Технология автоматизации процесса создания модели машинного обучения — от подбора признаков до архитектуры и гиперпараметров, — снижающая порог входа в разработку ИИ-решений.
АвтоМЛ (AutoML, automated machine learning) — это набор технологий и инструментов, которые автоматизируют процесс создания модели машинного обучения: подготовку и отбор признаков данных, выбор архитектуры модели, подбор гиперпараметров обучения и оценку качества результата, — задачи, которые традиционно требовали ручной, зачастую итеративной работы дата-сайентиста.
Цель AutoML — снизить порог входа в разработку прикладных ML-решений: команда без глубокой экспертизы в машинном обучении может загрузить данные в AutoML-платформу и получить достаточно качественную модель под свою конкретную задачу (прогноз оттока клиентов, классификация обращений) без необходимости нанимать штат специалистов по машинному обучению или тратить месяцы на ручной подбор архитектуры.
Средний и малый бизнес в России всё чаще использует AutoML-инструменты (например, в составе облачных платформ Yandex Cloud или Sber Cloud) для типовых прикладных задач — прогнозирования спроса или классификации обращений клиентов, — не имея в штате отдельной команды дата-сайентистов.
Для типовых, хорошо формализуемых задач — во многом да, но для нестандартных задач и глубокой оптимизации результата экспертиза дата-сайентиста по-прежнему даёт заметно лучший результат, чем автоматический перебор.
AutoML автоматизирует сам процесс создания и обучения модели. MLOps — это более широкая практика по развёртыванию, мониторингу и поддержке уже готовых ML-моделей в продакшене.
Нет, крупные компании тоже используют AutoML — например, чтобы быстро получить базовую («baseline») модель для сравнения с более сложными решениями, разрабатываемыми вручную.