Des preuves anecdotiques et plusieurs études de cas réelles indiquent que l'apprentissage automatique automatisé bénéficie aux organisations de toutes tailles et de tous secteurs. Comme intelligence artificielle (IA) À mesure que la demande et la complexité des modèles augmentent, l'automatisation peut être la clé pour obtenir un avantage concurrentiel et surpasser la concurrence. Dans quelle mesure les entreprises peuvent-elles en bénéficier ?
Qu'est-ce que l'AutoML ?
L'apprentissage automatique automatisé (autoML) — parfois appelé méta-apprentissage — automatise le processus de bout en bout de l'application de l'apprentissage automatique à des problèmes réels. C'est une alternative émergente au développement manuel. L'automatisation permet aux data scientists, Ingénieur·e·s IA, et les analystes pour construire des systèmes à hautes performances. Les modèles de Deep-learning sans sacrifier la qualité pour l’évolutivité ou la rapidité.
Historiquement, seuls les niveaux intermédiaires scientifiques des données ou des ingénieurs IA compétents pourraient en concevoir un. Cependant, l’automatisation a démocratisé le processus, combinant interfaces conviviales, outils no-code et algorithmes autonomes dans une solution prête à l’emploi pour les non-experts.
L'approche traditionnelle de développement est chronophage et répétitive. Les data scientists et les développeurs doivent consacrer la majeure partie de leur journée de travail à la préparation, au prétraitement et à la sélection de modèles, laissant peu de temps pour l'entraînement et le déploiement. Ce point de douleur continuera de s'aggraver à mesure que la complexité des modèles de ML augmente.
Comment fonctionne l'AutoML ?
AutoML suit les étapes typiques de construction d'un modèle de machine learning mais le fait sans intervention manuelle et avec une surveillance humaine minimale. Il utilise des algorithmes et de la modélisation statistique pour entraîner, ajuster et tester son IA. Les outils d'apprentissage automatique automatisés offrent généralement des outils sans code ou à faible code — ce qui signifie qu'aucune programmation explicite n'est requise — pour une approche sans intervention.
Cet outil d'automatisation peut gérer tout techniques de machine learning pour l'entreprise (signifiant supervisé, non supervisé, par renforcement ou semi-supervisé) le rendant particulièrement polyvalent. Bien que la plupart des entreprises l'utilisent pour des applications d’apprentissage supervisé telles que la classification et la régression, les autres techniques sont courantes.
Source : Unsplash
Pour commencer, un individu fournit un grand ensemble de données prétraitées. À partir de là, l'automatisation prend le relais. Elle automatise l'ingénierie des caractéristiques — une technique de science des données pour transformer les données brutes en caractéristiques artificielles plus efficaces pour Développement de modèles d'apprentissage automatique (pour gagner du temps aux data scientists).
L'un des principaux aspects de l'autoML implique les pipelines ML. La plateforme automatise le flux de travail de l'ingénierie avec une séquence systématique d'étapes. Elle peut exploiter des milliers d'algorithmes et les paramètres lors de la sélection et de l'entraînement du modèle pour identifier la stratégie de développement optimale, lui permettant de produire des options de plus en plus supérieures.
AutoML automatise l'ajustement des modèles en utilisant des algorithmes pour identifier de manière autonome les valeurs optimales des hyperparamètres afin de maximiser la performance du modèle. Il évalue toutes les itérations une fois terminées, attribuant à chaque itération un score basé sur les critères prédéfinis de l'ingénieur en IA. Plus le score est élevé, plus il correspond à leur objectif.
À ce stade, le décideur sélectionne le modèle d'IA le plus performant et procède à son déploiement. Bien que diverses plateformes offrent des caractéristiques de développement distinctes et des flux de travail, les méthodes d'apprentissage automatique automatisées suivent généralement ce processus.
Types de données que l'AutoML peut traiter
Lors de la construction d’un modèle de machine learning avec une plateforme automatisée, data scientists et décideurs doivent considérer les types d’informations supportés par les autoML models, car le choix dépend fortement du type de dataset.
Texte
Les modèles AutoML peuvent effectuer analyse de sentiment ou classification de texte sur des informations structurées ou non structurées en utilisant des techniques de data science pour transformer les données brutes en caractéristiques numériques ou nominales. Par exemple, cela peut catégoriser les avis en positifs, neutres ou négatifs.
