يناقش هذا القسم بعض مزايا وقيود AutoML ويمكن أن لمساعدتك في تحديد ما إذا كانت ميزة AutoML مناسبة لمشروعك أم لا.
المزايا
في ما يلي بعض الأسباب الأكثر شيوعًا التي قد تدفعك إلى اختيار استخدام AutoML:
- لتوفير الوقت: يختار العديد من الأشخاص ميزة AutoML لتوفير الوقت من خلال تجنّب لإجراء تجارب يدوية مكثفة للعثور على أفضل نموذج
- لتحسين جودة نموذج تعلُّم الآلة: يمكن لأدوات AutoML إجراء عمليات بحث شاملة للحصول على أفضل نموذج من حيث الجودة.
- إنشاء نموذج تعلُّم الآلة بدون الحاجة إلى مهارات متخصّصة: أثر جانبي أتمتة مهام تعلُّم الآلة هو إضفاء الطابع الديمقراطي على تقنية تعلُّم الآلة. لا يحتاج المستخدمون إلى فهمًا عميقًا لخوارزميات أو البرمجة التعلم الآلي وتطوير نموذج تعلُّم الآلة.
- اختبار التدخين في مجموعة بيانات: حتى لو كنت خبيرًا في إنشاء النماذج، تستخدم AutoML تقديرًا مرجعيًا بسرعة لما إذا كانت مجموعة البيانات تحتوي على ما يكفي الإشارة في كل أصواتها. إذا لم تتمكن أداة AutoML من إنشاء ، فقد لا يستحق الأمر قضاء وقتك في محاولة وضع نموذج جيد يدويًا.
- لتقييم مجموعة بيانات: تساعدك العديد من أنظمة AutoML في تقييم والنماذج التي ينتجونها ولكنها تساعد أيضًا في تقييم الخصائص التي تدخل في لتدريب تلك النماذج. حتى في حال عدم استخدام النموذج الناتج، AutoML أدوات في تحديد الميزات التي قد لا تستحق جمعها وتضمينها في مجموعة بياناتك النهائية.
- لتنفيذ أفضل الممارسات: يتضمّن التشغيل الآلي دعمًا مضمّنًا في التطبيق. أفضل ممارسات تعلُّم الآلة لكل عملية بحث عن نموذج
القيود
مع ذلك، قبل اختيار AutoML، هناك بعض القيود التي يجب مراعاتها:
- قد لا تكون جودة النموذج مثل التدريب اليدوي. يمكن أن يؤدي استخدام خوارزمية التحسين لإيجاد أفضل مجموعة من البنية الهندسية، والمعلَمات الفائقة وهندسة الخصائص لأي مجموعة بيانات عشوائية غالبًا ما تعني أن الخبير المتحمّس الذي يتمتع بالوقت الكافي يمكنه إنشاء نموذج جودة التنبؤ.
- يمكن أن يكون البحث النموذجي وتعقيده غير واضحَين. باستخدام AutoML، من الصعب للحصول على رؤية حول كيفية وصول الأداة إلى أفضل نموذج. في الواقع، نماذج المخرجات نفسها قد يتم إنشاؤها من بنى مختلفة، والمعلَمات الفائقة واستراتيجيات هندسة الميزات. النماذج التي تم إنشاؤها باستخدام يصعب إعادة إنتاج ميزة AutoML يدويًا.
- قد تؤدي عمليات تشغيل AutoML المتعددة إلى إظهار مزيد من التباين: بسبب كيفية حدوث تجد خوارزمية التحسين بالتكرار الأفضل ما تعتقد أنه أفضل القيم لإنشاء النموذج، قد تبحث عمليات تشغيل AutoML المختلفة في أجزاء مختلفة من المساحة وينتهي الأمر بشكل معتدل (أو حتى بشكل ملحوظ) أماكن مختلفة. إعادة التوليف باستخدام AutoML لإنشاء بنية نموذج جديدة قد تظهر تباينًا أكثر من مجرد إعادة تدريب نموذج الإخراج السابق الهندسة المعمارية.
- لا يمكن تخصيص النماذج أثناء التدريب. إذا كانت حالة الاستخدام تتطلب التخصيص أو التعديل أثناء عملية التدريب، قد لا تكون AutoML هي الخيار المناسب لك.
متطلبات البيانات
سواء كنت تستخدم تدريبًا مخصصًا أو نظام AutoML، يمكنك عند إنشاء نموذج من نقطة الصفر هو أنك بحاجة إلى موارد كميات البيانات. تتمثل ميزة AutoML في أنه يمكنك في الغالب تجاهل والمعايير الفائقة للبحث والتركيز بشكل أساسي على جودة بشكل أفضل.
هناك أيضًا أنظمة AutoML متخصصة يمكنها تدريب النماذج باستخدام بيانات أقل بكثير لأنها تستخدم نقل التعلُّم: بالنسبة سبيل المثال، بدلاً من طلب مئات الآلاف من الأمثلة لإنشاء نموذج تصنيف صورة، فيمكن لأنظمة AutoML المتخصصة هذه استخدام بضع مئات من الصور المصنفة بالإضافة إلى نقل التعلم من إطار عمل تصنيف الصور
هل AutoML مناسب لمشروعك؟
يمكن أن تساعد AutoML أي شخص، بدءًا من المبتدئين وحتى الخبراء، في استخدام تكنولوجيا تعلُّم الآلة لإنشاء المنتجات وحل المشكلات. إذا كنتَ تحاول تحديد ما إذا كانت ميزة AutoML مناسبة لمشروعك، ضع في اعتبارك هذه المقايضة:
- تشكّل تقنية AutoML خيارًا رائعًا لفريق يتمتع بخبرة محدودة في إنشاء تعلُّم الآلة النماذج أو الفرق ذات الخبرة التي تبحث عن مكاسب في الإنتاجية أو لم تكن لديك متطلبات تخصيص.
- يكون التدريب المخصّص (اليدوي) أكثر ملاءمةً عند تحديد جودة النموذج. ويحتاج الفريق إلى أن يكون قادرًا على تخصيص نموذجه. في هذه قد يتطلب التدريب اليدوي مزيدًا من الوقت لإجراء التجارب إيجاد حل، ولكن يمكن للفريق في كثير من الأحيان تحقيق نموذج أعلى جودة مقارنةً باستخدام حل AutoML.