Phần này thảo luận một số lợi ích và hạn chế của AutoML và có thể giúp bạn quyết định xem AutoML có phù hợp với dự án của mình không.
Lợi ích
Một số lý do phổ biến nhất khiến bạn có thể chọn sử dụng AutoML bao gồm:
- Để tiết kiệm thời gian: Nhiều người chọn AutoML để tiết kiệm thời gian bằng cách tránh thử nghiệm thủ công mở rộng để tìm ra mô hình tốt nhất.
- Để cải thiện chất lượng của mô hình học máy: Các công cụ AutoML có thể tìm kiếm một cách toàn diện cho mô hình có chất lượng cao nhất.
- Để xây dựng mô hình máy học mà không cần có kỹ năng chuyên môn: Tác dụng phụ của việc tự động hoá các công việc học máy, đó là dân chủ hoá việc học máy. Người dùng không cần phải có hiểu sâu về các thuật toán hoặc lập trình máy học để phát triển một mô hình ML.
- Để kiểm thử xác thực tập dữ liệu: Ngay cả khi bạn là chuyên gia xây dựng mô hình, AutoML có thể nhanh chóng cung cấp cho bạn ước tính cơ sở về việc liệu một tập dữ liệu có đủ trong mọi tín hiệu nhiễu. Nếu công cụ AutoML không thể tạo một giải pháp của bạn, thì có thể không đáng để bạn dành thời gian cố gắng xây dựng một mô hình phù hợp thủ công.
- Cách đánh giá một tập dữ liệu: Nhiều hệ thống AutoML không chỉ giúp bạn đánh giá các mô hình họ tạo ra, mà còn giúp đánh giá các tính năng liên quan đến để huấn luyện các mô hình đó. Ngay cả khi bạn không sử dụng mô hình thu được, AutoML có thể giúp bạn xác định những tính năng nào có thể không mang lại giá trị để thu thập và đưa vào tập dữ liệu cuối cùng.
- Cách thực thi các phương pháp hay nhất: Tính năng tự động hoá có tính năng hỗ trợ tích hợp để áp dụng Các phương pháp hay nhất về học máy cho từng mô hình tìm kiếm
Các điểm hạn chế
Tuy nhiên, trước khi chọn AutoML, bạn nên cân nhắc một số giới hạn sau:
- Chất lượng mô hình có thể không tốt bằng việc huấn luyện thủ công. Sử dụng phương pháp tổng quát thuật toán tối ưu hoá để tìm ra tổ hợp cấu trúc tốt nhất, siêu tham số và kỹ thuật tính năng cho bất kỳ tập dữ liệu ngẫu nhiên nào thường có nghĩa là rằng một chuyên gia có động lực có đủ thời gian có thể tạo ra mô hình tốt hơn chất lượng dự đoán.
- Việc tìm kiếm và độ phức tạp của mô hình có thể không rõ ràng. Với AutoML, thật khó để để có thông tin chi tiết về cách công cụ có được mô hình tốt nhất. Trên thực tế, việc bản thân mô hình đầu ra có thể được tạo từ nhiều cấu trúc, siêu tham số và các chiến lược kỹ thuật tính năng. Các mô hình được tạo bằng AutoML rất khó tái tạo theo cách thủ công.
- Nhiều lần chạy AutoML có thể cho thấy nhiều sự chênh lệch hơn: Do cách thuật toán tối ưu hoá sẽ liên tục tìm các giá trị mà thuật toán cho là giá trị tốt nhất để xây dựng mô hình, các lần chạy AutoML có thể tìm kiếm các phần khác nhau không gian và giảm dần thời gian vừa phải (hoặc thậm chí có thể đáng kể) những nơi khác nhau. Tái điều chỉnh bằng AutoML để tạo một cấu trúc mô hình mới có thể cho thấy nhiều phương sai hơn là chỉ đào tạo lại mô hình đầu ra trước đó cấu trúc.
- Không thể tuỳ chỉnh mô hình trong quá trình huấn luyện. Nếu trường hợp sử dụng của bạn yêu cầu hoặc tinh chỉnh trong quá trình đào tạo, AutoML có thể không phải là lựa chọn phù hợp cho bạn.
Yêu cầu dữ liệu
Cho dù bạn đang sử dụng hệ thống đào tạo tuỳ chỉnh hay hệ thống AutoML, một điều bạn có thể khi bạn xây dựng một mô hình từ đầu, bạn cần lượng dữ liệu. Ưu điểm của AutoML là bạn hầu như có thể bỏ qua cấu trúc và siêu thông số (siêu tham số) tìm kiếm và tập trung chủ yếu vào chất lượng của dữ liệu của bạn.
Ngoài ra còn có các hệ thống AutoML chuyên dụng có thể huấn luyện các mô hình bằng ít dữ liệu hơn đáng kể vì chúng sử dụng học chuyển giao. Để thay vì phải dùng hàng trăm nghìn ví dụ để tạo một mô hình phân loại hình ảnh, các hệ thống AutoML chuyên dụng này chỉ có thể sử dụng thêm vài trăm hình ảnh được gắn nhãn cùng với công nghệ học chuyển mô hình khung phân loại hình ảnh.
AutoML có phù hợp với dự án của bạn không?
AutoML có thể giúp mọi người, từ người mới bắt đầu cho đến chuyên gia, sử dụng công nghệ học máy để tạo sản phẩm và giải quyết vấn đề. Nếu bạn đang cố gắng quyết định xem AutoML có phù hợp với dự án của mình hay không, hãy cân nhắc các yếu tố đánh đổi sau:
- AutoML là một lựa chọn tuyệt vời cho những nhóm có ít kinh nghiệm trong việc xây dựng công nghệ học máy các mô hình hoặc nhóm giàu kinh nghiệm đang tìm cách tăng năng suất và không có yêu cầu tuỳ chỉnh.
- Chương trình huấn luyện tuỳ chỉnh (thủ công) phù hợp hơn khi chất lượng mô hình đạt và nhóm cần có khả năng tuỳ chỉnh mô hình của mình. Trong các Trong trường hợp cụ thể, việc huấn luyện thủ công có thể cần nhiều thời gian hơn để thử nghiệm và đang xây dựng giải pháp, nhưng nhóm thường có thể đạt được mô hình chất lượng cao hơn so với giải pháp AutoML.