このページは Cloud Translation API によって翻訳されました。

自動機械学習（AutoML）

モジュールの所要時間: 30 分

新しい ML プロジェクトを開始する場合、機械学習モデルを構築する唯一の方法は手動トレーニングであると思われるかもしれません。あり手動トレーニングでは、ML フレームワークを使用してコードを記述し、モデルを作成します。イベント中このプロセスでは、探索して反復的に調整するアルゴリズムを選択します。適切なモデルを見つけます。

もちろん、モデルのトレーニング以外にも考慮すべき点があります。インプロトタイプから本番環境まで ML モデルを構築し、反復的なタスクと専門的なスキルが伴います。簡単な探索 ML ワークフローは次のようになります。

図 1. シンプルな ML データ探索ワークフロー。

反復タスク - ML ワークフローには、反復的な作業やテストが含まれる場合があります。たとえば、モデル開発では、通常、モデルにアルゴリズムとハイパーパラメータのさまざまな組み合わせを試して、決定します。手動トレーニングでは、トレーニングデータ用に特殊なコードを記述し、モデルをトレーニングしてからコードを調整して、さまざまな ML でテストを実施するハイパーパラメータをチューニングして最適なモデルを見つけます。小規模なプロジェクトや探索的なプロジェクトでは、この手動プロセスは問題にならない可能性がありますが、大規模なプロジェクトでは、これらの反復タスクに時間がかかる可能性があります。

専門的なスキル - ML モデルを手動で開発するには、専門的なスキルが必要です。実際には、ML モデルの開発を計画しているすべてのチームがスキルを身につけているかもしれません。チームに専任のデータサイエンティストがいない場合は、この作業を手動で行うことは不可能です。

幸い、モデル開発の一部のステップは自動化できるため、繰り返し作業の負担と専門スキルの必要性を軽減できます。これらを自動化することで AutoML に関するこのモジュールのテーマです。

AutoML とは

AutoML は、ML ワークフローの特定のタスクを自動化するプロセスです。AutoML は、生成 AI をベースとするより速く、より幅広いユーザーグループが利用しやすい形で ML モデルを作成できます。自動化は ML ワークフロー全体で役立ちますが、モデル開発サイクルに含まれるものも示しています。繰り返し行うタスクには、次のようなものがあります。

データエンジニアリング
- 特徴量エンジニアリング
- 特徴を選択する。
トレーニング
- 適切な ML アルゴリズムの特定。
- 最適なハイパーパラメータを選択する。
分析
- テストデータセットと検証データセットに基づいて、トレーニング中に生成された指標を評価する。

AutoML を使用すると、特徴量の選択、ハイパーパラメータのチューニング、適切なアルゴリズムの選択ではなく、ML の問題とデータに集中できます。

ヘルプセンター

理解度テスト（15 分）

利点と制限事項（10 分）