H├Ąngematte und AutoML & Chill

AutoML beschreibt die Automatisierung maschinellen Lernens. Die Anwendung des Machine Learnings war bislang auf die Expertise spezialisierter Data Scientists angewiesen. Automatisierte ML-Prozesse vereinfachen zahlreiche Schritte und erm├Âglichen auch weniger erfahrenen Nutzern den Einsatz. Einige Beobachter sehen in der Verbreitung des AutoML ein ├Ąhnlich starkes Potential wie einst in der Einf├╝hrung der automobilen Massenproduktion durch Flie├čband-Technik. 

AutoML im ├ťberblick

AutoML beschreibt die Automatisierung der Schritte des maschinellen Lernens in der Anwendung auf reale Problemstellungen. AutoML basiert auf k├╝nstlicher Intelligenz und bietet eine L├Âsung f├╝r die wachsenden Herausforderungen des Machine Learnings. Eine typische Anwendung des maschinellen Lernens ist auf zahlreiche Prozesse angewiesen. Diese reichen von der Datenvorverarbeitung ├╝ber das Feature Engineering und die Auswahl des Algorithmus bis zur Optimierung der Parameter. Diese Schritte sind erforderlich, damit die Daten ├╝berhaupt f├╝r das Machine Learning nutzbar sind. Dies erforderte bislang den Einsatz von Experten, damit das maschinelle Lernmodell die gew├╝nschte pr├Ądiktive Leistung erbringt. 

Mit AutoML entwickelt sich ein wichtiger Trend auf KI-Basis, der zu einer einfacheren und schnelleren L├Âsung f├╝r ML-Anforderungen beitr├Ągt. Die Entwicklungen weisen darauf hin, dass AutoML Modelle erstellen kann, die ├╝ber die Leistung der manuell entworfenen Modelle hinausgeht. Das automatische Machine Learning gilt als Schl├╝ssel zur Vereinfachung des Aufbaus von komplexen KI-Architekturen. Einige Anbieter und Hersteller bieten bereits nutzbare L├Âsungen aus der Schnittmenge von KI und Machine Learning an. Diese reichen von Anwendungsbereichen wie Spracherkennung und Bilderkennung ├╝ber Marketing und Verkaufsvorhersagen bis zu Predictive Maintenance (vorausschauende Instandhaltung).

Funktionsweise und Workflow im Machine Learning

Der typische Workflow des Machine Learnings ist ein iterativer Prozess aus Einzelschritten. Dies beginnt mit dem Verst├Ąndnis sowie der Formulierung der Problemstellung. Anschlie├čend sind relevante Trainings-Daten f├╝r das Machine Learning festzulegen und zu erheben. Es folgt die Aufbereitung dieser Daten. Dazu geh├Âren die Daten-Zusammenfassung, ihre Formatierung sowie gegebenenfalls ihre Bereinigung. Auf die Vorbereitung der Daten folgt das Feature Engineering Anschlie├čend sind die Attribute zur Erstellung des Lernmodells zu ermitteln. Infolgedessen kommt es zum Training des Modells. Die Parameter der Algorithmen f├╝r das Machine-Learning sind immer weiter zu optimieren. Beim Vergleich verschiedener Lernmodelle ist schlie├člich das am besten geeignete Modell auszuw├Ąhlen. Ergebnisse sind zu analysieren und zu visualisieren. Es folgt das Deployment des Modells durch die Generierung von APIs und seine Einbindung in eine Anwendung. Bei der anschlie├čenden Nutzung des Modells in produktiver Umgebung ist es fortlaufend zu kontrollieren und zu ├╝berwachen. 

Automatisierbare Prozesse im Workflow

Diese genannten Schritte laufen in vielen Workflows separat und voneinander getrennt ab. Sie sind an entscheidenden Stellen auf das manuelle Eingreifen qualifizierter ML-Experten angewiesen. Das Ziel im AutoML ist es, diese Prozesse automatisiert auszuf├╝hren und den manuellen Eingriff zu reduzieren und im Idealfall zu ersetzen. Als Anwender bleibt f├╝r dich die Aufgabe, die Daten bereitzustellen und die Vorhersagen am Ende der Learning-Prozesse zu bewerten beziehungsweise sie f├╝r konkrete Gesch├Ąftsprozesse anwendbar zu machen. 

