Definition

Was ist automatisiertes Machine Learning (AutoML)?

| Autor / Redakteur: Stefan Luber / Nico Litzel

(Bild: © aga7ta - stock.adobe.com)

Automatisiertes Machine Learning, AutoML, vereinfacht das maschinelle Lernen durch Automatisierung verschiedener Machine-Learning-Prozesse. Je nach Komplexität und Umfang der Aufgabe lassen sich einzelne Schritte oder der komplette Prozess automatisieren. Ziel ist es, auch Anwendern ohne spezifische Programmierkenntnisse und Machine Learning Know-how die Problemlösungsmöglichkeiten des maschinellen Lernens zu eröffnen.

Das Kürzel AutoML steht für automatisiertes maschinelles Lernen (Automated Machine Learning). Automatisiertes maschinelles Lernen vereinfacht und beschleunigt den Machine-Learning-Workflow und ermöglicht auch Anwendern ohne spezifisches ML-Know-how oder ML-Programmierkenntnisse das Erstellen von Machine-Learning-Systemen. Abhängig von der Komplexität und vom Umfang der zu bewältigenden Aufgabenstellung lassen sich einzelne Schritte oder der komplette Prozess des Machine Learnings automatisieren.

Typische Prozessschritte, die per AutoML automatisiert werden, sind beispielsweise die Aufbereitung der Daten, die Auswahl geeigneter Machine-Learning-Algorithmen, die Auswahl eines optimalen ML-Modells oder das Deployment des Modells. Vorteile von AutoML sind der geringere zeitliche Aufwand zur Erstellung eines produktionsreifen ML-Modells und der reduzierte Bedarf an Datenwissenschaftlern und Programmierern für die verschiedenen Prozessschritte.

Es existieren zahlreiche Hilfsmittel und Lösungen verschiedener Anbieter für automatisiertes Machine Learning. Lösungen wie Google Cloud AutoML oder Azure Automated ML erlauben die Nutzung verschiedener AutoML-Services über eine Cloud-basierte Plattform. In sehr komplexen Machine-Learning-Prozessen mit schwierigen Problemlösungsaufgaben lassen sich nicht alle Prozessschritte automatisieren. Aufgaben wie das prinzipielle Verständnis der Problemstellung oder komplexe Data-Engineering-Tasks müssen nach wie vor oft von Menschen erledigt werden.

Darstellung des typischen Machine Learning Workflows

Der Machine Learning Workflow besteht aus vielen Einzelschritten, von denen einige nur einfach, andere mehrfach iterativ zu durchlaufen sind. Typische Schritte des maschinellen Lernens sind:

- Verständnis und Ausarbeitung der fachlichen Problemstellung

- Auswahl relevanter Trainingsdaten

- Aufbereitung der Trainingsdaten (Zusammenfassung, Bereinigung und Formatierung)

- Ermittlung der Attribute zur Modellerstellung

- Auswahl geeigneter Machine-Learning-Algorithmen

- Training des Modells

- Optimierung der Hyperparameter der Machine-Learning-Algorithmen

- Vergleich der Modelle und Auswahl des besten Modells

- Deployment des Modells und Einbindung in eine Anwendung

- Nutzung und Überwachung des ML-Modells in der produktiven Umgebung

Per AutoML automatisierbare Prozessschritte des maschinellen Lernens

Innerhalb des beschriebenen Gesamtprozesses des maschinellen Lernens lassen sich verschiedene Einzelschritte per AutoML automatisieren. Einige Prozessschritte eignen sich gut für die Automatisierung, andere wiederum sind nur schwer zu automatisieren. Typische per AutoML automatisierbare Prozessschritte sind

  • die Datenaufbereitung,
  • das Feature-Engineering,
  • die Auswahl der ML-Algorithmen
  • die Modellauswahl,
  • die Optimierung der Hyperparameter,
  • die Ergebnisanalyse und Ergebnisvisualisierung sowie
  • das Deployment des Modells (Generierung von APIs und Bereitstellung einer Runtime-Umgebung).

Die Vorteile des automatischen Machine Learnings

Das automatisierte maschinelle Lernen bietet gegenüber dem herkömmlichen maschinellen Lernen zahlreiche Vorteile. Sowohl der zeitliche als auch der personelle Aufwand des maschinellen Lernens lässt sich reduzieren. Es wird weniger spezifisches Know-how wie Programmier- und ML-Kenntnisse benötigt. Dadurch bleibt es nicht mehr nur Datenwissenschaftlern und Programmierern vorbehalten, eigene Machine-Learning-Systeme zu erstellen. AutoML ermöglicht Anwendern ohne spezifisches ML-Know-how den Einstieg in das maschinelle Lernen, um einfache Problemstellungen mithilfe Künstlicher Intelligenz (KI) zu lösen. Selbst mit minimalen Fachkenntnissen lassen sich durch die Nutzung leistungsfähiger AutoML-Tools hochwertige ML-Modelle trainieren und in den Betrieb überführen. Die Implementierungszeiten für die mit AutoML realisierten Lösungen sinken und die Präzision der Modelle steigt. Automatisiertes maschinelles Lernen macht Anwendungen der Künstlichen Intelligenz in der Breite nutzbar.

