Bagian ini membahas beberapa manfaat dan keterbatasan AutoML dan dapat membantu Anda memutuskan apakah AutoML tepat untuk project Anda.
Manfaat
Beberapa alasan paling umum mengapa Anda mungkin memilih untuk menggunakan AutoML antara lain:
- Untuk menghemat waktu: Banyak orang memilih AutoML untuk menghemat waktu dengan menghindari eksperimen manual yang ekstensif untuk menemukan model terbaik.
- Untuk meningkatkan kualitas model ML: Alat AutoML dapat melakukan penelusuran secara komprehensif mendapatkan model dengan kualitas tertinggi.
- Untuk membangun model ML tanpa memerlukan keterampilan khusus: Efek samping otomatisasi tugas ML adalah perluasan akses ML. Pengguna tidak perlu memiliki pemahaman yang mendalam tentang algoritma atau pemrograman {i>machine learning<i} untuk mengembangkan model ML.
- Untuk merokok menguji set data: Meskipun Anda adalah pakar pembuat model, AutoML dapat dengan cepat memberi Anda perkiraan dasar tentang apakah suatu {i>dataset<i} memiliki sinyal di semua noise-nya. Jika alat AutoML tidak dapat membuat build yang biasa-biasa saja model, tidak perlu menghabiskan waktu untuk membuat model yang bagus secara manual.
- Untuk mengevaluasi set data: Banyak sistem AutoML membantu Anda mengevaluasi tidak hanya model yang dihasilkannya tetapi juga membantu mengevaluasi fitur yang masuk melatih model tersebut. Meskipun Anda tidak menggunakan model yang dihasilkan, AutoML alat dapat membantu menentukan fitur mana yang mungkin tidak bernilai mengumpulkan dan menyertakannya dalam {i>dataset<i} akhir Anda.
- Untuk menerapkan praktik terbaik: Otomatisasi menyertakan dukungan bawaan untuk diterapkan Praktik terbaik ML untuk setiap penelusuran model
Batasan
Namun, sebelum memilih AutoML, ada beberapa batasan yang harus Anda pertimbangkan:
- Kualitas model mungkin tidak sebagus pelatihan manual. Menggunakan algoritma pengoptimalan untuk menemukan kombinasi arsitektur terbaik, hyperparameter, dan rekayasa fitur untuk {i>dataset <i}acak sering kali berarti seorang pakar yang termotivasi dengan waktu yang cukup dapat membuat model dengan kualitas prediksi.
- Penelusuran model dan kompleksitasnya bisa jadi tidak transparan. Dengan AutoML, sulit untuk mendapatkan wawasan tentang bagaimana alat tersebut dapat menghasilkan model terbaik. Bahkan, model output itu sendiri dapat dibuat dari berbagai arsitektur, hyperparameter, dan strategi rekayasa fitur. Model yang dibuat dengan AutoML sulit direproduksi secara manual.
- Beberapa operasi AutoML mungkin menunjukkan lebih banyak varian: Karena cara kerja AutoML algoritma pengoptimalan secara berulang menemukan apa yang dianggapnya sebagai nilai terbaik untuk membangun model, operasi AutoML yang berbeda mungkin mencari bagian yang berbeda ruangan dan berakhir dengan cukup baik (atau bahkan mungkin secara signifikan) tempat yang berbeda. Penyesuaian ulang dengan AutoML untuk membuat arsitektur model baru mungkin menunjukkan lebih banyak varian daripada sekadar melatih ulang model output sebelumnya tentang arsitektur ini.
- Model tidak dapat disesuaikan selama pelatihan. Jika kasus penggunaan Anda memerlukan penyesuaian atau penyesuaian selama proses pelatihan, AutoML mungkin bukan pilihan yang tepat untuk Anda.
Persyaratan data
Baik Anda menggunakan pelatihan khusus atau sistem AutoML, satu hal yang dapat digunakan ketika Anda membangun model dari awal adalah bahwa Anda membutuhkan sejumlah data. Keuntungan dengan AutoML adalah Anda dapat mengabaikan sebagian besar proses hyperparameter dan penelusuran serta berfokus terutama pada kualitas memahami data Anda.
Ada juga sistem AutoML khusus yang dapat melatih model dengan data yang jauh lebih sedikit karena mereka menggunakan pemelajaran transfer. Sebagai alih-alih membutuhkan ratusan ribu contoh untuk membuat model klasifikasi gambar, sistem AutoML khusus ini hanya dapat menggunakan ratusan gambar berlabel bersama dengan pemelajaran transfer dari model framework klasifikasi gambar.
Apakah AutoML tepat untuk project Anda?
AutoML dapat membantu siapa saja—mulai dari pemula hingga pakar—menggunakan ML untuk membangun produk dan memecahkan masalah. Jika Anda memutuskan apakah AutoML tepat untuk project Anda, pertimbangkan beberapa konsekuensi berikut:
- AutoML adalah pilihan tepat untuk tim dengan pengalaman terbatas dalam membangun ML atau tim berpengalaman yang ingin meningkatkan produktivitas dan tidak memiliki persyaratan penyesuaian.
- Pelatihan kustom (manual) lebih sesuai saat kualitas model penting dan tim harus dapat menyesuaikan model mereka. Di ini, pelatihan manual mungkin membutuhkan lebih banyak waktu untuk eksperimen dan pembuatan solusi, tetapi tim sering kali dapat mencapai model yang berkualitas lebih tinggi dibandingkan dengan solusi AutoML.