Viele dieser Prozessschritte im Machine Learning sind f├╝r die Automatisierung geeignet. Typischerweise lassen sich die Datenaufbereitung sowie das Feature-Engineering automatisieren. Auch die Auswahl der ML-Algorithmen sowie die Modellauswahl sind automatisierbar. Die schrittweise Optimierung der Parameter und Hyperparameter ist ebenfalls via AutoML realisierbar. Die Analyse und Visualisierung der Ergebnisse sind lassen sich auch automatisieren. Auch das Deployment des entworfenen Modells eignet sich f├╝r die Automatisierung. In diesem Zusammenhang ist neben der Bereitstellung von Schnittstellen (APIs) auch die Generierung einer Runtime-Umgebung zu nennen. 

Von besonderem Anspruch ist die Aufgabe des Feature-Engineering. Features stellen messbare Eigenschaften der Datens├Ątze dar. F├╝r diese Eigenschaften existiert zu jeder Beobachtung (Observation) in den Daten ein Wert. Die Generierung neuer Features durch Kombination oder Transformation bereits vorhandener Features nennt sich Feature-Engineering. Hierbei besteht das Ziel darin, die Daten derart zu modifizieren, dass die Algorithmen des Machine Learnings immer mehr Muster identifizieren k├Ânnen. Der Aufwand besteht darin, dass hierbei zahlreiche Alternativen durchgespielt und bewerten werden. Dieser Schritt l├Ąsst sich durch automatisierte Deep-Learning-Prozesse und Best Practices deutlich beschleunigen. 

Jede Fragestellung in einem Lernprozess l├Ąsst sich grunds├Ątzlich mit verschiedenartigen Algorithmen angehen. Es existieren immer mehr Frameworks f├╝r Machine-Learning, die gleiche Algorithmen beinhalten. Die Optimierung der Algorithmen sowie deren Hyperparameter ist bei manueller Handhabung mit viel repetitivem Aufwand verbunden. Mit einer AutoML-Engine l├Ąsst sich diese Arbeit parallelisiert und deutlich schneller bew├Ąltigen. 

AutoML-L├Âsungen im ├ťberblick

Der Markt bietet eine Reihe verf├╝gbarer L├Âsungen f├╝r das automatisierte maschinelle Lernen. Dazu geh├Âren Tools und Erleichterungen f├╝r die Automatisierung unterschiedlicher Prozessschritte. Einige dieser Tools sind f├╝r die lokale Nutzung vorgesehen, w├Ąhrend andere auf Cloud-Plattformen laufen. Einige dieser L├Âsungen bieten dir als Anwender graphische Nutzeroberfl├Ąchen. Auf diesen kannst Du benutzerdefinierte Modelle f├╝r das maschinelle Lernen visuell unterst├╝tzt erstellen und trainieren. 

H2O AutoML ist eine L├Âsung, die eine automatisierte Modellauswahl sowie Modellzusammenstellung erm├Âglicht. Sie funktioniert auf der H2O-Plattform, einer KI-Plattform f├╝r das maschinelle Lernen und die Datenanalyse.

AutoKeras stellt eine Open-Source-Bibliothek auf Python-Basis dar. Auch hier steht das automatisierte maschinelle Lernen im Fokus. 

Google bietet mit dem Konzept Google Cloud AutoML eine vollst├Ąndige Produkt-Suite f├╝r das Machine-Learning. Diese ist in die Cloud-Dienste Googles vollst├Ąndig eingebunden. Das Angebot richtet sich an Entwickler mit geringen Kenntnissen und will auch diesen die M├Âglichkeit bieten, anforderungsgerechte Modelle zu trainieren. 

Ebenso Cloud-basiert ist Azure Automated ML. Dieses Angebot basiert auf der Cloud-Plattform von Microsoft Azure. 

