W tej sekcji omawiamy niektóre korzyści i ograniczenia AutoML, pomogą Ci zdecydować, czy AutoML sprawdzi się w Twoim projekcie.
Zalety
Oto kilka najczęstszych powodów, dla których warto zdecydować się na użycie AutoML:
- Aby zaoszczędzić czas: wiele osób wybiera AutoML, aby zaoszczędzić czas, przez szczegółowe eksperymenty ręczne w celu znalezienia najlepszego modelu.
- Aby poprawić jakość modelu ML: narzędzia AutoML mogą kompleksowo wyszukiwać aby uzyskać model najwyższej jakości.
- Do utworzenia modelu ML bez konieczności specjalistycznych umiejętności: efekt uboczny automatyzacji zadań systemów uczących się sprawia, że są one demokratyczne. Użytkownicy nie muszą mieć dogłębnej znajomości algorytmów systemów uczących się lub programowania, opracować model ML.
- Aby wykonać test dymny zbioru danych: nawet jeśli jesteś ekspertem w zakresie tworzenia modeli, AutoML szybko dostarczy oszacowanie, czy zbiór danych ma wystarczająco dużo w całym szumie. Jeśli narzędzie AutoML nie jest w stanie utworzyć nawet być może nie warto tracić czasu na stworzenie dobrego modelu, ręcznie.
- Do oceny zbioru danych: wiele systemów AutoML pomaga oceniać nie tylko tworzone przez nie modele, ale też pomagają ocenić cechy, do trenowania tych modeli. Nawet jeśli nie użyjesz wynikowego modelu, AutoML może pomóc w określeniu, które funkcje są nie warte udziału na zebraniu danych i uwzględnieniu w ostatecznym zbiorze danych.
- Egzekwowanie sprawdzonych metod: automatyzacja obejmuje wbudowaną obsługę. Sprawdzone metody dotyczące systemów uczących się w przypadku każdego wyszukiwania modeli
Ograniczenia
Zanim wybierzesz AutoML, musisz jednak wziąć pod uwagę kilka ograniczeń:
- Jakość modelu może nie być tak dobra jak trenowanie ręczne. Użycie uogólnionych algorytm optymalizacji w celu znalezienia najlepszej kombinacji architektury, hiperparametrów, a inżynieria cech dla dowolnego losowego zbioru danych często oznacza, że zmotywowany ekspert, który ma wystarczająco dużo czasu, może opracować model jakość prognozy.
- Wyszukiwanie modeli i złożoność mogą być nieprzejrzyste. W AutoML trudno było aby dowiedzieć się, jak narzędzie dotarło do najlepszego modelu. Same modele wyjściowe mogą być tworzone z różnych architektur, hiperparametrów i inżynierii cech. Modele wygenerowane za pomocą Ręczne odtworzenie AutoML jest trudne.
- Wiele uruchomień AutoML może wykazywać większą wariancję: ze względu na to, jak algorytm optymalizacji iteracyjnie znajduje te, które uważa za najlepsze do budowania modelu, różne uruchomienia AutoML mogą przeszukiwać różne części i otwierają w umiarkowanym stopniu (albo nawet znacznie) w różnych miejscach. Ponowne dostrajanie przy użyciu AutoML w celu utworzenia nowej architektury modelu może wykazywać większą wariancję niż zwykłe ponowne trenowanie poprzedniego modelu wyjściowego i architekturą.
- Modelów nie można dostosowywać podczas trenowania. Jeśli Twój przypadek użycia wymaga lub modyfikowaniu podczas procesu trenowania, AutoML może nie być odpowiedni wybór.
Wymagania dotyczące danych
Niezależnie od tego, czy korzystasz z trenowania niestandardowego, czy z systemu AutoML, możesz m.in. przy tworzeniu modelu od zera liczą się duże potrzeby ilość danych. Zaletą AutoML jest to, że możesz głównie ignorować i hiperparametrów w wyszukiwaniu, skupiając się przede wszystkim na jakości danych.
Istnieją również specjalistyczne systemy AutoML, które mogą trenować modele znacznie mniej danych, ponieważ nauką transferową. Dla: na przykład bez konieczności tworzenia setek tysięcy przykładów na podstawie modelu klasyfikacji obrazów, te specjalistyczne systemy AutoML używają tylko kilkaset obrazów oznaczonych etykietami i przeniesienie uczenia się z dotychczasowego model platformy klasyfikacji obrazów.
Czy AutoML sprawdzi się w Twoim projekcie?
AutoML może pomóc każdemu – od początkujących po ekspertów – w korzystaniu z systemów uczących się do tworzenia usług do rozwiązywania problemów. Jeśli zastanawiasz się, czy AutoML sprawdzi się w Twoim projekcie, weź pod uwagę te kompromisy:
- AutoML to świetny wybór dla zespołu z ograniczonym doświadczeniem w tworzeniu systemów uczących się. lub doświadczonych zespołów, którym zależy na zwiększeniu produktywności. nie mają wymagań związanych z personalizacją.
- Trenowanie niestandardowe (ręczne) jest bardziej odpowiednie, gdy jakość modelu jest jest ważny, a zespół musi mieć możliwość dostosowania modelu. W tych szkolenia ręczne mogą wymagać więcej czasu na eksperymentowanie, tworzy rozwiązanie, ale zespół może często osiągnąć model o wyższej jakości niż w przypadku AutoML.