Por qué AutoML está emergiendo como una tecnología clave para el lugar de trabajo digital

El aprendizaje automático automatizado, también conocido como ML automatizado o AutoML, es el proceso de automatizar las tareas iterativas y que requieren mucho tiempo del desarrollo del modelo de aprendizaje automático. Permite a los científicos de datos, analistas y desarrolladores crear modelos de aprendizaje automático con alta escala, eficiencia y productividad, todo mientras se mantiene la calidad del modelo. 

El desarrollo de modelos de aprendizaje automático tradicional requiere muchos recursos, lo que requiere un conocimiento de dominio significativo y tiempo para producir y comparar docenas de modelos. Con el aprendizaje automático automatizado, los usuarios aceleran el tiempo que lleva obtener modelos de aprendizaje automático listos para producción con gran facilidad y eficiencia.

AutoML es para científicos sin datos lo que la automatización de procesos robóticos es para no desarrolladores. Es el equivalente de código bajo / sin código de una herramienta útil que de otro modo requeriría un conjunto de habilidades que las masas no poseen.

Esto no elimina la necesidad de capacitación y una comprensión básica de los datos, el etiquetado de datos y la comprensión de los resultados deseados, dijo. Sin embargo, permite probar y probar una gran cantidad de algoritmos de aprendizaje automático existentes con conjuntos de datos de la manera más autónoma posible, de ahí la etiqueta AutoML para este tipo de tecnología.

Los datos son, y siempre serán, complejos de tratar. Aunque AutoML ayuda de alguna manera en la selección y ajuste de un algoritmo, pasar de una idea a una prueba de concepto, a una prueba piloto y finalmente a la producción requiere un conjunto completamente nuevo de herramientas y capacidades. Esto significa que AutoML es una herramienta útil para tener en su bolsa de herramientas, pero no replica todas las etapas para poner sus modelos de ML en producción.

AutoML busca minimizar la necesidad de intervención humana en el proceso de desarrollo del aprendizaje automático. Uno de los principales objetivos de AutoML es optimizar no solo los pesos del modelo, sino también la arquitectura durante el entrenamiento. La intención es automatizar este proceso de selección de arquitectura que tradicionalmente realizan los profesionales científicos o mediante la búsqueda de cuadrícula de fuerza bruta.

Sin embargo, otras áreas de enfoque bajo el paraguas de AutoML han recibido una adopción mucho más amplia, en áreas particulares relacionadas con ML Ops. ML Ops es el término típicamente asociado con los esfuerzos para llevar la ingeniería de software rigurosa, la ingeniería de datos y las prácticas de DevOps al aprendizaje automático. 

Los sistemas de aprendizaje automático comerciales de última generación ahora adoptan las mejores prácticas de ML Ops, lo que garantiza que todo el flujo de trabajo, desde los datos sin procesar hasta los modelos seleccionados (e incluso la implementación del modelo), sea completamente reproducible de principio a fin. También garantiza que los modelos de aprendizaje automático se versionen correctamente, se implementen de manera eficiente en producción y con monitores, paneles y alarmas que permitan a los ingenieros de aprendizaje automático tener transparencia sobre cómo se está comportando su modelo en el mundo real.

Descubre la innovación

Para asegurar el éxito empresarial, ahora y a futuro, es imprescindible maximizar el retorno de la inversión existente en software, a la vez que innovar y adoptar nuevas tecnologías. Los retos que hay abordar para competir en un mundo de TI Híbrida incluyen DevOps, Seguridad, Gestión de riesgos y Análisis predictivo. Puedes obtener más información sobre cómo abordar estos retos e innovar en este enlace.