Adopte AutoML: hagamos una revisión de la realidad
Consulte todas las sesiones bajo demanda de Smart Security Summit aquí.
No hay cura para la enfermedad de Alzheimer. ¿Y si pudiéramos encontrar una manera de detectarlo temprano? La pregunta intrigó a los científicos de Imagia, quienes luego utilizaron el aprendizaje automático automático (AutoML) de Google para reducir el tiempo de procesamiento de la prueba de 16 horas a una hora. PayPal ha experimentado beneficios similares. En 2018, con AutoML de H2O, PayPal aumentó la precisión de su modelo de detección de fraude en un 6 % y aceleró seis veces el proceso de desarrollo del modelo.
Historias de éxito como estas han inspirado a aproximadamente el 61 % de los responsables de la toma de decisiones empresariales que utilizan inteligencia artificial (IA) para adoptar AutoML. Su adopción solo aumentará, ya que puede aliviar, en gran medida, los problemas causados por la falta de científicos de datos. Además, la capacidad de AutoML para mejorar la escalabilidad y aumentar la productividad seguramente atraerá clientes.
¿Pero eso significa que la adopción de AutoML es imprescindible? Bueno, ese es un dilema al que se enfrentan actualmente la mayoría de las empresas, y mirar casos reales podría ser una solución.
Como ingeniero de software sénior, trabajé con varias empresas emergentes en las que la IA desempeñó un papel central. He visto los pros y los contras y el impacto comercial. Pero antes de entrar en los casos de uso, primero definamos qué es AutoML, su estado actual y lo que puede y no puede hacer.
EventoCumbre de seguridad inteligente bajo demanda
Obtenga más información sobre el papel esencial de la IA y el ML en la ciberseguridad y los estudios de casos específicos de la industria. Mira las sesiones a pedido hoy.
mira aquí ¿Qué es AutoML?AutoML (aprendizaje automático automático) es la capacidad de un sistema para elegir automáticamente el modelo correcto y establecer parámetros para proporcionar el mejor modelo posible. Solo me centraré en las redes neuronales profundas en este artículo.
En las redes neuronales profundas, encontrar la arquitectura correcta siempre es un gran desafío. Por arquitectura me refiero a los componentes básicos (por ejemplo, para el reconocimiento de imágenes, los componentes básicos serían una agrupación máxima de 3X3, una convolución de 3X1, etc.) y la interconexión entre ellos para múltiples capas ocultas.
La búsqueda de arquitectura neuronal (NAS) es una técnica para automatizar el diseño de redes neuronales profundas. Se utiliza para diseñar redes que son comparables o pueden superar las arquitecturas diseñadas a mano. Pero tenemos que entrenar muchas redes candidatas como parte del proceso de investigación para encontrar la arquitectura adecuada, lo que lleva tiempo.
NAS juega un papel central en la configuración del marco AutoML para Amazon Web Services (AWS) y Google Cloud Platform (GCP). Pero AutoML aún está en pañales y estas plataformas están evolucionando. Hablemos de estos dos famosos marcos de AutoML.
Consulte todas las sesiones bajo demanda de Smart Security Summit aquí.
No hay cura para la enfermedad de Alzheimer. ¿Y si pudiéramos encontrar una manera de detectarlo temprano? La pregunta intrigó a los científicos de Imagia, quienes luego utilizaron el aprendizaje automático automático (AutoML) de Google para reducir el tiempo de procesamiento de la prueba de 16 horas a una hora. PayPal ha experimentado beneficios similares. En 2018, con AutoML de H2O, PayPal aumentó la precisión de su modelo de detección de fraude en un 6 % y aceleró seis veces el proceso de desarrollo del modelo.
Historias de éxito como estas han inspirado a aproximadamente el 61 % de los responsables de la toma de decisiones empresariales que utilizan inteligencia artificial (IA) para adoptar AutoML. Su adopción solo aumentará, ya que puede aliviar, en gran medida, los problemas causados por la falta de científicos de datos. Además, la capacidad de AutoML para mejorar la escalabilidad y aumentar la productividad seguramente atraerá clientes.
¿Pero eso significa que la adopción de AutoML es imprescindible? Bueno, ese es un dilema al que se enfrentan actualmente la mayoría de las empresas, y mirar casos reales podría ser una solución.
Como ingeniero de software sénior, trabajé con varias empresas emergentes en las que la IA desempeñó un papel central. He visto los pros y los contras y el impacto comercial. Pero antes de entrar en los casos de uso, primero definamos qué es AutoML, su estado actual y lo que puede y no puede hacer.
EventoCumbre de seguridad inteligente bajo demanda
Obtenga más información sobre el papel esencial de la IA y el ML en la ciberseguridad y los estudios de casos específicos de la industria. Mira las sesiones a pedido hoy.
mira aquí ¿Qué es AutoML?AutoML (aprendizaje automático automático) es la capacidad de un sistema para elegir automáticamente el modelo correcto y establecer parámetros para proporcionar el mejor modelo posible. Solo me centraré en las redes neuronales profundas en este artículo.
En las redes neuronales profundas, encontrar la arquitectura correcta siempre es un gran desafío. Por arquitectura me refiero a los componentes básicos (por ejemplo, para el reconocimiento de imágenes, los componentes básicos serían una agrupación máxima de 3X3, una convolución de 3X1, etc.) y la interconexión entre ellos para múltiples capas ocultas.
La búsqueda de arquitectura neuronal (NAS) es una técnica para automatizar el diseño de redes neuronales profundas. Se utiliza para diseñar redes que son comparables o pueden superar las arquitecturas diseñadas a mano. Pero tenemos que entrenar muchas redes candidatas como parte del proceso de investigación para encontrar la arquitectura adecuada, lo que lleva tiempo.
NAS juega un papel central en la configuración del marco AutoML para Amazon Web Services (AWS) y Google Cloud Platform (GCP). Pero AutoML aún está en pañales y estas plataformas están evolucionando. Hablemos de estos dos famosos marcos de AutoML.
What's Your Reaction?
