Partager via


Qu’est-ce que le Machine Learning automatisé (AutoML) ?

S’APPLIQUE À : Kit de développement logiciel (SDK) Python azure-ai-mlv2 (préversion)

Le Machine Learning automatisé, également appelé ML automatisé ou AutoML, est le processus d’automatisation des tâches fastidieuses et itératives de développement de modèle Machine Learning. Il permet aux chercheurs de données, analystes et développeurs de créer des modèles ML à grande échelle, efficaces et productifs, tout en maintenant la qualité du modèle. Le Machine Learning automatisé dans Azure Machine Learning se base sur une innovation de la division Microsoft Research.

Comment fonctionne AutoML ?

Pendant l’apprentissage, Azure Machine Learning crée un certain nombre de pipelines en parallèle qui testent différents algorithmes et paramètres pour vous. Le service effectue des itérations dans les algorithmes de Machine Learning associés aux sélections de fonctionnalités, où chaque itération produit un modèle avec un score d’apprentissage. Plus le score de la métrique que vous souhaitez optimiser est élevé, plus le modèle est considéré comme « adapté » à vos données. Il s’arrête une fois qu’il réunit les critères de sortie définis dans l’expérience.

Azure Machine Learning vous permet de concevoir et d’exécuter vos expériences d’entraînement de Machine Learning automatisé en effectuant les étapes suivantes :

  1. Identifiez le problème de Machine Learning à résoudre : classification, prévision, régression, vision par ordinateur ou NLP.

  2. Choisissez une expérience de type orientée code ou web studio sans code : les utilisateurs qui préfèrent une expérience orientée code peuvent utiliser Azure Machine Learning SDKv2 ou Azure Machine Learning CLIv2. Faites vos premiers pas avec le Tutoriel : Effectuer l’apprentissage d’un modèle de détection d’objet avec AutoML et Python. Les utilisateurs qui préfèrent une expérience limitée ou sans code peuvent utiliser l’interface web d’Azure Machine Learning studio à l’adresse https://ml.azure.com. Faites vos premiers pas avec le Tutoriel : Créer un modèle de classification avec le ML automatisé dans Azure Machine Learning.

  3. Spécifiez la source des données d’apprentissage étiquetées : vous pouvez importer vos données dans Azure Machine Learning de différentes manières.

  4. Configurer les paramètres de Machine Learning automatisé qui déterminent le nombre d’itérations sur les différents modèles, les réglages d’hyperparamètre, le prétraitement et la personnalisation avancés, ainsi que les métriques à examiner lors du choix du meilleur modèle.

  5. Soumettre la tâche d’apprentissage.

  6. Passez en revue les résultats.

Le diagramme suivant illustre ce processus. Machine learning automatisé

Vous pouvez également inspecter les informations des tâches journalisées qui contiennent les métriques collectées pendant la tâche. Le travail de formation produit un objet sérialisé Python (fichier .pkl) contenant le modèle et le prétraitement des données.

Bien que la création de modèles soit automatisée, vous pouvez également découvrir l’importance ou la pertinence des fonctionnalités pour les modèles générés.

Quand utiliser AutoML : classification, régression, prévision, vision par ordinateur et NLP

Appliquez le Machine Learning automatisé lorsque vous souhaitez qu’Azure Machine Learning effectue l’apprentissage d’un modèle et le règle à votre place à l’aide de la métrique cible que vous spécifiez. Le ML automatisé démocratise le processus de développement de modèles Machine Learning et permet à ses utilisateurs, quel que soit leur expertise en science des données, d’identifier un pipeline de Machine Learning de bout en bout pour tout problème.

Les professionnels et développeurs du Machine Learning de différents secteurs peuvent utiliser le Machine Learning automatisé pour ce qui suit :

  • Implémenter des solutions ML sans disposer d’une connaissance approfondie de la programmation.
  • Économiser du temps et des ressources.
  • Appliquer les meilleures pratiques de la science des données
  • Fournir une résolution de problème agile.

Classification

La classification est un type d’apprentissage supervisé dans lequel des modèles apprennent à utiliser des données de formation et appliquent celui-ci à de nouvelles données. Azure Machine Learning offre des caractérisations spécifiquement pour ces tâches, telles que des caractériseurs de réseau neuronal profond pour la classification. Pour plus d’informations sur les options de caractérisation, consultez Caractérisation des données. Vous trouverez également la liste des algorithmes pris en charge par AutoML dans Algorithmes pris en charge.

L’objectif principal des modèles de classification est de prédire les catégories dans lesquelles les nouvelles données sont classées, sur la base des enseignements tirés de leurs données d’apprentissage. Les exemples de classification courants incluent la détection des fraudes, la reconnaissance de l’écriture manuscrite et la détection d’objets.