Die verschiedenen Einsatzmöglichkeiten von AutoML

Automatisiertes maschinelles Lernen ist wie herkömmliches manuell gesteuertes maschinelles Lernen in vielen Bereichen einsetzbar. Typische Aufgaben, die mit den per AutoML realisierten Modellen ausgeführt werden, sind Klassifizierungsaufgaben. AutoML wird genutzt zum Erstellen, Trainieren, Optimieren und Bereitstellen von Machine-Learning-Modellen, die beispielsweise Aufgabenstellungen lösen:

  • In der Bilderkennung,
  • in der Betrugserkennung,
  • für Verkaufsvorhersagen,
  • im Marketing,
  • in der Robotertechnik,
  • für Predictive Maintenance,
  • in der Textanalyse sowie
  • in der Spracherkennung.

Auf dem Markt verfügbare Lösungen für automatisiertes maschinelles Lernen

Mittlerweile existieren auf dem Markt zahlreiche AutoML-Lösungen. Sie bieten Tools und Hilfestellungen zur Automatisierung verschiedener Prozessschritte des maschinellen Lernens. Während einige der Lösungen für den lokalen Einsatz vorgesehen sind, ermöglichen andere die Nutzung über Cloud-basierte Plattformen. Zu den Cloud-AutoML-Services zählen beispielsweise Azure Automated ML und Google Cloud AutoML. Bei Google Cloud AutoML handelt es sich um eine komplette Produktsuite für maschinelles Lernen. Sie ist vollständig in die Google-Cloud-Dienste eingebunden. Azure Automated ML basiert auf der hoch skalierbare Cloud-Computing-Plattform Microsoft Azure. Viele der verfügbaren Lösungen und Tools bieten den Anwendern grafische Benutzeroberflächen, mit denen sich benutzerdefinierte Modelle für maschinelles Lernen visuell unterstützt erstellen und trainieren lassen.

Kommentare werden geladen....

Kommentar zu diesem Artikel abgeben

Der Kommentar wird durch einen Redakteur geprüft und in Kürze freigeschaltet.

Anonym mitdiskutieren oder einloggen Anmelden

Avatar
Zur Wahrung unserer Interessen speichern wir zusätzlich zu den o.g. Informationen die IP-Adresse. Dies dient ausschließlich dem Zweck, dass Sie als Urheber des Kommentars identifiziert werden können. Rechtliche Grundlage ist die Wahrung berechtigter Interessen gem. Art 6 Abs 1 lit. f) DSGVO.
  1. Avatar
    Avatar
    Bearbeitet von am
    Bearbeitet von am
    1. Avatar
      Avatar
      Bearbeitet von am
      Bearbeitet von am

Kommentare werden geladen....

Kommentar melden

Melden Sie diesen Kommentar, wenn dieser nicht den Richtlinien entspricht.

Kommentar Freigeben

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

Freigabe entfernen

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

Aktuelle Beiträge zu diesem Thema

So automatisiert KI die Entwicklung von KI-Modellen

AutoML

So automatisiert KI die Entwicklung von KI-Modellen

Schon jetzt gibt es laut Bitkom nicht genügend Fachkräfte, um den steigenden Bedarf an Datenanalysen zu decken. Automatisierung kann hier der Schlüssel sein, der Data Scientists von wiederholenden und zeitaufwendigen Tätigkeiten befreit. Genau hier setzt die Idee an, Künstliche Intelligenz einzusetzen, um den gesamten Modellierungsprozess zu automatisieren und zu beschleunigen. lesen

Die Top-Trends rund um Enterprise Analytics

Microstrategy wagt Ausblick für 2020

Die Top-Trends rund um Enterprise Analytics

Der Spezialist für Analytics- und Mobility-Software Microstrategy hat die wichtigsten Enterprise-Analytics-Trends für das Jahr 2020 prognostiziert. Dazu kooperierte das Unternehmen mit namhaften Marktforschern wie zum Beispiel Forrester, IDC, Constellation Research und Ventana Research. lesen

Die Datenlandschaft verändert sich

Prognosen für 2019 von Wolfgang Huber, Cloudera

Die Datenlandschaft verändert sich

2018 war ein Jahr der grundlegenden Veränderungen. Basis dafür waren die Auswirkungen von Datenmanagement und -analyse und natürlich auch die DSGVO. Wolfgang Huber von Cloudera blickt zurück und gibt einen Ausblick auf vier wichtige Technologiebereiche. lesen

Nagarro und Google Cloud laden nach München ein

Veranstaltung zum Thema Künstliche Intelligenz

Nagarro und Google Cloud laden nach München ein

Das IT-Beratungshaus Nagarro lädt mit seinem Partner Google Cloud zu einer Veranstaltung mit dem Thema „Intelligent Enterprise: AI-enabled differentiation is now!“ nach München ein. Das englischsprachige Event findet im Google Office, in der Erika-Mann-Straße 33 von 9 Uhr bis 15:30 Uhr statt. lesen

copyright

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Kontaktieren Sie uns über: support.vogel.de/ (ID: 46318973 / Definitionen)