การเรียนรู้ของเครื่องจักรแบบอัตโนมัติ ( AutoML ) คือกระบวนการทำให้งานของการประยุกต์ ใช้ การเรียนรู้ของเครื่องจักรกับปัญหาในโลกแห่งความเป็นจริงเป็นไปโดยอัตโนมัติ เป็นการผสมผสานระหว่างระบบอัตโนมัติและ ML ^{[ 1 ]}

AutoML อาจครอบคลุมทุกขั้นตอนตั้งแต่เริ่มต้นด้วยชุดข้อมูลดิบไปจนถึงการสร้างแบบจำลองการเรียนรู้ของเครื่องที่พร้อมสำหรับการใช้งาน AutoML ได้รับการเสนอให้เป็น โซลูชันที่ใช้ ปัญญาประดิษฐ์เพื่อรับมือกับความท้าทายที่เพิ่มขึ้นของการประยุกต์ใช้การเรียนรู้ของเครื่อง^{[ 2 ] [ 3 ]}ระดับการทำงานอัตโนมัติที่สูงใน AutoML มีจุดมุ่งหมายเพื่อให้ผู้ที่ไม่ใช่ผู้เชี่ยวชาญสามารถใช้แบบจำลองและเทคนิคการเรียนรู้ของเครื่องได้โดยไม่ต้องเป็นผู้เชี่ยวชาญด้านการเรียนรู้ของเครื่อง การทำให้กระบวนการประยุกต์ใช้การเรียนรู้ของเครื่องเป็นไปโดยอัตโนมัติตั้งแต่ต้นจนจบยังให้ข้อดีในการสร้างโซลูชันที่ง่ายกว่า การสร้างโซลูชันเหล่านั้นได้เร็วขึ้น และแบบจำลองที่มักจะมีประสิทธิภาพเหนือกว่าแบบจำลองที่ออกแบบด้วยมือ^{[ 4 ]}

เทคนิคทั่วไปที่ใช้ใน AutoML ได้แก่การปรับพารามิเตอร์ให้เหมาะสมที่สุดการเรียนรู้แบบเมตาและ การค้นหาสถาปัตยกรรมโครง ข่ายประสาทเทียม

ในการประยุกต์ใช้แมชชีนเลิร์นนิงทั่วไป ผู้ปฏิบัติงานจะมีชุดข้อมูลป้อนเข้าที่จะใช้สำหรับการฝึกฝน ข้อมูลดิบอาจไม่ได้อยู่ในรูปแบบที่อัลกอริธึมทุกตัวสามารถนำไปใช้ได้ เพื่อให้ข้อมูลเหมาะสมสำหรับแมชชีนเลิร์นนิง ผู้เชี่ยวชาญอาจต้องใช้ วิธี การประมวลผลข้อมูลล่วงหน้าการสร้างคุณลักษณะการสกัดคุณลักษณะและการเลือกคุณลักษณะ ที่เหมาะสม หลังจากขั้นตอนเหล่านี้ ผู้ปฏิบัติงานจะต้องทำการเลือกอัลกอริธึมและการปรับพารามิเตอร์ให้เหมาะสมที่สุดเพื่อเพิ่มประสิทธิภาพการทำนายของแบบจำลองให้สูงสุด หากใช้การเรียนรู้เชิงลึก สถาปัตยกรรมของโครงข่ายประสาทเทียมก็ต้องได้รับการเลือกด้วยตนเองโดยผู้เชี่ยวชาญด้านแมชชีนเลิร์นนิงด้วย

แต่ละขั้นตอนเหล่านี้อาจมีความท้าทาย ส่งผลให้เกิดอุปสรรคสำคัญในการใช้แมชชีนเลิร์นนิง AutoML มีเป้าหมายที่จะทำให้ขั้นตอนเหล่านี้ง่ายขึ้นสำหรับผู้ที่ไม่ใช่ผู้เชี่ยวชาญ และทำให้พวกเขาสามารถใช้เทคนิคแมชชีนเลิร์นนิงได้อย่างถูกต้องและมีประสิทธิภาพยิ่งขึ้น

AutoML มีบทบาทสำคัญในแนวทางที่กว้างขึ้นของการทำให้วิทยาศาสตร์ข้อมูล เป็นไปโดยอัตโนมัติ ซึ่งรวมถึงงานที่ท้าทาย เช่น วิศวกรรมข้อมูล การสำรวจข้อมูล และการตีความและการคาดการณ์แบบจำลอง^{[ 5 ]}

การเรียนรู้ของเครื่องจักรแบบอัตโนมัติสามารถกำหนดเป้าหมายไปยังขั้นตอนต่างๆ ของกระบวนการเรียนรู้ของเครื่องจักรได้^{[ 3 ]} ขั้นตอนในการทำให้เป็นอัตโนมัติ ได้แก่:

• การเตรียมและการนำเข้าข้อมูล (จากข้อมูลดิบและรูปแบบต่างๆ)
  • การตรวจ จับประเภทคอลัมน์เช่น บูลีน ตัวเลขแบบไม่ต่อเนื่อง ตัวเลขแบบต่อเนื่อง หรือข้อความ
  • การตรวจจับเจตนาของคอลัมน์ เช่น เป้าหมาย/ป้าย กำกับ ฟิลด์ การแบ่งชั้นคุณลักษณะเชิงตัวเลข คุณลักษณะข้อความเชิงหมวดหมู่ หรือคุณลักษณะข้อความอิสระ
  • การตรวจจับงาน เช่นการจำแนกแบบไบนารีการถดถอย การจัดกลุ่มหรือการจัดอันดับ
• การออกแบบคุณลักษณะ
  • การเลือกคุณสมบัติ
  • การสกัดคุณลักษณะ
  • การเรียนรู้แบบเมตาและการเรียนรู้แบบถ่ายทอด
  • การตรวจจับและการจัดการข้อมูลที่ไม่สมดุลและ/หรือค่าที่หายไป
• การเลือกแบบจำลอง - การเลือกใช้อัลกอริธึมการเรียนรู้ของเครื่อง ซึ่งมักรวมถึงซอฟต์แวร์หลายตัวที่แข่งขันกัน
• การรวมกลุ่ม - รูปแบบหนึ่งของฉันทามติที่การใช้โมเดลหลายตัวมักจะให้ผลลัพธ์ที่ดีกว่าโมเดลเดียว^{[ 6 ]}
• การปรับพารามิเตอร์ของอัลกอริธึมการเรียนรู้และการสร้างคุณลักษณะให้เหมาะสมที่สุด
  • การค้นหาสถาปัตยกรรมประสาท
• การเลือกไปป์ไลน์ภายใต้ข้อจำกัดด้านเวลา หน่วยความจำ และความซับซ้อน
• การคัดเลือกตัวชี้วัดการประเมินและขั้นตอนการตรวจสอบความถูกต้อง
• ปัญหาการตรวจสอบ
  • การตรวจจับการรั่วไหล
  • การตรวจจับการตั้งค่าที่ไม่ถูกต้อง
• การวิเคราะห์ผลลัพธ์ที่ได้รับ
• การสร้างส่วนติดต่อผู้ใช้และการแสดงภาพข้อมูล

มีความท้าทายสำคัญหลายประการที่กำลังได้รับการแก้ไขเกี่ยวกับการเรียนรู้ของเครื่องจักรแบบอัตโนมัติ ปัญหาใหญ่ที่เกี่ยวข้องกับสาขานี้เรียกว่า "การพัฒนาแบบอุตสาหกรรมในครัวเรือน" ^{[ 7 ]}วลีนี้หมายถึงปัญหาในการเรียนรู้ของเครื่องจักรที่การพัฒนาขึ้นอยู่กับการตัดสินใจด้วยตนเองและอคติของผู้เชี่ยวชาญ ซึ่งตรงกันข้ามกับเป้าหมายของการเรียนรู้ของเครื่องจักรซึ่งก็คือการสร้างระบบที่สามารถเรียนรู้และพัฒนาตนเองได้จากการใช้งานและการวิเคราะห์ข้อมูลของตนเอง โดยพื้นฐานแล้วมันคือการต่อสู้ระหว่างว่าผู้เชี่ยวชาญควรมีส่วนร่วมในการเรียนรู้ของระบบมากน้อยเพียงใด เทียบกับว่าควรให้อิสระแก่เครื่องจักรมากน้อยเพียงใด อย่างไรก็ตาม ผู้เชี่ยวชาญและนักพัฒนาต้องช่วยสร้างและชี้นำเครื่องจักรเหล่านี้เพื่อเตรียมพร้อมสำหรับการเรียนรู้ของตนเอง การสร้างระบบนี้ต้องใช้แรงงานจำนวนมากด้วยความรู้เกี่ยวกับอัลกอริธึมการเรียนรู้ของเครื่องจักรและการออกแบบระบบ^{[ 8 ]}

นอกจากนี้ ความท้าทายอื่นๆ ยังรวมถึงการเรียนรู้แบบเมตา^{[ 9 ]}และการจัดสรรทรัพยากรการคำนวณ

• ปัญญาประดิษฐ์
• ปัญญาประดิษฐ์และการเลือกตั้ง
• การค้นหาสถาปัตยกรรมประสาท
• วิวัฒนาการประสาท
• การปรับแต่งอัตโนมัติ
• ปัญญาประดิษฐ์โครงข่ายประสาทเทียม
• โมเดลออปส์
• การเพิ่มประสิทธิภาพไฮเปอร์พารามิเตอร์

• "เครื่องมือ AutoML แบบโอเพนซอร์ส: AutoGluon, TransmogrifAI, Auto-sklearn และ NNI" Bizety 16มิถุนายน 2020
• Ferreira, Luís และคณะ "การเปรียบเทียบเครื่องมือ AutoML สำหรับการเรียนรู้ของเครื่อง การเรียนรู้เชิงลึก และ XGBoost" การประชุมนานาชาติร่วมว่าด้วยโครงข่ายประสาทเทียม (IJCNN) ปี 2021 IEEE, 2021. https://repositorium.sdum.uminho.pt/bitstream/1822/74125/1/automl_ijcnn.pdf
• Feurer, M., Klein, A., Eggensperger, K., Springenberg, J., Blum, M., & Hutter, F. (2015). การเรียนรู้ของเครื่องจักรแบบอัตโนมัติที่มีประสิทธิภาพและแข็งแกร่งความก้าวหน้าในระบบประมวลผลข้อมูลประสาท 28 . https://proceedings.neurips.cc/paper_files/paper/2015/file/11d0e6287202fced83f79975ec59a3a6-Paper.pdf