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.