Ingénieur·e·s IA Utiliser des pipelines ML pour entraîner et tester plusieurs itérations simultanément, optimiser ces modèles pour plusieurs langues et permettre la traduction. Cette approche est idéale pour algorithmes de traitement du langage naturel.
Source : Unsplash
Vidéo
Les utilisateurs peuvent utiliser autoML pour entraîner des modèles à effectuer le suivi et la reconnaissance d’objets sur des segments vidéo ou des captures. Cela leur permet de choisir l’architecture de modèle la plus adaptée pour l’analyse ou le résumé vidéo.
Image
Les décideurs peuvent utiliser l'autoML pour entraîner un réseau neuronal profond à effectuer de la classification d'images, de la détection d'objets et de la reconnaissance d'objets. Il les entraîne à extraire des informations de motif, de texture ou de forme, leur permettant de labelliser des images avec des marqueurs prédéfinis ou de les classer dans des catégories prédéterminées.
Tabulaire
Les outils AutoML peuvent entraîner des arbres de décision, des modèles de langage large ou des réseaux neuronaux pour effectuer des classifications et des régressions sur des données tabulaires — des informations stockées dans des tableaux ou des colonnes — en améliorant l'analyse des relations quantitatives.
Quelle est la différence entre le ML et l'AutoML ?
La principale différence entre le machine learning standard et l'autoML est le processus de développement des algorithmes. Traditionnellement développement de logiciels d'IA s’appuie sur des tâches manuelles chronophages que doit réaliser séparément une équipe de développeurs IA et de data scientists hautement qualifiés. Cela nécessite souvent que les chefs d’équipe gèrent le processus et traduisent le jargon pour des décideurs non techniques.
En comparaison, construction d'un modèle de machine learning avec l'automated machine learning, le processus est relativement autonome. De l'entrepreneur non expert à l'ingénieur senior, tout le monde peut utiliser une plateforme ou une bibliothèque open-source pour développer des modèles autoML. Un ensemble d'algorithmes et de modèles statistiques gère chaque étape, de la feature engineering au déploiement.
Apprentissage automatique automatisé pour les entreprises
L'adoption de l'IA pour les applications métier est en hausse. À titre de référence, 50 % des professionnels de niveau senior sur les équipes ventes et marketing déclarent déjà l’utiliser (et 29 % supplémentaires prévoient de l’utiliser à l’avenir). À mesure que la demande et la complexité des modèles augmentent, tirer parti de l’autoML devient de plus en plus important.
Les propriétaires d'entreprise peuvent utiliser l'automatisation du machine learning pour développer plusieurs types de modèles :
- Prévision : Les décideurs peuvent Suivre le comportement d’achat, les tendances du marché, ou des tendances de chiffre d'affaires pour prédire quand un événement ou un changement spécifique se produira. Cela leur permet d'agir de manière proactive et leur confère potentiellement un avantage concurrentiel.
- Personnalisation : Puisqu'un seul modèle de ML peut suivre ou interagir avec de nombreuses personnes simultanément, les entreprises peuvent l'utiliser dans le service client ou la gestion des relations. Elles peuvent déployer un chatbot, Assistant virtuel, ou algorithme de recommandation.
- Détection des anomalies : Les plateformes AutoML peuvent produire un modèle de détection d'anomalies pour identifier et résoudre les écarts dans les ensembles de données.
Catalogage des actifs : un système autoML peut produire un modèle qui catalogue, classe ou étiquette des données d'image, de vidéo ou de texte. Les propriétaires d'entreprises peuvent l'utiliser pour indexer, analyser ou organiser leurs actifs d'information. - Prévention de la fraude : Les modèles de Deep-learning évoluent avec le temps et peuvent analyser rapidement un grand volume de data, détectant des incohérences indicatives d'activités frauduleuses. Les décideurs peuvent les déployer en interne dans la comptabilité ou pour la protection des utilisateurs finaux.
- Extraction d'insights : Les algorithmes peuvent surveiller les flux de données en temps réel ou analyser des documents pour extraire des informations précieuses et spécifiques à l'entreprise.
