자동 AI

자동 인공지능(Automated AI)은 자동 기계 학습(AutoML) 기술의 변형으로, 모델 구축의 자동화를 기계 학습 모델의 전체 수명 주기 자동화로 확장합니다.교육을 위한 데이터를 준비하고, 주어진 데이터에 대한 최적의 모델 유형을 확인한 다음 모델이 해결 중인 문제를 가장 잘 지원하는 특징 또는 데이터 열을 선택하여 예측 기계 학습 모델을 구축하는 작업에 지능적인 자동화를 적용합니다.마지막으로 자동화는 모델 후보 파이프라인을 생성하고 순위를 매길 때 최상의 결과를 얻기 위해 다양한 조정 옵션을 테스트합니다.최고의 퍼포먼스를 발휘하는 파이프라인을 실전 가동에 투입하여 새로운 데이터를 처리하고 ^[1]모델 트레이닝을 바탕으로 예측을 실시할 수 있습니다.자동화된 인공지능은 모델에 내재된 편견이 없는지 확인하고 모델의 지속적인 개선을 위한 작업을 자동화하는 데도 적용될 수 있습니다.자동 관리AI 모델은 모델 운영(Model Ops)이라고 하는 프로세스에 의해 관리되는 빈번한 모니터링 및 업데이트가 필요합니다.

그 자동 기계 학습 및 데이터 과학 팀 연구,“인공 지능(AI), 기계 학습(맥스)및 데이터 관리에서 신청하다 기술과 기계와 데이타 사이언스를 이용 학습의 창출 최적화 가속화될 것”의 발전한 것으로 믿어지고 있기 위해 결성되었다 안에 작은 팀(AMLDS)[2]. AutoAI.

사용 사례

Auto의 일반적인 사용 사례AI는 고객이 판매 인센티브에 어떻게 반응할지를 예측하기 위한 모델을 훈련시킬 것이다.이 모델은 먼저 고객이 프로모션에 어떻게 반응했는지에 대한 실제 데이터를 사용하여 교육됩니다.이 모델은 새로운 데이터와 함께 새로운 고객이 어떻게 반응할지에 대한 예측과 예측에 대한 신뢰 점수를 제공할 수 있습니다.AutoML 이전에는 데이터 과학자가 직접 이러한 예측 모델을 구축하여 다양한 알고리즘 조합을 테스트한 후 예측이 실제 결과와 어떻게 비교되는지 테스트해야 했습니다.AutoML이 훈련용 데이터 준비, 데이터 처리를 위한 알고리즘 적용 및 결과 최적화의 일부 프로세스를 자동화한 경우 AutoAI는 훨씬 더 많은 요소 조합을 테스트하여 보다 정확하게 반영 및 추가하는 모델 후보 파이프라인을 생성할 수 있는 지능적인 자동화를 제공합니다.해결 중인 문제에 대해 설명합니다.일단 모델을 구축하면 편향 여부를 테스트하고 성능을 개선하기 위해 업데이트할 수 있습니다.

자동AI 프로세스

사용자는 일련의 교육 데이터를 제공하고 예측 열을 식별함으로써 프로세스를 시작합니다. 예측 열은 문제를 해결하도록 설정합니다.예를 들어, 예측 열에는 제공된 인센티브에 대한 응답으로 가능한 예 또는 아니오 값이 포함될 수 있습니다.데이터 전처리 단계에서 AutoAI는 분석, 청소(예: 중복 정보 제거 또는 누락 데이터 귀속) 및 기계 학습(ML)을 위한 구조화된 원시 데이터를 준비하기 위해 수많은 알고리즘 또는 추정기를 적용합니다.

다음은 분류 또는 회귀 분석과 같은 모형 유형과 데이터를 일치시키는 자동 모형 선택입니다.예를 들어 예측 열에 두 가지 유형의 데이터만 있는 경우 AutoAI는 이항 분류 모델을 구축할 준비를 합니다.알 수 없는 일련의 가능한 답변이 있는 경우 AutoAI는 다른 알고리즘 세트 또는 문제 해결 변환을 사용하는 회귀 모델을 준비합니다.AutoAI는 정보의 작은 서브셋에 대해 후보 알고리즘을 테스트한 후 순위를 매겨 최적의 일치에 도달할 가능성이 가장 높은 알고리즘에 대해 서브셋의 크기를 점차 증가시킵니다.이 반복 및 증분 기계 학습 프로세스는 자동을 설정합니다.이전 버전의 AutoML과는 다른 AI.

기능 엔지니어링은 원시 데이터를 문제를 나타내는 조합으로 변환하여 최적의 정확한 예측에 도달합니다.이 프로세스의 일부는 교육 데이터 소스의 데이터가 어떻게 정확한 예측을 가장 잘 지원할 수 있는지를 평가하는 것입니다.알고리즘을 사용하면 원하는 결과를 얻기 위해 다른 데이터보다 더 중요한 데이터의 가중치를 부여합니다.AutoAI는 수많은 기능 구성 옵션을 비실용적이고 구조적인 방식으로 자동화하는 동시에 강화 학습을 통해 모델의 정확성을 점진적으로 극대화합니다.이는 모델 선택을 포함한 단계의 최적의 알고리즘과 일치하는 정보 및 데이터 변환 시퀀스의 최적화에서 비롯됩니다.

