Cette section présente certains des avantages et limites AutoML et peuvent vous aider à déterminer si AutoML convient à votre projet.
Avantages
Voici quelques-unes des raisons les plus courantes qui peuvent vous pousser à utiliser AutoML:
- Pour gagner du temps: de nombreux utilisateurs choisissent AutoML afin d'éviter des expérimentations manuelles approfondies pour trouver le meilleur modèle.
- Pour améliorer la qualité du modèle de ML: les outils AutoML peuvent effectuer des recherches complètes pour obtenir un modèle de qualité optimale.
- Créer un modèle de ML sans avoir besoin de compétences spécialisées: effet secondaire d'automatiser les tâches de ML est qu'elle démocratise le ML. Les utilisateurs n'ont pas besoin d'avoir une compréhension approfondie des algorithmes ou de la programmation de machine learning pour à développer un modèle de ML.
- Pour effectuer un test de confiance sur un ensemble de données: même si vous êtes un expert en création de modèles, AutoML peut rapidement vous donner une estimation de référence pour savoir si un jeu de données dispose dans tout son bruit. Si l'outil AutoML ne parvient pas à créer vous n'avez peut-être pas besoin de consacrer du temps à la création d'un bon modèle manuellement.
- Évaluer un ensemble de données: de nombreux systèmes AutoML ne permettent pas seulement les modèles qu'ils produisent, mais aussi à évaluer les caractéristiques l'entraînement de ces modèles. Même si vous n'utilisez pas le modèle obtenu, peuvent vous aider à déterminer quelles fonctionnalités n'ont pas d'intérêt la collecte et l’inclusion dans votre jeu de données final.
- Application des bonnes pratiques: l'automatisation permet de mettre en œuvre les bonnes pratiques de ML pour chaque recherche de modèle ;
Limites
Toutefois, avant de choisir AutoML, vous devez tenir compte de certaines limites:
- La qualité du modèle peut ne pas être aussi bonne que l'entraînement manuel. L'utilisation d'un modèle généralisé pour trouver la meilleure combinaison d'architecture, les hyperparamètres et l'ingénierie des caractéristiques pour tout ensemble de données aléatoire, qu'un expert motivé et disposant d'assez de temps puisse créer un modèle la qualité des prédictions.
- La recherche et la complexité des modèles peuvent être opaques. Avec AutoML, il est difficile d'avoir un aperçu de la façon dont l'outil est parvenu au meilleur modèle. En fait, les modèles de sortie eux-mêmes peuvent être créés à partir de différentes architectures, les hyperparamètres et les stratégies d'ingénierie des caractéristiques. Modèles générés avec AutoML sont difficiles à reproduire manuellement.
- Plusieurs exécutions AutoML peuvent présenter davantage de variance: en raison de la façon dont l'algorithme d'optimisation trouve de façon itérative ce qu'il pense être les meilleures valeurs pour créer le modèle, différentes exécutions d'AutoML peuvent effectuer une recherche dans différentes parties de l'espace et se retrouvent modérément (voire même beaucoup) différents endroits. Réglage avec AutoML pour créer une architecture de modèle peut présenter plus de variance que le simple fait de réentraîner le modèle de sortie précédent de l'architecture.
- Les modèles ne peuvent pas être personnalisés pendant l'entraînement. Si votre cas d'utilisation nécessite ou d'ajustements pendant le processus d'entraînement, AutoML n'est pas forcément qui vous convient le mieux.
Exigences en matière de données
Que vous utilisiez l'entraînement personnalisé ou un système AutoML, Lorsque vous créez un modèle à partir de zéro, vous avez besoin grandes quantités de données. AutoML vous permet d'ignorer l'architecture et les hyperparamètres, et se concentrent principalement sur la qualité vos données.
Il existe également des systèmes AutoML spécialisés permettant d'entraîner des modèles beaucoup moins de données, car elles utilisent apprentissage par transfert. Pour au lieu de devoir compiler des centaines de milliers d'exemples un modèle de classification d'images, ces systèmes AutoML spécialisés ne peuvent utiliser quelques centaines d'images étiquetées, et l'apprentissage par transfert de classification d'images.
AutoML convient-il à votre projet ?
AutoML peut aider n'importe qui, novice comme expert, à utiliser le ML pour créer des produits et résoudre les problèmes. Pour savoir si AutoML convient à votre projet, envisagez ces compromis:
- AutoML est la solution idéale pour les équipes qui n'ont que peu d'expérience en développement de ML. ou d'équipes expérimentées qui cherchent à gagner en productivité et n'ont pas d'exigences de personnalisation.
- L'entraînement personnalisé (manuel) est plus approprié lorsque la qualité du modèle est importante et l'équipe doit être en mesure de personnaliser son modèle. Dans ces l'entraînement manuel peut nécessiter plus de temps pour les tests et la création d'une solution, mais l'équipe parvient souvent à obtenir un modèle de meilleure qualité qu'avec une solution AutoML.