Applications complexes comme les réseaux neuronaux, Deep-learning et apprentissage automatique ne sont plus réservés aux grandes entreprises. Les organisations peuvent utiliser l'apprentissage automatique automatisé pour les affaires afin de minimiser leur dépendance aux data scientists pour accélérer le développement et le déploiement. De cette manière, elles peuvent intégrer facilement intégrer l'IA avancée dans leurs workflows quotidiens.
Pourquoi les organisations utilisent AutoML
Les décideurs, de la plus petite startup à la plus grande entreprise, peuvent bénéficier de exploiter le machine learning en entreprise si vous êtes impliqué|e dans le développement de modèles. L'automatisation de processus chronophages tels que le prétraitement, l'entraînement et l'évaluation permet de réduire le délai de réalisation, ce qui vous permet de générer plus rapidement de la valeur business pilotée par l'IA.
Les employés passent une grande partie de leur temps sur des tâches sans valeur ajoutée. Tandis que les data scientists passent environ 39 % de leur temps à la préparation des données, ils ne consacrent que 12 % de leur temps à la formation. Lorsqu'ils passent la majeure partie de leur journée de travail à remplir les valeurs manquantes, éliminer les doublons et standardiser, ils retardent le retour sur investissement positif.
De plus, la construction d'un modèle d'apprentissage automatique nécessite une équipe de professionnels hautement qualifiés ayant, au minimum, une expertise intermédiaire. le développement en apprentissage automatique est moins accessible aux entrepreneurs, startups et petites entreprises qui manquent de personnel qualifié et de ressources adéquates.
Combinaison apprentissage automatique et l'automatisation élimine les approximations, permettant le développement rapide de modèles ML (même si les utilisateurs sont des non-experts qui n'ont jamais tenté une telle tâche). Les entreprises de taille moyenne et les plus grandes peuvent également bénéficier de plateformes conviviales pour des applications complexes comme la construction d'algorithmes de Deep-learning ou de réseaux neuronaux.
Un autre des avantages de l'autoML est l'efficacité. Les heures de ressources que les entreprises économisent en automatisant leur développement le plus chronophage allègent la charge de travail des data scientists et permettent à la direction de réduire la main-d'œuvre et de diminuer leur dépendance aux heures supplémentaires. Ces petites améliorations s'accumulent rapidement car le développement automatisé est démocratisé.
Exemples d'apprentissage automatique automatisé
Puisque l'autoML automatise le processus d'application du machine learning aux problèmes commerciaux quotidiens, il est logique qu'il existe de nombreuses histoires de succès dans le monde réel. Plusieurs entreprises ont rapporté avoir projets de machine learning réussis après avoir exploité ces plateformes.
En 2018, PayPal a utilisé les systèmes de machine learning automatisés de H2O.ai pour améliorer la prévention de la fraude. Bien que son équipe ait plus de 10 ans d'expérience en ingénierie des caractéristiques, elle a tout de même constaté des gains importants après la mise en œuvre. Cela a permis d'augmenter précision du modèle de 0,89 à 0,947 (une augmentation de 6 %) et a accéléré son calendrier de développement par six fois.
California Design Den, un détaillant en ligne de linge de lit, a connu une réduction de 50 % du report des stocks après avoir utilisé Google Cloud AutoML. En tirant parti de celui-ci technologie d’automatisation pour l’e-commerce a nettement amélioré ses marges bénéficiaires et renforcé sa résilience face aux fluctuations trimestrielles du marché.
Trupanion, un fournisseur d'assurance pour animaux de compagnie, est une autre entreprise qui a utilisé le machine learning automatisé pour un cas d'utilisation métier. Il|Elle augmentation de sa productivité de plus de 10 fois en économisant — et en réinvestissant ensuite — les heures de ressources de formation et de test du modèle dans du travail à valeur ajoutée. L'automatisation a permis aux employés de détourner leur attention vers des tâches complexes et prioritaires.
Que les entreprises aient besoin d’automatisation| machine learning pour l'automatisation du marketing ou la prévision des ventes, les données montrent que l’utilisation d’une plateforme autoML pour rationaliser le développement est une stratégie judicieuse pour les entreprises de tous secteurs et tailles.
