Esta seção discute alguns dos benefícios e limitações de AutoML e podem ajudar a decidir se o AutoML é ideal para seu projeto.
Vantagens
Alguns dos motivos mais comuns para usar o AutoML incluem:
- Para economizar tempo: muitas pessoas escolhem o AutoML para poupar tempo, evitando e extensiva experimentação manual para encontrar o melhor modelo.
- Para melhorar a qualidade do modelo de ML: as ferramentas do AutoML podem pesquisar de forma abrangente para conseguir o modelo de maior qualidade.
- Para criar um modelo de ML sem precisar de habilidades especializadas: um efeito colateral de automatizar tarefas de ML é que isso democratiza o ML. Os usuários não precisam ter uma compreensão profunda de algoritmos de machine learning ou programação para para desenvolver um modelo de ML.
- Para fazer um teste preliminar de um conjunto de dados: mesmo que você seja um criador de modelos especialista, o AutoML pode fornecer rapidamente uma estimativa de linha de base para saber se um conjunto de dados tem em todo o ruído. Se a ferramenta AutoML não consegue criar pode não valer a pena gastar seu tempo tentando criar um bom modelo manualmente.
- Para avaliar um conjunto de dados: muitos sistemas AutoML ajudam você a avaliar não apenas os modelos que produzem, mas também ajudam a avaliar os atributos treinar esses modelos. Mesmo que você não use o modelo resultante, o AutoML podem ajudar a determinar quais recursos não valem coletando e incluindo no conjunto de dados final.
- Para aplicar as práticas recomendadas: a automação inclui suporte integrado para aplicação Práticas recomendadas de ML para cada pesquisa de modelo
Limitações
No entanto, antes de escolher o AutoML, considere estas limitações:
- A qualidade do modelo pode não ser tão boa quanto o treinamento manual. O uso de uma expressão algoritmo de otimização para encontrar a melhor combinação de arquitetura, os hiperparâmetros e a engenharia de atributos de qualquer conjunto de dados aleatório de que um especialista motivado e com tempo suficiente possa criar um modelo na qualidade da previsão.
- A pesquisa e a complexidade de modelos podem ser opacas. Com o AutoML, é difícil para entender como a ferramenta chegou ao melhor modelo. Na verdade, os modelos de saída em si podem ser feitos de diferentes arquiteturas, hiperparâmetros e estratégias de engenharia de atributos. Modelos gerados com O AutoML é difícil de reproduzir manualmente.
- Várias execuções do AutoML podem mostrar mais variação: devido à forma como o algoritmo de otimização encontra, de forma iterativa, o que considera os melhores valores para criar o modelo, diferentes execuções do AutoML podem procurar partes distintas do espaço e acabam chegando moderadamente (ou até mesmo significativamente) lugares diferentes. Como ajustar com o AutoML para criar uma nova arquitetura de modelo pode mostrar mais variância do que simplesmente treinar o modelo de saída anterior do Terraform.
- Os modelos não podem ser personalizados durante o treinamento. Se seu caso de uso exigir personalização ou ajustes durante o processo de treinamento, o AutoML pode não ser a a escolha certa para você.
Requisitos de dados
Se estiver usando treinamento personalizado ou um sistema AutoML, uma coisa que você pode ao criar um modelo do zero é que precisam de grandes quantidades de dados. A vantagem do AutoML é que você pode ignorar as métricas e os hiperparâmetros pesquisam e focam principalmente na qualidade seus dados.
Há também sistemas especializados de AutoML que podem treinar modelos com significativamente menos dados porque usam aprendizado por transferência. Para em vez de exigir centenas de milhares de exemplos para criar um modelo de classificação de imagens, esses sistemas especializados de AutoML podem usar apenas algumas centenas de imagens rotuladas junto com o aprendizado por transferência modelo de framework de classificação de imagens.
O AutoML é ideal para seu projeto?
O AutoML pode ajudar todos, de iniciantes a especialistas, a usar ML para criar produtos e e resolver problemas. Se você está tentando decidir se o AutoML é ideal para seu projeto, considere estas vantagens e desvantagens:
- O AutoML é uma ótima opção para uma equipe com pouca experiência na criação de ML. ou equipes experientes que buscam ganhos de produtividade e não têm requisitos de personalização.
- O treinamento personalizado (manual) é mais apropriado quando a qualidade do modelo é importante, e a equipe precisa ser capaz de personalizar seu modelo. Nessas casos, o treinamento manual pode exigir mais tempo para experimentação e e construir uma solução, mas a equipe muitas vezes pode alcançar um modelo de maior qualidade do que com uma solução AutoML.