Consultez un exemple de classification et de Machine Learning automatisé dans ce notebook Python : Marketing bancaire.

régression ;

À l’instar de la classification, les tâches de régression sont également une tâche d’apprentissage supervisé courante. Azure Machine Learning offre une caractérisation propre aux problèmes de régression. Apprenez-en davantage sur les optons de caractérisation. Vous trouverez également la liste des algorithmes pris en charge par AutoML dans Algorithmes pris en charge.

À la différence d’une classification dans laquelle les valeurs de sortie prédites sont catégoriques, les modèles de régression prédisent des valeurs de sortie numériques en fonction de prédictions indépendantes. Dans une régression, l’objectif est d’aider à établir la relation entre ces variables de prédiction indépendantes en estimant l’impact d’une variable sur les autres. Par exemple, le modèle peut prédire le coût de l’automobile basé sur des caractéristiques telles que la consommation de carburant et la cote de sécurité.

Pour obtenir un exemple de régression et de Machine Learning automatisé pour les prédictions, consultez les notebooks Python suivants :Performances du matériel.

Prévision de série chronologique

L’établissement de prévisions fait partie intégrante de toute entreprise, qu’il s’agisse du chiffre d’affaires, de l’inventaire, des ventes ou de la demande des clients. Vous pouvez utiliser le Machine Learning automatisé pour combiner des techniques et approches, et obtenir une prévision de série chronologique recommandée de haute qualité. Vous trouverez la liste des algorithmes pris en charge par AutoML dans Algorithmes pris en charge.

Une expérience de série chronologique automatisée est traitée comme un problème de régression multivariable. Les valeurs de série chronologique passées « pivotent » afin de devenir d’autres dimensions pour le régresseur, avec d’autres prédicteurs. Contrairement aux méthodes de séries chronologiques classique, cette méthode présente l’avantage d’incorporer naturellement plusieurs variables contextuelles et leurs relations entre elles pendant la formation. Le Machine Learning automatisé effectue l’apprentissage d’un modèle unique, mais souvent ramifié en interne, pour tous les éléments du jeu de données et les horizons de prédiction. Plus de données sont ainsi disponibles pour estimer les paramètres du modèle et la généralisation en séries invisibles devient possible.

La configuration de prévisions avancée inclut les éléments suivants :

  • Détection et personnalisation de congé
  • Série chronologique et apprenants DNN (Auto-ARIMA, Prophet, ForecastTCN)
  • Prise en charge de nombreux modèles via le regroupement
  • Validation croisée à origine dynamique
  • Décalages configurables
  • Caractéristiques des agrégations des périodes mobiles

Pour obtenir un exemple de prévision et de Machine Learning automatisé, consultez le notebook Python suivant : Demande d’énergie.

Vision par ordinateur

La prise en charge des tâches de vision par ordinateur vous permet de générer facilement des modèles ayant fait l’objet d’un apprentissage sur des données d’image pour des scénarios comme la classification d’images et la détection d’objets.

Avec cette fonctionnalité, vous pouvez :

  • Réalisez une intégration fluide à la fonctionnalité d’étiquetage des données Azure Machine Learning.
  • Utilisez des données étiquetées pour générer des modèles d’image.
  • Optimiser les performances du modèle en spécifiant l’algorithme du modèle et en réglant les hyperparamètres
  • Télécharger ou déployer le modèle obtenu en tant que service web dans Azure Machine Learning
  • Rendre les modèles opérationnels à grande échelle, en tirant parti des fonctionnalités d’Azure Machine Learning MLOps et Pipelines ML.

La création de modèles AutoML pour les tâches de vision est prise en charge via le kit SDK Azure Machine Learning Python. Vous pouvez accéder aux tâches, aux modèles et aux sorties de l’expérimentation obtenus à partir de l’interface utilisateur Azure Machine Learning Studio.

Découvrez comment configurer l’apprentissage AutoML pour les modèles de vision par ordinateur.

Computer vision tasks examples. Image from: http://cs231n.stanford.edu/slides/2021/lecture_15.pdf Image de : http://cs231n.stanford.edu/slides/2021/lecture_15.pdf

La fonctionnalité de ML automatisé pour les images prend en charge les tâches de vision par ordinateur suivantes :

Tâche Description
Classification d’images multiclasse Tâches où une image est classifiée avec une seule étiquette d’un ensemble de classes. Par exemple, chaque image est classifiée par exemple en tant qu’image de chat, de chien ou de canard.
Classification d’images multiétiquette Tâches où une image peut avoir une ou plusieurs étiquettes d’un ensemble d’étiquettes. Par exemple, une image peut avoir les étiquettes chat et chien.
Détection d’objets Tâches permettant d’identifier des objets dans une image et de localiser chaque objet avec un rectangle englobant. On peut par exemple rechercher tous les chiens et tous les chats dans une image et les entourer d’un cadre englobant.
Segmentation d’instance Tâches permettant d’identifier des objets dans une image au niveau des pixels, en dessinant un polygone autour de chaque objet dans l’image.

