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.
ولا شكّ في أنّ تدريب النموذج ليس الشيء الوحيد الذي عليك 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 المتكررة - يمكن أن يتضمن سير عمل تعلُّم الآلة أعمالاً متكررة التجارب. فعلى سبيل المثال، أثناء تطوير النموذج، يجب عادةً ما يلي: استكشاف تركيبات مختلفة من الخوارزميات والمعاملات الفائقة لتحديد وأنسب نموذج. 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 على المشروعات، قد لا تمثل هذه العملية اليدوية مشكلة، ولكن بالنسبة للمشروعات الأكبر حجمًا المهام المتكررة يمكن أن يستغرق وقتًا طويلاً.
المهارات المتخصصة: يتطلّب تطوير نموذج تعلُّم الآلة يدويًا المهارات. من الناحية العملية، لا يخطط كل فريق لتطوير نموذج تعلُّم الآلة الذين قد يتمتعون بهذه المهارات. إذا لم يكن لدى الفريق عالم بيانات مخصص، فإن إجراء فقد لا يكون هذا العمل يدويًا ممكنًا حتى.
لحسن الحظ، يمكن أتمتة خطوات معينة في تطوير النموذج للحد من عبء العمل المتكرر والحاجة إلى مهارات متخصصة. التشغيل الآلي لهذه الحملات موضوع هذه الوحدة عن التعلم الآلي الآلي (AutoML).
ما هي ميزة AutoML؟
AutoML هي عملية يتم فيها أتمتة مهام معينة في سير عمل التعلم الآلي. يمكنك التفكير في AutoML كمجموعة من الأدوات والتقنيات التي تجعل إنشاء نماذج التعلم الآلي بشكل أسرع وأسهل لمجموعة أكبر من المستخدمين. ومع أنّ الأتمتة يمكن أن تساعد في سير عمل تعلُّم الآلة، فإنّ المهام التي غالبًا ما تحلّ والمرتبطة بميزة AutoML هي تلك التي يتم تضمينها في دورة تطوير النموذج كما هو موضح في الشكل 1. تشمل هذه المهام المتكررة ما يلي:
- هندسة البيانات
- هندسة الخصائص.
- اختيار الميزة
- تدريب
- تحديد خوارزمية تعلُّم الآلة المناسبة.
- اختيار أفضل المعلمات الفائقة.
- التحليل
- تقييم المقاييس التي تم إنشاؤها أثناء التدريب بناءً على الاختبار ومجموعات بيانات التحقق من الصحة.
باستخدام AutoML، يمكنك التركيز على البيانات ومشكلات تعلُّم الآلة بدلاً من التركيز على الميزات الاختيار وضبط المعلَمات الفائقة واختيار الخوارزمية الصحيحة.