Automl automated machine learning

AutoML regelt veel werk voor je

AutoML (Automated Machine Learning) bundelt verschillende slimme technieken om het bouwen van machine learning-modellen grotendeels automatisch te laten verlopen. Je hoeft dus niet zelf elk detail van je data-preprocessing, feature engineering, keuze van algoritmes of afstellen van parameters uit te zoeken. Meestal zoekt een AutoML-systeem zonder tussenkomst van mensen een flink aantal mogelijke combinaties af en kiest die met de beste prestaties op basis van de meetlat die je opgeeft. Je ziet hierbij algoritmes langskomen zoals Random Forest, XGBoost, of een neuraal netwerk. Hyperparameters bijstellen, eigenschappen van de data kiezen, en data transformeren? Dat pakt AutoML ook mee. Voorbeelden van AutoML-software zijn Google AutoML, H2O.ai, Auto-sklearn en TPOT. AutoML is fijn als je geen team van dataspecialisten bij de hand hebt en toch snel modellen wilt uitproberen. Dus je hoeft niet alles zelf te weten voordat je een stap zet richting machine learning. Maar: je ontkomt er niet aan om zelf over je data en de vragen die je stelt na te denken. Je zult het model ook zelf moeten beoordelen (en dat vraagt nog steeds inhoudelijke kennis). Op het gebied van bijvoorbeeld neurale architectuurzoek (NAS) gebeurt nu veel onderzoek, daar blijft AutoML in ontwikkeling.

Je krijgt automatisering, geen wondermiddel

AutoML neemt veel werk uit handen. Het bespaart je bergen tijd, omdat het automatiseren van het uitproberen van modellen en instellingen snel flink oploopt qua rekenwerk (en je hoeft het niet handmatig te doen). Menselijke fouten komen minder snel voor. Ben je domeindeskundige en geen ontwikkelaar? Dan kun je alsnog machine learning proberen zonder direct te coderen. En soms vindt AutoML een verrassend goed model waar zelfs mensen niet aan zouden denken. Maar er kleven ook nadelen aan. Het kost veel rekenkracht om zoveel modellen te doorlopen. Vaak weet je niet helemaal waarom een AutoML-systeem voor dat ene model gaat (het blijft voor jou dan een soort black box). Als je niet goed oplet, kunnen je resultaten besmet raken met datalekken en overfitting, juist omdat het systeem zo veel automatiseert. Het kan ook lastig zijn wanneer je tekst of beelden wilt verwerken, al zie je op dat vlak wél vooruitgang. Zit je met een probleem waarvoor juist een hele vernieuwende aanpak nodig is, dan past AutoML meestal niet goed. In branches als finance, zorg, detailhandel en productie zie je dat AutoML wordt ingezet om sneller AI-modellen te ontwikkelen. Daarmee helpt het om AI toegankelijker te maken voor meer mensen.

Dit toepassen in
jouw bedrijf?

We vertalen het naar jouw processen en laten binnen een week een werkend prototype zien.