企業が機械学習で解決できる問題を特定すると、データアナリストや科学者に簡単に説明して、予測分析ソリューションを作成します。多くの場合、ソリューションを提供するための所要期間は非常に長くなります。
経験豊富なデータサイエンティストであっても、結果を正確に予測できる機械学習モデルを切り替えることは、常に困難で時間がかかります。機械学習ユニットに関連する複雑なワークフローには、いくつかの段階があります。実質的な対策には、データ取得、情報マイニング、機能エンジニアリング、設計選択、実験、予測などがあります。
ソリューションの実現に関与するチームは複数あります。データエンジニアリングチームは、データの取得と準備を担当します。データサイエンティストは、モデルの実験と最適化に重点を置いています。 DevOpsチームは、開発環境、ツール、および本番環境での推論バージョンのホスティングを所有しています。
MLベースの代替案の様相を根本的に変える傾向の1つは、AutoMLです。ビジネスアナリストやプログラマーは、複雑な状況に対処できるデバイス学習ユニットを進化させることができる可能性があります。
AutoMLは、統計の取得と予測という2つの要素に焦点を当てています。これらのフェーズの両方の間に行われるすべての測定は、AutoMLプラットフォームから抽象化されます。基本的に、ユーザーは独自のデータセットを持ってタグを識別し、ボタンを押すと、予測の準備ができている完全に教育され最適化されたモデルが生成されます。
AutoMLプラットフォームを扱う場合、ビジネスアナリストは、手順やワークフローに迷うことなく、会社の問題に集中し続けます。ほとんどのプラットフォームは、データセットを手動でアップロードしてからカテゴリにラベルを付けるように顧客に促します。次に、情報の準備、適切なアルゴリズムの選択、最適化、ハイパーパラメータの調整に関連するほとんどのアクションがバックグラウンドで処理されます。しばらくすると、予測に使用できるRESTエンドポイントが表示されます。このアプローチは、機械学習モデルのトレーニングに関連する標準ワークフローを大幅に変更します。
一部のAutoMLプラットフォームは、iOSとともにAndroidを実行しているモバイルデバイスと互換性のある完全にトレーニングされたモデルのエクスポートにも役立ちます。開発者は、機械学習の要点を理解していなくても、携帯電話アプリケーションを使用してバージョンをすばやく組み込むことができます。
AutoMLモデルがDockerコンテナーにエクスポートされると、DevOpsチームは、本番環境で推論するためにモデルを大規模にデプロイすることができます。 KubernetesとDC / OSによって処理されるスケーラブルなクラスターからコンテナーをホストできます。
ビジネスは、AutoML as aServiceの提供に向けて準備を進めています。 Google Cloud AutoML、Microsoft Custom Vision、Clarifaiの画像認識サービスは、自動化されたMLサービスの初期の例です。
AutoMLは、コグニティブAPIとカスタマイズされたMLプラットフォームの間で完全に一致します。開発者に複雑なワークフローを実行させることなく、完璧な量のカスタマイズを提供します。ブラックボックスと見なされることが多いコグニティブAPIとは異なり、AutoMLは同じレベルの柔軟性を提供しますが、移植性とともにカスタムデータを使用します。
すべてのプラットフォーム販売者が機械学習の民主化を試みているため、AutoMLは 人工知能の可能性として成長しています。 AIの能力は、業界アナリストやテクノロジーの意思決定者の手に委ねられています。
Video
- https://youtu.be/tZXwNkW1wMk