Exemples de plateformes AutoML
Les entreprises à la recherche d'un solution de machine learning devraient envisager d’utiliser une plateforme de machine learning automatisée pour optimiser leur délai d’exécution et minimiser les dépenses. Plusieurs entreprises de machine learning automatisé existent.
Google Cloud AutoML
La plateforme de Google est un choix courant pour les décideurs qui souhaitent utiliser autoML pour les affaires. Cette suite de produits ML les aide à construire, déployer et développer leur IA — qu'ils aient besoin d'un modèle tabulaire, d'image, de vidéo ou de texte.
H2O.ai
H2O.ai est un fournisseur de plateforme leader dans la démocratisation de l'IA. Son outil autoML facile à utiliser est spécialement conçu pour les non-experts. Cet outil d'apprentissage automatique automatisé est idéal pour les utilisateurs ayant peu de connaissances en data science mais devant produire des modèles ML complexes comme les algorithmes de deep learning ou les réseaux neuronaux.
Auto-PyTorch
Auto-PyTorch est un logiciel d'apprentissage automatique automatisé conçu pour optimiser les paramètres d'entraînement et l'architecture du réseau. Il est principalement utile pour les données tabulaires ou les séries temporelles, et non pour les images ou les vidéos — limitant ainsi ses cas d'utilisation.
Azure AutoML
La plateforme de machine learning automatisée de Microsoft Azure propose une solution sans code pour les non-experts qui souhaitent développer un modèle ML personnalisé. Cette suite d'outils offre une large fonctionnalité pour les entreprises de taille moyenne.
Source : Unsplash
Auto-SKLearn
Auto-SKLearn est une solution Python d'apprentissage automatique automatisée. Cette bibliothèque logicielle open-source fournit des outils prêts à l'emploi pour automatiser le développement de modèles ML supervisés. Étant gratuit à télécharger et à utiliser, il est idéal pour les entrepreneurs et les start-ups en début de phase qui manquent de ressources adéquates.
Amazon AutoML
Amazon SageMaker, le service ML entièrement géré de l'entreprise, est sa version de l'apprentissage machine automatisé sur AWS. Cette suite d'outils de développement permet aux entreprises de produire des modèles personnalisés sur des jeux de données textuels, image ou vidéo.
Considérations sur l'automatisation de l'apprentissage automatique
Bien que les exemples réels de machine learning automatique indiquent que l'exploitation de l'autoML est généralement avantageuse, elle présente des limites. Après tout, même une technologie avancée ne peut pas remplacer entièrement les data scientists humains avec des années d'expertise.
La performance du modèle dépend largement de l'entraînement — la précision de l'algorithme est entièrement liée à l'ensemble de données sous-jacent. Les erreurs lors de la préparation peuvent contribuer à une extraction d'insights défectueuse ou à une catégorisation incorrecte des actifs après le déploiement. Notamment, certaines plateformes capables d'automatiser le prétraitement peuvent faire des erreurs.
Un human-in-the-loop est essentiel à l'automatisation réussie du machine learning. Les dirigeants devraient envisager d'affecter une personne au rôle d'audit et d'évaluation pour éviter que des erreurs algorithmiques ne provoquent des écarts introuvables par la suite. Comme de nombreux modèles complexes souffrent du problème de boîte noire, il est idéal de mettre en place proactivement l'explainability.
Source : Unsplash
Gestion de l'IA est l'un des défis les plus importants en automated machine learning. Bien que les outils prêts à l'emploi puissent simplifier la surveillance après déploiement, l'utilisation et la réentraînement, ils ne sont pas exhaustifs. Bien entendu, modifier les caractéristiques fondamentales du jeu de données sous-jacent pour ajuster un modèle est compliqué (et probablement pas à la portée des non-experts).
Les organisations — en particulier les petites entreprises et les startups — devraient envisager le conseil en IA avenue. Cherchant l’expertise de consultants en machine learning Cela peut réduire les problèmes de gestion et rationaliser l’utilisation continue.
L'avenir de l'AutoML
La prévalence de l'apprentissage automatique automatisé continuera d'augmenter à mesure que le marché de l'apprentissage automatique automatisé se développe. Bien que ce soit encore une solution relativement nouvelle, le fait que des géants de la technologie comme Google, Amazon et Microsoft centrent désormais des plateformes entières autour de cette technologie devrait indiquer sa trajectoire probable.
