML.