AutoML: spiegazione del machine learning automatizzato

Sep 05, 2023

L’automazione è diventata una parola d’ordine comune nel dibattito in corso sull’intelligenza artificiale, poiché il software mostra il potenziale per subentrare nel lavoro di contabili, operai, scrittori e persino terapisti. Ora, l’intelligenza artificiale sta addirittura iniziando ad automatizzarsi in un processo noto come apprendimento automatico automatizzato.

L'apprendimento automatico automatizzato, o autoML in breve, prevede essenzialmente che gli algoritmi si facciano carico del processo di creazione di un modello di apprendimento automatico. Gestisce i compiti più banali e ripetitivi dell’apprendimento automatico, con la promessa sia di accelerare il processo di sviluppo dell’intelligenza artificiale sia di rendere la tecnologia più accessibile.

Negli ultimi anni c'è stato un crescente interesse per il potenziale di autoML nel semplificare il mondo altrimenti complesso dell'apprendimento automatico. DataRobot è spesso considerata una delle prime aziende a renderlo noto al pubblico nel 2013. Da allora, Meta ha soprannominato autoML la "spina dorsale" della sua intelligenza artificiale e Salesforce ha acquisito la startup di analisi dei dati BeyondCore per creare la propria libreria Einstein AutoML. Nel frattempo, i principali colossi tecnologici come Google, Microsoft e Amazon hanno lanciato i propri strumenti di machine learning a basso codice che utilizzano tecniche di autoML.

Un’adozione così diffusa nel settore è significativa considerando che le competenze necessarie per costruire sistemi di intelligenza artificiale all’avanguardia sono così scarse, anche in aziende come queste.

"Per me, non vedo un'altra via da seguire se non questi approcci più automatizzati", ha detto a Built In Sarah Aerni, vicepresidente di machine learning e ingegneria presso Salesforce. "Ci sono troppe opportunità per l'intelligenza artificiale e semplicemente non abbastanza persone da integrare nell'azienda, nella tecnologia, implementarla in produzione, monitorarla e continuare a iterarla. Per me, autoML è il punto in cui ciò entra come soluzione per ridimensionamento."

Sebbene il concetto di machine learning automatizzato esista da quasi un decennio, rimane ancora un lavoro in corso. Se e quando l’intelligenza artificiale creata dall’intelligenza artificiale raggiungerà il suo pieno potenziale, potrebbe essere applicata oltre i confini delle aziende tecnologiche, cambiando le regole del gioco in ambiti come la sanità, la finanza e l’istruzione.

"Praticamente chiunque usi l'apprendimento automatico utilizzerà anche l'apprendimento automatico automatizzato", ha detto a Built In Lars Kotthoff, assistente professore e ricercatore presso il dipartimento di informatica dell'Università del Wyoming. "Alla fine, questo verrà davvero implementato ovunque venga utilizzato l'apprendimento automatico e l'intelligenza artificiale."

Approfondimenti L'automazione avrà effetti di vasta portata sull'economia. Ecco cosa puoi aspettarti

A prima vista, l’apprendimento automatico automatizzato può sembrare un po’ ridondante. Dopotutto, l’apprendimento automatico riguarda già l’automazione del processo di identificazione di modelli nei dati per fare previsioni. Il processo, che si basa su algoritmi e modelli statistici, non richiede una programmazione coerente o esplicita. Una volta creato un modello di machine learning, può essere ulteriormente ottimizzato attraverso prove, errori e feedback, il che significa che la macchina può apprendere dall’esperienza e da una maggiore esposizione ai dati, proprio come fanno gli esseri umani.

In pratica, gran parte del lavoro richiesto per realizzare un modello di machine learning è piuttosto laborioso e richiede ai data scientist di prendere molte decisioni diverse. Devono decidere quanti strati includere nelle reti neurali, quali pesi dare input a ciascun nodo, quali algoritmi utilizzare e altro ancora. È un lavoro impegnativo e richiede molta abilità specializzata e intuizione per svolgerlo correttamente.

Più complesso è il modello, più complesso è il lavoro. E alcuni esperti sostengono che l’automazione di parte di questo lavoro sarà necessaria man mano che i sistemi di intelligenza artificiale diventeranno più complessi. Pertanto, autoML mira a eliminare le congetture per gli esseri umani assumendo il controllo delle decisioni che i data scientist e i ricercatori devono attualmente prendere durante la progettazione dei loro modelli di machine learning.

Alla fine, l'obiettivo è arrivare al punto in cui una persona può porre una domanda sui propri dati, applicarvi uno strumento autoML e ricevere il risultato che sta cercando senza bisogno di competenze eccessivamente tecniche. E sebbene ci sia un numero crescente di aziende che cercano di democratizzare l’apprendimento automatico attraverso l’autoML, questa tecnologia è in gran parte riservata a persone con competenze in materia di intelligenza artificiale e scienza dei dati. È uno strumento, non una piattaforma specifica; ed è uno strumento con usi piuttosto ristretti, secondo Kjell Carlsson, responsabile della strategia di scienza dei dati e dell'evangelizzazione presso Domino Data Lab.