إذا كنت تبدأ مشروعًا جديدًا لتعلم الآلة (ML)، فقد تتساءل إذا كان التدريب اليدوي هو الخيار الوحيد لإنشاء نموذج تعلُّم الآلة مع التدريب اليدوي، فأنت تكتب التعليمات البرمجية باستخدام إطار عمل تعلُّم الآلة لإنشاء نموذج. خلال هذه العملية، فأنت تختار الخوارزميات التي تريد استكشافها وضبطها بالتكرار المعاملات الفائقة لإيجاد النموذج الصحيح.
بالطبع، تدريب النماذج ليس هو الأمر الوحيد الذي يجب التفكير فيه. ضِمن والممارسة، وبناء نموذج التعلم الآلي من النموذج الأولي إلى الإنتاج تتضمن مهام متكررة ومهارات متخصصة. تقنية تعلُّم الآلة الاستكشافية البسيطة لسير العمل على النحو التالي:
المهام المتكرّرة: يمكن أن يتضمّن سير عمل الذكاء الاصطناعي (ML) عملاً متكرّرًا وتجارب. على سبيل المثال، أثناء تطوير النموذج، عليك عادةً استكشاف مجموعات مختلفة من الخوارزميات والمَعلمات الفائقة لتحديد النموذج الأنسب. من خلال التدريب اليدوي، يمكنك كتابة تعليمة برمجية متخصصة تدريب النموذج ثم تعديل الرمز لإجراء تجارب باستخدام تكنولوجيا تعلُّم الآلة المختلفة الخوارزميات والمعاملات الفائقة لإيجاد أفضل نموذج. للمؤسسات الصغيرة أو الاستكشافية للمشروعات، قد لا تمثل هذه العملية اليدوية مشكلة، ولكن بالنسبة للمشروعات الأكبر حجمًا المهام المتكررة يمكن أن يستغرق وقتًا طويلاً.
المهارات المخصّصة: يتطلّب تطوير نموذج تعلُّم آلة يدويًا مهارات مخصّصة. في الواقع، قد لا يمتلك كل فريق يخطّط لتطوير نموذج تعلُّم آلي هذه المهارات. إذا لم يكن لدى الفريق عالم بيانات مخصص، فإن إجراء فقد لا يكون هذا العمل يدويًا ممكنًا حتى.
لحسن الحظ، يمكن برمجة خطوات معيّنة في تطوير النماذج لتقليل صعوبة العمل المتكرّر والحاجة إلى مهارات مخصّصة. التشغيل الآلي لهذه الحملات موضوع هذه الوحدة عن التعلم الآلي الآلي (AutoML).
ما هي ميزة AutoML؟
AutoML هي عملية لأتمتة مهام معيّنة في سير عمل تعلُّم الآلة. يمكنك التفكير في AutoML كمجموعة من الأدوات والتقنيات التي تجعل إنشاء نماذج التعلم الآلي بشكل أسرع وأسهل لمجموعة أكبر من المستخدمين. على الرغم من أنّ التشغيل الآلي يمكن أن يساعد في جميع مراحل سير عمل تعلُّم الآلة، إلا أنّ المهام التي ترتبط غالبًا بالذكاء الاصطناعي الآلي هي المهام المضمّنة في دورة تطوير النموذج المعروضة في الشكل 1. وتشمل هذه المهام المتكرّرة ما يلي:
- هندسة البيانات
- هندسة الخصائص.
- اختيار الميزة
- التدريب
- تحديد خوارزمية تعلُّم الآلة المناسبة
- اختيار أفضل المعلمات الفائقة.
- التحليل
- تقييم المقاييس التي تم إنشاؤها أثناء التدريب استنادًا إلى مجموعات بيانات الاختبار والتحقّق
باستخدام AutoML، يمكنك التركيز على مشكلة تعلُّم الآلة والبيانات بدلاً من اختيار ميزات وضبط المَعلمات الفائقة واختيار الخوارزمية المناسبة.