AutoWEKA ist eine L├Âsung, die dir eine gleichzeitige Auswahl des Machine-Learning-Algorithmus und seiner Hyperparameter erm├Âglicht. Eine Erweiterung AutoWEKAs ist das Konzept Auto-sklearn. Dieses erweitert das Angebot um die Python-Bibliothek scikit-learn. Hierbei handelt es sich um einen Drop-in-Ersatz f├╝r scikit-learn Regressoren und Klassifikatoren. 

Das Angebot MLBoX stellt eine Bibliothek f├╝r das maschinelle Lernen dar, die ├╝ber die drei Bestandteile Vorverarbeitung, Optimierung und Vorhersage verf├╝gt. 

Paraboost hat mit seiner L├Âsung Parapipe ebenfalls eine eigene AutoML entwickelt. Dabei sind eine Vielzahl von Use-Cases im CRM direkt umsetzbar. Die Parapipe geht dabei sogar noch einen Schritt weiter als andere AutoML-L├Âsungen. Aus rohen Transaktionsdaten werden unmittelbare Prognose-Ergebnisse erzeugt. Kunden k├Ânnen diese Ergebnisse dann direkt in ihre CRM-Systeme einbinden. Dazu bietet es die M├Âglichkeit die Ergebnisse der AutoML mit eigenen Daten in einem Vorab-Test unverbindlich zu testen.

AutoML Anwendungen und Einsatzbereiche

Die Anwendungsbereiche des AutoML sind vergleichbar vielseitig wie die des herk├Âmmlichen Machine-Learnings. Durch die Einsparung von Zeit und Expertise ist die automatisierte Variante jedoch deutlich schneller und flexibler einsetzbar und damit f├╝r mehr potentielle Nutzer interessant.

Typische Anwendungsfelder sind Klassifizierungen aller Art, die sich mit via AutoML generierten Modellen ausf├╝hren lassen. Einsatz findet AutoML in der Erstellung, dem Training und in der Optimierung von Modellen des Machine-Learnings zur L├Âsung verschiedener Probleme. Dabei werden oftmals eine Vielzahl von Modellen als Experimentier-Reihe gerechnet, f├╝r die sich der Einsatz von Grafik-Karten eignet. Diese k├Ânnen um bis zu Faktor 5 schneller sein!

Im Marketing kann das automatisierte maschinelle Lernen eingesetzt werden, um Aufgaben des CRM (Customer Relationship Management) rationeller zu bew├Ąltigen. Die pr├Ądiktive Leistung eignet sich weiterhin, um beispielsweise Verkaufsvorhersagen zu treffen. 

Auch Identifikationsaufgaben, beispielsweise zur Bilderkennung oder zur Spracherkennung geh├Âren zu den Anwendungsfeldern. Auch Textanalyse ist auf AutoML-Basis m├Âglich. 

Robotik und Predictive Maintenance sind weitere Anwendungsfelder. Ein zus├Ątzliches Anwendungsfeld ist die Betrugserkennung.

Fazit und Ausblick VON AUTOML

AutoML birgt gro├čes Potential f├╝r unterschiedliche Anwendungsbereiche, die von allgemeinen Klassifizierungen ├╝ber Marketing bis zur Robotik reichen. AutoML ist ein Beitrag zur Zeit- und Kostenersparnis, da es immer besser ohne KI- oder ML-Experten auskommt. Die gro├če St├Ąrke des AutoML besteht darin, die Einstiegsh├╝rden in die KI-Welt zu senken. Auch ohne ausgewiesene Kenntnisse im Bereich Machine-Learning wird es immer einfacher, wertvolle Modelle je nach Anforderung zu trainieren. In Anbetracht dieses Potentials ist AutoML nicht als blo├čer Hype zu verstehen, sondern als ein Beitrag, k├╝nstliche Intelligenz auch in der Breite nutzbar zu machen. Ebenso wissen auch ML-Fachleute das Potential des AutoML zu sch├Ątzen, da der automatisierte Ansatz ihre eigene Arbeit deutlich beschleunigt.

Folge uns!
onpost_follow
Tweet