마지막으로 AutoAI는 하이퍼파라미터 최적화 단계를 적용하여 최고의 성능을 발휘하는 모델 파이프라인을 개선하고 발전시킵니다.파이프라인은 정확도 및 정밀도 등의 메트릭에 의해 평가되고 순위가 매겨지는 모델 후보입니다.프로세스 종료 시 사용자는 파이프라인을 검토하고 생산에 투입할 파이프라인을 선택하여 새로운 데이터에 대한 예측을 제공할 수 있습니다.

역사

2017년 8월, AMLDS는 데이터 ^[3]과학에서 추측을 배제하기 위해 자동화된 기능 엔지니어링의 사용을 연구하고 있다고 발표했습니다.AMDLS의 멤버인 우다얀 쿠라나, 호르스트 사물로위츠, 그레고리 브램블, 디팍 토라가, 피터 키르치네르, 토론토 대학의 Fatemeh Nargesian, 조지아 공대의 Elias Khalil과 함께 같은 ^[4]해 IJCAI에서 예비 연구를 발표했습니다.

"Learning-based Feature Engineering"이라고 불리는 이 방법은 기능 분포, 대상 분포 및 변환 간의 상관 관계를 학습하고, 과거의 관찰 결과를 사용하여 실행 가능한 변환을 예측하는 메타 모델을 구축하며, 여러 도메인에 걸친 수천 개의 데이터 세트를 일반화합니다.서로 다른 크기의 형상 벡터를 다루기 위해 수량 스케치 배열을 사용하여 ^[4]형상의 필수 특성을 캡처했습니다.

2018년 IBM Research는 Cafe, Torch, TensorFlow와 같은 인기 있는 딥 러닝 라이브러리를 클라우드 ^[5]개발자들에게 개방한 Deep Learning as a Service를 발표했습니다.AMLDS는 작업을 계속하여 유명한 카글 대회에서 ^[6]사용하였습니다.그것은 상위 10퍼센트로 ^[7]완성되었다.IBM에서 기계 학습(ML) 및 최적화를 전문으로 하는 저명한 엔지니어인 Jean-Francois Puget 박사가 경쟁에 참여했습니다.그는 IBM AI와 IBM ^[8]Watson과 같은 데이터 과학 플랫폼을 위해 준비하기로 결심했습니다.2018년 12월, IBM Research는 자동화된 AI 모델 개발 및 ^[9]배포의 일환으로 뉴럴 네트워크 모델 합성을 자동화하는 새로운 기능인 NeuNetS를 발표했습니다.

2020년에 류 등은 변환, 기능 엔지니어링 및 선택, 예측 모델링과 같은 ^[10]ML 파이프라인의 다단계 구성을 위해 ADMM(Alternating Direction Method of Multiplier)을 사용하는 AutoML 방법을 제안했다.IBM Research가 기계 학습에 "Auto"라는 용어를 공개적으로 적용한 것은 이번이 처음입니다.

AutoAI: AutoML의 진화

2019년은 AutoML이 컨셉으로 더욱 널리 논의된 해였다."Forrester New Wave™: 자동화에 초점을 맞춘 머신 러닝 솔루션, 2019년 2분기" AutoML 솔루션을 평가한 결과, 보다 강력한 버전이 기능 ^[11]엔지니어링을 제공하는 것으로 나타났습니다.2019년 8월 Gartner Technical Professional Advises 보고서에 따르면 AutoML은 데이터 과학 및 기계 학습을 강화할 수 있다고 합니다.이들은 AutoML을 데이터 준비, 기능 엔지니어링 및 모델 엔지니어링 ^[12]작업의 자동화라고 설명했습니다.

AutoAI는 AutoML의 진화입니다.Auto의 하나AI의 주요 발명가인 Jean-Francois Puget 박사는 AI가 데이터 준비, 기능 엔지니어링, 머신 러닝 알고리즘 선택 및 하이퍼 파라미터 최적화를 자동으로 수행하여 최적의 머신 러닝 ^[8]모델을 찾는다고 설명합니다.Auto에서 사용되는 하이퍼 파라미터 최적화 알고리즘AI는 AutoML의 하이퍼 파라미터 튜닝과는 다릅니다.이 알고리즘은 머신러닝에서 일반적인 모델 트레이닝 및 스코어링과 같은 비용 함수 평가에 최적화되어 있어 각 반복의 평가 시간이 ^[1]긴 경우에도 우수한 솔루션으로 신속하게 수렴할 수 있다.

IBM Research의 연구 과학자들은 기계 학습 애플리케이션의 구축, 테스트 및 유지보수에 필요한 인적 개입을 제한하기 위한 목적으로 더 많은 프로세스를 자동화할 수 있는 이점과 사용 가능한 기술을 설명하는 "AI 운영 수명 주기 자동화 방향"^[13] 논문을 발표했습니다.그러나 일부 HCI 연구원들은 기계 학습 애플리케이션과 그 권고는 불가피하게 인간의 의사결정자가 취하기 때문에 그 ^[14]과정에 인간의 개입을 제거하는 것은 불가능하다고 주장한다.보다 투명하고 해석하기 쉬운 자동 기능AI 디자인은 인간 사용자들의 신뢰를 얻는 열쇠이지만, 그러한 디자인 자체는 상당히 어려운 ^[15]과제이다.

자동상AI

• 샌프란시스코에서 ^[16]열린 AIconics AI Summit(2019)에서 Best Innovation in Intelligent Automation Award 수상.
• iF 디자인 가이드 어워드 소프트웨어 애플리케이션 커뮤니케이션 부문 수상(2020)^[17]

「 」를 참조해 주세요.

• 자동 기계 학습
• 인공지능
• Watson(컴퓨터)

레퍼런스