Aprendizado de máquina automatizado e explicação | CloudWorld 2022
Índice
- Introdução
- Automação de Aprendizado de Máquina
- Desafios do pipeline tradicional de ciência de dados
- Aprendizado de Máquina Automatizado (AutoML)
- Aprendizado de Máquina Automatizado
- Interface fácil de usar
- Seleção e configuração de algoritmos
- Seleção e otimização de hiperparâmetros
- Melhoria no tempo de execução
- Seleção e redução de características
- Comparação com outras soluções AutoML
- Explicabilidade do Aprendizado de Máquina
- Importância das características
- Análise da importância das características no Titanic Dataset
- Gráficos de dependência parcial
- Recursos e Plataformas da Oracle
- Plataformas que suportam o AutoML
- Aplicações do AutoML em Oráculos
- Caso de Uso: Oracle Transportation and Global Trade Management Cloud
- Previsão do tempo estimado de chegada
- Aumento da precisão do ETA
- Futuro do AutoML na Oracle
- Melhoria contínua da capacidade preditiva
- Explorando a explicabilidade
- Conclusão
A Automatização do Aprendizado de Máquina e Sua Explicabilidade
O campo do Aprendizado de Máquina (AM) está evoluindo rapidamente, com novas técnicas sendo desenvolvidas e implementadas para tornar o processo de construção e implantação de modelos mais eficiente. Uma abordagem recente e promissora é o Aprendizado de Máquina Automatizado (AutoML), que busca automatizar todo o processo de desenvolvimento do modelo, desde a seleção do algoritmo até a otimização de hiperparâmetros.
O Desafio do Pipeline Tradicional de Ciência de Dados
No pipeline tradicional de ciência de dados, os cientistas de dados devem responder a várias perguntas ao desenvolver um modelo de AM. Que algoritmo usar? As características são relevantes? Como otimizar os hiperparâmetros? Além disso, garantir a explicabilidade dos modelos é um requisito crescente, pois os modelos automatizados carecem de interpretabilidade. Essas perguntas podem consumir tempo e esforço significativos antes que o modelo seja implantado e usado com sucesso.
Automatização do Aprendizado de Máquina e Explicabilidade
O AutoML busca resolver esses desafios, fornecendo uma interface fácil de usar para desenvolver e implantar modelos de AM automatizados. Com o AutoML, basta fornecer um conjunto de dados e ele selecionará automaticamente o melhor modelo, otimizará os hiperparâmetros e retornará um modelo totalmente treinado. Além disso, o AutoML fornece recursos de explicabilidade, permitindo aos usuários entender melhor como o modelo funciona e quais características são mais importantes para suas previsões.
Seleção e Configuração de Algoritmos
O AutoML oferece uma ampla variedade de algoritmos populares de AM, como LightGBM, XGBoost e Redes Neurais Feed Forward. Com base no conjunto de dados fornecido, o AutoML selecionará automaticamente o algoritmo mais adequado para o problema em Questão.
Seleção e Otimização de Hiperparâmetros
Para cada algoritmo selecionado, o AutoML também otimizará automaticamente os hiperparâmetros. Isso envolve encontrar a combinação ideal de configurações para cada algoritmo específico, maximizando o desempenho do modelo.
Melhoria no Tempo de Execução
O AutoML também possui recursos avançados para melhorar o tempo de execução. Isso inclui amostragem adaptativa, onde o tamanho do conjunto de treinamento é ajustado dinamicamente com base no desempenho do modelo. Além disso, a seleção de características é aplicada para reduzir a dimensionalidade dos dados e melhorar tanto o tempo de execução quanto a precisão do modelo.
Explorando a Explicabilidade
Além de automatizar o processo de desenvolvimento do modelo, o AutoML também oferece recursos de explicabilidade. Isso permite que os usuários entendam por que o modelo tomou determinadas decisões. Os recursos de explicabilidade incluem a análise da importância das características e gráficos de dependência parcial, que mostram como as características influenciam as previsões do modelo.
Comparação com Outras Soluções AutoML
O AutoML da Oracle foi comparado com outras soluções populares, como H2O e Auto-sklearn, demonstrando melhor desempenho tanto em termos de precisão quanto de velocidade. O AutoML da Oracle é aproximadamente três a quatro vezes mais rápido e produz resultados melhores em uma variedade de conjuntos de dados.
Casos de Uso: Oracle Transportation and Global Trade Management Cloud
A Oracle Transportation and Global Trade Management Cloud é uma plataforma líder em comércio e transporte global. Ela utiliza os algoritmos de AutoML desenvolvidos pelo laboratório da Oracle para prever tempos estimados de chegada (ETA) com base em dados históricos de transporte e eventos em tempo real. A solução permite que planejadores de transporte e logística tomem decisões informadas, reduzindo custos, minimizando emissões e melhorando o desempenho na entrega.
Futuro do AutoML na Oracle
A Oracle está empenhada em desenvolver continuamente sua capacidade preditiva, expandindo a funcionalidade do AutoML para otimizar algoritmos de otimização e incorporando recursos de explicabilidade aprimorados. Além disso, o AutoML será integrado a várias plataformas e aplicativos da Oracle, como o Oracle Fusion Analytics Warehouse, fornecendo uma solução completa para desenvolvimento e implantação de modelos de AM automatizados.
Este artigo forneceu uma visão geral abrangente do AutoML e sua importância no campo do Aprendizado de Máquina. Com o AutoML, a Oracle está capacitando usuários de todos os níveis de habilidade para aproveitar o poder do Aprendizado de Máquina, automatizando tarefas complexas, reduzindo o tempo de desenvolvimento e fornecendo insights valiosos sobre o modelo. O AutoML é uma parte essencial da estratégia da Oracle para impulsionar a inovação e ajudar os clientes a obterem resultados melhores com suas soluções de AM.
Recursos adicionais sobre AutoML e as plataformas da Oracle podem ser encontrados em outras sessões do Oracle Cloud World, oferecendo insights sobre detecção de saúde de ostras, melhoria da saúde com o AutoML e previsão de localização de embarcações com o uso do AutoML. O AutoML também está disponível em várias plataformas da Oracle, incluindo o Oracle Autonomous Database, Oracle Transportation Management e Oracle Cloud Infrastructures Data Science Platform. A Oracle continua expandindo sua oferta de AutoML em seus serviços em nuvem e continuará a fornecer soluções avançadas de AM para atender às necessidades em constante evolução dos clientes.
Conclusão:
O AutoML é uma revolução no campo do Aprendizado de Máquina, automatizando todo o processo de desenvolvimento de modelos e tornando-o acessível a usuários de todos os níveis de habilidade. Com recursos avançados de seleção e otimização de algoritmos, o AutoML da Oracle oferece resultados superiores em termos de precisão e velocidade em comparação com outras soluções populares. Além disso, a explicabilidade do modelo é fornecida por meio de recursos como análise de importância de características e gráficos de dependência parcial. Com a integração do AutoML em várias plataformas e aplicativos da Oracle, a empresa está liderando a inovação no campo do Aprendizado de Máquina e capacitando os clientes a melhorar seus processos de negócios e tomar decisões mais informadas.