Home / Programmazione / Quali sono i limiti di AutoML

Quali sono i limiti di AutoML


AutoML non è più un nuovo termine. Da quando Google ha rilasciato il suo primo prodotto AutoML nel 2018, le discussioni su questa tecnologia sono state abbastanza importanti. Alcuni lo considerano un’arma per raggiungere un’intelligenza artificiale generale, mentre altri lo ritengono esagerato. Ma ciò su cui tutti concordano è che AutoML ha uno straordinario significato nel realizzare i progressi dell’IA.

L’uso dell’apprendimento automatico per elaborare i dati ha aumentato le entrate e l’efficienza per le imprese. Le grandi aziende tecnologiche hanno centinaia di milioni di dati, che è umanamente impossibile da elaborare. L’apprendimento automatico viene quindi utilizzato per costruire modelli complessi.

Negli ultimi anni, sono stati utilizzati algoritmi di machine learning automatico in settori quali il riconoscimento delle immagini, l’elaborazione del linguaggio naturale, il riconoscimento vocale, l’ottimizzazione AutoML interattiva, l’apprendimento semi-supervisionato, l’ apprendimento per rinforzo e altro ancora. Ma viene fornito con una serie di sfide.

Sfide aziendali per AutoML

AutoML deve affrontare problemi come l’applicazione di dati e modelli. Ad esempio, i dati etichettati di alta qualità sono tutt’altro che sufficienti e le incoerenze dei dati durante l’analisi dei dati offline causeranno effetti negativi. Inoltre, i team devono eseguire l’elaborazione automatica dell’apprendimento automatico di dati non strutturati e semi-strutturati, il che è tecnicamente difficile.


Inoltre, gli attuali obiettivi di ottimizzazione del sistema AutoML sono fissi. Spesso problemi realistici sono una combinazione di obiettivi multipli, come la necessità di fare sottili differenze tra processo decisionale e costi. Con questo tipo di esplorazione multi-obiettivo, le persone hanno un modo limitato di giudicare efficacemente prima di ottenere i risultati.

Tale situazione è difficile da supportare nell’attuale AutoML. L’attività effettiva potrebbe avere requisiti personalizzati per l’effettivo processo di apprendimento automatico, ad esempio, per i quali è possibile utilizzare solo un determinato tipo di strumento di elaborazione dei dati. Tali requisiti non possono essere soddisfatti nell’attuale soluzione AutoML della black box. Che sia efficace o efficiente, AutoML ha molto margine di miglioramento .

Explainability

Sebbene le macchine automatizzate possano trovare soluzioni, potrebbe non essere necessariamente ciò che l’utente desidera. L’utente può desiderare un modello spiegabile. In effetti, gli esperti affermano che la spiegabilità stessa ha una grande incertezza, perché la comprensione di ognuno è diversa e ha un ottimo rapporto con il giudizio personale. È ancora più difficile rendere spiegabile il modello.

Le organizzazioni devono lavorare per promuovere lo sviluppo di standard relativi all’apprendimento automatico spiegabile. AutoML può fornire i risultati e gli esperti giudicano se soddisfano i propri standard e coerenza interpretabili e spiegabili.

AutoML in ambiente dinamico

Un altro punto che merita attenzione è che è più difficile eseguire AutoML in un ambiente dinamico che in un ambiente statico, poiché gli ambienti continuano a cambiare dinamicamente. Affrontare in modo efficace ambienti dinamici è una questione aperta nella comunità accademica e i ricercatori esplorano continuamente il campo. Per l’apprendimento dinamico delle funzionalità, le aziende dovranno adattarsi più rapidamente alle modifiche dei dati, rilevare le modifiche alla distribuzione e adattarsi automaticamente ai diversi tipi di modelli, ecc.

Gli attuali framework di elaborazione mainstream (come Tensorflow, PyTorch, ecc.) Sono ottimizzati solo per la formazione di singoli modelli di apprendimento automatico. Le aziende devono lavorare sulla riprogettazione dell’architettura informatica sottostante per l’apprendimento automatico delle macchine, fornendo valutazione della configurazione e ottimizzazione per l’apprendimento di più modelli. Per l’apprendimento dinamico dell’ambiente, deve essere in grado di eseguire automaticamente l’adattamento del modello in base ai cambiamenti nella distribuzione dei dati.

La sicurezza è l’altro argomento di ricerca caldo di AutoML. In termini di sicurezza di AutoML, le organizzazioni stanno esplorando diverse soluzioni tecniche per diversi scenari, come l’apprendimento automatico automatico per la protezione della privacy , l’apprendimento automatico multipartitico, la federazione automatica, ecc.

Ma l’attuale implementazione manca del supporto di leggi, regolamenti e standard di settore. Le organizzazioni devono promuovere la creazione e il miglioramento di standard quali gli standard IEEE per l’apprendimento federato e l’elaborazione multipartitica sicura.

Pensieri finali

La tecnologia AutoML è stata ora implementata in molti scenari, ma la sfida è implementarla su larga scala e in più settori. L’ostacolo è che le scoperte tecnologiche di AutoML richiedono una ricerca più approfondita a livello teorico e algoritmico.

Le aziende stanno sperimentando molte iterazioni di machine learning automatizzato. Si è evoluto dalla prima espansione a due categorie a multicategoria e regressione, da dati strutturati a dati non strutturati come immagini e video, è utilizzato nell’apprendimento supervisionato automatico che copre dati di bassa qualità e nell’apprendimento automatico multipartitico che protegge la privacy. In teoria, i ricercatori stanno esplorando i limiti dell’algoritmo AutoML, perché non esiste un algoritmo generale in grado di risolvere tutti i problemi.

Top

Utilizzando il sito, accetti l'utilizzo dei cookie da parte nostra. maggiori informazioni

Questo sito utilizza i cookie per fornire la migliore esperienza di navigazione possibile. Continuando a utilizzare questo sito senza modificare le impostazioni dei cookie o cliccando su "Accetta" permetti il loro utilizzo.

Chiudi