AutoML به دنبال خودکارسازی چه چیزی است؟

در یادگیری ماشین مرسوم، مجموعه‌ای از داده‌های ورودی برای یادگیری در اختیار الگوریتم قرار داده می‌شود. این داده‌های خام ممکن است در قالبی مناسب آماده نشده باشند که برای آموزش یک الگوریتم یا الگوریتم‌های مشابه از آن‌ها استفاده کرد. برای این‌که داده‌ها برای یادگیری ماشین قابل استفاده باشند، یک متخصص باید روی مباحث بیش‌برازش داده‌ها (Overfitting)، مهندسی ویژگی‌ها، استخراج ویژگی‌ها و روشی برای انتخاب ویژگی‌ها متمرکز شود.

بعد از این مرحله باید انتخاب الگوریتم و بهینه‌سازی پارامترها برای حداکثر کردن عملکرد پیشگویانه مدل انجام شود. همه این مراحل چالش‌هایی دارند و AutoML سعی می‌کند به‌طور قابل ملاحظه‌ای این مراحل را برای افراد غیر متخصص ساده کند. AutoML با هدف ساده‌سازی و تسریع در انجام این فرآیندها ابداع شده است.

با این‌حال یادگیری ماشین خودکار چالش‌های جدیدی نیز به وجود آورده است. اولین چالش این است که چگونه باید به خروجی یک مدل مبتنی بر رویکرد AutoML اطمینان کرد، آیا این مدل واقعا بهترین مدلی است که باید ساخته می‌شد؟ به همین دلیل است که بیشتر فناوری‌ها و راه‌حل‌های AutoML قابلیت ویرایش برخی از ابرپارامترها را فراهم کرده‌اند تا توسعه‌دهندگان بتوانند مدل‌های مختلفی را ایجاد و آن‌ها را با یکدیگر مقایسه کنند.

البته راه‌حل‌ فوق معایبی نیز دارد. در حالی که ویرایش و دستکاری ابرپارامترها قابلیت‌های خوبی در اختیار توسعه‌دهندگان قرار می‌دهد، اما برتری‌های یادگیری ماشین خودکار که سادگی و سرعت است را از میان می‌برد. دومین مشکلی که فناوری‌های مرتبط با AutoML دارند وابستگی زیاد به دانش فنی است.

به عبارت دقیق‌تر، AutoML به یک دانشمند داده نیاز دارد تا مدل طراحی شده را بررسی کند و مناسب‌ترین مدل برای پیاده‌سازی را انتخاب کند. اگر چند مدل با عملکرد مناسب در مرحله ارزیابی در دسترس باشند، دانشمند داده باید از فناوری‌های مکمل دیگری برای ساخت مدل نهایی که قابلیت تجاری‌سازی دارد استفاده کند.

همین موضوع باعث می‌شود تا برتری‌های ذاتی AutoML که سهولت و سرعت در بحث یادگیری است از میان برود. پژوهشگران برای غلبه بر این مشکلات راه‌کارهایی را پیشنهاد کرده‌اند. یکی از راه‌حل‌های ارائه شده برای غلبه بر این مشکل، پیاده‌سازی AutoML در سطوح مختلف است.

به لحاظ فنی تفاوت میان یادگیری ماشین خودکار و یادگیری ماشین سنتی در برخی از پارامترهایی است که قبلا ثابت و غیر قابل تغییر بودند، اما اکنون امکان ویرایش آن‌ها وجود دارد، در سایر جنبه‌ها تفاوتی میان این دو پارادایم وجود ندارد.

در حالت اولیه، AutoML می‌تواند جست‌وجوی جامعی در ارتباط با ابرپارامترها و مدل‌های در دسترس انجام دهد. آیا تصور می‌کنید این جمله برای‌تان آشنا است؟ حق دارید، زیرا ما درباره مفهومی صحبت می‌کنیم که جست‌وجوی فراگیر نام دارد. بله AutoML همان کاری را انجام می‌دهد که جست‌وجوی فراگیر انجام می‌دهد.

با توجه به این‌که طراحی بهترین مدل سفارشی برای یک کاربرد خاص زمان‌بر و هزینه‌بر است، یادگیری ماشین خودکار این امکان را به وجود می‌آورد تا آزمایش‌های بیشتری انجام دهیم. این آزمایش‌ها می‌توانند ایده‌هایی در اختیار ما قرار دهند که چه چیزی خوب کار می‌کند و چه مولفه‌ای عملکرد جالبی ندارد.

واقعیت این است که پیاده‌سازی مدل‌های یادگیری ماشین امروزی بیشتر مبتنی بر رویکرد آزمون و خطا هستند و نمی‌توان مطمئن بود که تمامی مولفه‌ها کارکرد درستی داشته باشند. باید مدل‌ها توسط آزمون‌های مختلف بررسی و نتایج ارزیابی شوند تا خطاها شناسایی و رفع شوند. اگر هزینه پیاده‌سازی هر یک از آزمون‌ها زیاد باشد باید محاسبات زیادی انجام شود تا مناسب‌ترین گزینه انتخاب شود. همین مسئله انجام آزمون‌ها را زمان‌بر می‌کند و هزینه زیادی به شرکت‌ها وارد می‌کند.

چالش های AutoML چه هستند؟

همان‌طور که بیان شد، هدف استفاده از AutoML، ساده‌سازی و تسریع فرآیند مدل‌سازی یادگیری ماشین است. اما، یادگیری ماشین خودکار چالش‌های جدیدی را هم به وجود می‌آورد. اولین چالش این است که: «چطور باید به نتیجه حاصل شده از AutoML اطمینان کرد؟» برای بسیاری از استفاده کنندگان از یادگیری ماشین خودکار این سوال وجود دارد که: «آیا این مدل واقعاً بهترین مدل ممکن است؟»

بنابراین، بسیاری از فناوری‌ها و راه‌کارهای AutoML، امکان دست بردن در برخی از ابَرپارامترها را به کاربران ارائه می‌دهند. از این طریق، کاربران می‌توانند چند مدل مختلف بسازند و این مدل‌ها را با هم مقایسه کنند. اگرچه ایجاد امکان دستکاری ابرپارامترها قابل درک است، اما باعث می‌شود که برتری‌های یادگیری ماشین خودکار که همان سادگی و سرعت هستند از بین بروند.

مشکل دوم این است که فناوری معمول AutoML همچنان وابسته به دانش فنی باقی خواهد ماند. به بیان دیگر، AutoML اغلب به یک دانشمند داده نیاز دارد تا مدل ساخته شده را بررسی کرده و بهترین مدل یا مدل‌ها را برای پیاده‌سازی پیدا کند. اگر چندین مدل با عملکرد مناسب در مرحله ارزیابی وجود داشته باشد، ممکن است دانشمند داده از فناوری‌های دیگری نیز برای ساخت مدل نهایی جهت تجاری‌سازی استفاده کند.

این مسئله نیز باعث از بین رفتن برتری‌های AutoML در ساده‌سازی و سرعت بخشیدن به فرآیند یادگیری ماشین می‌شود. یکی از راه‌کارهای ارائه شده برای مقابله با این چالش‌ها پیاده‌سازی AutoML در سطوح مختلف است که در ادامه مطلب «AutoML چیست» به آن پرداخته شده است.