Los avances dramáticos en el aprendizaje automático, impulsados en gran parte por el avance de AutoML, allanaron el camino para aplicaciones transformadoras en varias industrias. En finanzas, ayuda en la detección de fraudes, la evaluación de riesgos y el comercio algorítmico. En el cuidado de la salud, la inteligencia artificial juega un papel crucial para revolucionar la atención, el diagnóstico y el tratamiento de los pacientes. Como parte del desarrollo de software, las tecnologías de IA agilizan los procesos de codificación, mejoran la eficiencia y automatizan las tareas repetitivas.
Visto como parte de la Inteligencia Artificial (AI), Machine Learning (ML) es el estudio de permitir que los algoritmos procesen datos y aprendan de ellos automáticamente. Esta capacidad permite que el algoritmo use los datos procesados y tome decisiones o calcule resultados sin estar específicamente programado para hacerlo. En la vida cotidiana, el aprendizaje automático mejora la calidad de las tareas de visión por computadora que usamos todos los días. AutoML lleva esa tecnología a un nuevo nivel de eficiencia que solo puede mejorar y, con el tiempo, producir mejores resultados. En este artículo, lo guiaremos a través de lo siguiente:
- ¿Qué es el aprendizaje automático automático?
- ¿Cómo funciona AutoML en la práctica? Aplicaciones y productos de AutoML
- La automatización de ML y el futuro de los científicos de datos
- AutoML para fines de investigación avanzada
¿Qué es el aprendizaje automático automático?
¿Qué es el aprendizaje automático automático (AutoML) y cómo funciona AutoML? La automatización de ML es el proceso de realizar tareas de aprendizaje automático mediante la aplicación de procesos de automatización. Como un campo relativamente nuevo, puede parecer aterrador hasta qué punto reemplazará (¿o reemplazará?) El factor humano en el aprendizaje automático y el análisis de datos. Desde la perspectiva de los ingenieros de ML, AutoML es más un modelo que un reemplazo. Para la automatización, AutoML requiere la codificación manual por parte de los ingenieros de ML, así como el mantenimiento y la creación de modelos. Después de todo, esta es una tecnología de inteligencia artificial hecha por el hombre en su esencia, y necesita ser entrenada para aprender a realizar las tareas para las que está destinada.
En lugar de dejar que los humanos se concentren en tareas complejas de aprendizaje automático avanzado, podemos entrenar datos e inteligencia artificial para realizar esas tareas.
Para que el modelo ML funcione, debe involucrar una variedad de habilidades, desde programación hasta ML y conocimiento del dominio, así como álgebra lineal. Aquí es donde entra AutoML para que sea más fácil para los no expertos optimizar las canalizaciones de ML. Por lo tanto, AutoML puede encargarse potencialmente del preprocesamiento, la capacitación, la optimización y la evaluación de datos.
Con esta tecnología, los que no son científicos de datos o los profesionales de ML pueden implementar soluciones de AutoML para campos en los que depender de algoritmos codificados a mano no es esencial. Actualmente, el aprendizaje automático no es tan perfecto, pero los ingenieros de ML a nivel mundial lo ven realmente excelente en el futuro cercano. La IA centrada en el ser humano, así como AutoML, requieren mejoras de las personas en los campos de especialización a los que se aplicará.
Cómo funciona AutoML en la práctica: aplicaciones y metodologías de AutoML
Como método, AutoML tiene como objetivo automatizar el diseño y desarrollo de tareas y aplicaciones de aprendizaje automático. A medida que los datos que se procesarán y estarán disponibles para poder construir máquinas para diversos escenarios crecen rápidamente, existe un vacío que AutoML está llenando para ingenieros y expertos en ML.
En resumen, AutoML es el estudio que nos permite encontrar soluciones para administrar métodos ML con una interacción mínima del usuario. La mayoría de los estudios se centran en las prácticas de aprendizaje supervisado, aunque el aprendizaje semisupervisado y no supervisado se está volviendo más común. Para AutoML, la supervisión significa que el método está capacitado para mapear y etiquetar objetos en función de una muestra que se le proporcionó. Respectivamente, los métodos no supervisados significan que el aprendizaje lo inicia la máquina y los métodos semi-supervisados permiten un entrenamiento parcial pero dejan espacio para que la máquina mejore los métodos de etiquetado.
Algunas aplicaciones de AutoML son, entre otras, las siguientes:
- Clasificación y anotación de texto
- Reconocimiento facial
- Filtro de spam
- Reconocimiento de escritura a mano
AutoML supervisado tiene la mayoría de las aplicaciones de la vida real y ha sido el más estudiado. Cuando se proporciona el conjunto de datos, la máquina aprenderá de las muestras y podrá etiquetar, calificar y formar plantillas.
