Обзор технологии AutoML, имеющихся инструментов, пример применения и сравнительный анализ с классическим решением

Низамов И. В. , Еловенко Д. А.

2022 / Том 12 №3 2022 [ ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ И ТЕЛЕКОММУНИКАЦИИ ]

В данной статье рассмотрены принципы автоматизации сквозного процесса применения машинного обучения, приведена основная терминология. Произведена сравнительная оценка сильных и слабых сторон использования AutoML. Рассмотрены наиболее зрелые и распространённые существующие решения совместимые с языком Python, позволяющие осуществлять выбор модели и поиск гиперпараметров. Приведён пошаговый пример использования автоматизированного машинного обучения для решения реальной задачи классификации изображений. А также поэтапной пример разработки нейросети, решающий аналогичную задачу. Сделано сравнение функций потерь и общей точности предсказания моделей по всем классам. Проведён анализ полученных моделей и выделены ключевые отличия архитектур нейросетей. В заключение сформированы следующие выводы и общие рекомендации: автоматизированное машинное обучение на данном этапе развития не может в полной мере гарантировать точность результата, но при решении задач, с использованием наиболее подходящих инструментов при выполнении отдельных классов задач AutoML, демонстрирует итоги, превосходящие результаты достигаемые специалистами. Наиболее рациональное применение AutoML - это поиск новых наиболее оптимальных нейросетевых архитектур и гиперпараметров для последующей ручной оптимизации с целью повышения точности.

Ключевые слова:

нейросеть,нейросетевая архитектура,машинное обучение,автоматизированное машинное обучение,гиперпараметры,генетический алгоритм

Библиографический список:

1. Elsken T., Metzen J. H., Hutter F. Neural Architecture Search: A Survey, Journal of Machine Learning Research 20 (2019) 1-21.
2. Шмиг А. Погружение в свёрточные нейронные сети, передача обучения // Хабр: сетевой журнал. 2022. [Электронный ресурс]. URL: https: // habr.com/ru/post/467967/(13.04.2022).
3. Pandey P., Deep A. Dive into H2O’s AutoML // Вебсайт продукта H2O. 2022. [Электронный ресурс] URL: https://h2o.ai/blog/a-deep-dive-into-h2os-automl/?_ga=2.136276145.1846681263.1651196999-430484785.1649755677 (13.04.2022).
4. Radečić D. Machine Learning Automation with TPOT: Build, validate, and deploy fully automated machine learning models with Python, Packt Publishing (May 7, 2021).
5. Sobrecueva L., Automated Machine Learning with AutoKeras: Deep learning made accessible for everyone with just few lines of coding, Packt Publishing (May 21, 2021).
6. Sabharwal N., Agrawal A. Up and Running Google AutoML and AI Platform: Building Machine Learning and NLP Models Using AutoML and AI Platform for Production Environment, BPB Publications (November 27, 2020).
7. Masood A. Automated Machine Learning, Packt Publishing (Feb 2021) (c. 312).
8. Géron A. Hands-On Machine Learning with Scikit-Learn and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems, O’relly 1st Edition (Mar 2017).
9. Шмиг А. Погружение в свёрточные нейронные сети // Хабр: сетевой журнал. 2022. [Электронный ресурс]. URL: https://habr.com/ru/post/454986//(13.04.2022).
10. Колесников Е. В. AI- и ML-решения в промышленности и производстве// Джетинфо: сетевой журнал. 2022. [Электронный ресурс]. URL: https://www.jetinfo.ru/ml-v-promyshlennosti-zdes-i-sejchas///(13.04.2022).

Файлы:

• статья (скачать | просмотреть) - скачано 424 раза