Como parte de las metodologías de AutoML, algunos expertos sugieren revisarlas en etapas de su aparición. Cada metodología consecutiva ha venido a mejorar las deficiencias de la anterior y desde 2006 hemos visto tres fases de metodologías. Eso no nos limita aquí, pero por el bien del artículo, estamos buscando metodologías representativas que han generado innovación y contribuido al desarrollo de la industria.
Fase uno: el comienzo
Como uno de los pioneros de lo que ahora se conoce como metodologías AutoML, Particle Swarm Model Selection (PSMS) tiene un modelo integral de canalización de ML. Implica tanto la iniciación como el procesamiento y la extracción de datos, pero también la optimización de todos los parámetros para ajustarse al modelo. Han llegado otros, pero PSMS y sus variantes (Ensemble PSMS) siguen siendo el núcleo del código moderno de AutoML. Otra mención de honor tiene que ser el sistema GPS, donde el creador tomó un modelo de tubería adecuado y luego procedió a optimizar los hiperparámetros para él.
Fase dos: Eran alternativas
Cuando la fase uno concluyó a fines de 2010, comenzó la era de la mejora y la ideación. Aquí es donde obtuvimos los modelos basados en SMBO (Sequential Model-based Optimization). El modelo se centró principalmente en el uso de modelos sustitutos.
Otras metodologías notables de esta época son:
- GAPSO
- Coche WEKA
- AutoSkLearn
- TPO
Fase tres: el presente y el futuro
Finalmente, la fase tres aún está en curso y nos ha traído uno de los avances más innovadores en AutoML, la investigación de la arquitectura neuronal. El progreso logrado en solo 10 años en la tercera etapa del aprendizaje automático de máquinas es complejo y abre la puerta a una variedad de nuevas posibilidades.
Estos avances han disparado AutoML en el campo del aprendizaje profundo. La búsqueda de arquitectura neuronal, también conocida como NAS, es el mayor de estos avances y realiza una búsqueda de arquitectura e hiperparámetros para aplicar soluciones a los modelos. Este es el avance tecnológico que nos ha dado la capacidad de ejecutar muchas de las aplicaciones mencionadas anteriormente. Pero la comunidad de ingeniería de ML no se detiene allí y ve mucho espacio para el desarrollo y la mejora.
La automatización del aprendizaje automático y el futuro de los científicos de datos
Muchos debates y preocupaciones en la comunidad de ML se refieren a si AutoML reemplazará a los científicos de datos. En resumen, no! Como hemos discutido, la automatización de ML tiene un propósito en lo que respecta a los científicos de datos y es ayudarlos a evitar realizar tareas manuales de etiquetado de datos que consumen mucho tiempo cuando pueden concentrarse en procesos como la ingeniería de características de AutoML o la optimización de hiperparámetros, lo que a su vez permite la IA para optimizar el etiquetado de datos y otras soluciones de AutoML. Las operaciones automatizadas de aprendizaje automático garantizan que los científicos de datos puedan ofrecer soluciones de aprendizaje automático sin demandas ilimitadas de hiperparámetros y selección de modelos, largas tareas de preparación de datos y más.
¿Con qué más puede ayudar el marco AutoML a los científicos de datos? Bueno, muchas actividades que aún realizan los científicos de datos están relacionadas con el modelado, la evaluación y la selección de algoritmos. Por lo tanto, se puede confiar en estos en los marcos de AutoML y permitir que los científicos de datos hagan el trabajo que un algoritmo nunca puede hacer.
Si todavía hay una preocupación, recuerde cómo a principios de los 90 la computadora personal se consideraba una amenaza para los matemáticos. Hoy vemos que estos permiten a las mentes matemáticas realizar tareas más complejas e intensificar la evolución innovadora.
Terminando
A medida que AutoML continúa avanzando, mantiene la promesa de mejorar la eficiencia y la precisión en las tareas de aprendizaje automático. Sin embargo, es fundamental lograr un equilibrio entre la automatización y la experiencia humana, aprovechando AutoML como una herramienta invaluable y confiando en el conocimiento del dominio y la orientación hábil de los profesionales de ML. Con avances y colaboración continuos, AutoML tiene el potencial de impulsar la innovación y crear nuevas oportunidades en el ámbito de la IA y el análisis de datos.
Sobre el Autor
Melanie Johnson, entusiasta de la inteligencia artificial y la visión por computadora con un historial comprobado en redacción técnica. Apasionado por la innovación y las soluciones basadas en inteligencia artificial. Le encanta compartir opiniones de expertos y educar a la gente sobre la tecnología.
Regístrese para recibir el boletín gratuito insideBIGDATA.
Únase a nosotros en Twitter: https://twitter.com/InsideBigData1
Únase a nosotros en LinkedIn: https://www.linkedin.com/company/insidebigdata/
Únase a nosotros en Facebook: https://www.facebook.com/insideBIGDATANOW