Traitement du langage naturel : NLP

La prise en charge des tâches de traitement en langage naturel (NLP) dans le ML automatisé vous permet de générer facilement des modèles formés sur des données texte pour la classification de texte et les scénarios de reconnaissance d’entités nommées. La création de modèles de NLP formés par ML automatisé est prise en charge via le kit de développement logiciel (SDK) Python Azure Machine Learning. Vous pouvez accéder aux tâches, aux modèles et aux sorties de l’expérimentation obtenus à partir de l’interface utilisateur Azure Machine Learning Studio.

La fonction NLP prend en charge les éléments suivants :

  • Formation NLP avec réseau neuronal profond de bout en bout avec les derniers modèles BERT pré-formés
  • Intégration transparente avec l’étiquetage des données Azure Machine Learning
  • Utiliser des données étiquetées pour générer des modèles NLP
  • Prise en charge multilingue avec 104 langues
  • Formation dispensée à l’aide de Horovod

Découvrez comment configurer la formation par ML automatisé pour les modèles de NLP.

Formation, validation et test des données

Avec le ML automatisé, vous fournissez les données de formation pour former des modèles ML, et vous pouvez spécifier le type de validation de modèle à effectuer. Le ML automatisé effectue une validation de modèle dans le cadre de la formation. Autrement dit, le ML automatisé utilise les données de validation pour ajuster les hyperparamètres du modèle en fonction de l’algorithme appliqué afin de trouver la combinaison qui correspond le mieux aux données d’apprentissage. Toutefois, les mêmes données de validation sont utilisées pour chaque itération de paramétrage, ce qui introduit le biais de l’évaluation du modèle, puisque le modèle continue à s’améliorer et à s’ajuster par rapport aux données de validation.

Pour vous aider à confirmer que ce biais n’est pas appliqué au modèle recommandé final, le ML automatisé prend en charge l’utilisation de données de test pour évaluer le modèle final que le ML automatisé recommande à la fin de votre expérience. Lorsque vous fournissez des données de test dans le cadre de votre configuration d’expérimentation AutoML, ce modèle recommandé est testé par défaut à la fin de votre expérience (préversion).

Important

Le test de vos modèles avec un jeu de données de test pour évaluer les modèles générés est une fonctionnalité en préversion. Cette capacité est une fonctionnalité en préversion expérimentale qui peut évoluer à tout moment.

Découvrez comment Configurer les expériences AutoML pour utiliser des données de test (préversion) avec le kit de développement logiciel (SDK) ou avec Azure Machine Learning Studio.

Ingénierie des caractéristiques

L’ingénierie des caractéristiques est le processus qui consiste à utiliser la connaissance du domaine des données pour créer des fonctionnalités qui aident les algorithmes de ML à améliorer leur apprentissage. Dans Azure Machine Learning, des techniques de mise à l’échelle et de normalisation sont appliquées pour faciliter l’ingénierie de caractéristiques. Collectivement, ces techniques et l’ingénierie de caractéristiques sont appelées caractérisation.

Pour les expériences de Machine Learning automatisé, la caractérisation s’applique automatiquement, mais peut également être personnalisée en fonction de vos données. En savoir plus sur la caractérisation incluse (kit de développement logiciel (SDK) v1) et comment AutoML permet d’empêcher le surajustement et le déséquilibrage des données dans vos modèles.

Remarque

Les étapes de caractérisation du Machine Learning automatisé (comme la normalisation des caractéristiques, la gestion des données manquantes, la conversion de texte en valeurs numériques) font partie du modèle sous-jacent. Lorsque vous utilisez le modèle pour des prédictions, les étapes de caractérisation qui sont appliquées pendant la formation sont appliquées automatiquement à vos données d’entrée.

Personnaliser la caractérisation

Des techniques de caractérisation supplémentaires, telles que l’encodage et les transformations, sont également disponibles.

Activez ce paramètre avec :

Modèles d’ensemble

Le Machine Learning automatisé prend en charge les modèles ensemblistes, qui sont activés par défaut. L’apprentissage ensembliste améliore les résultats de Machine Learning et les performances prédictives en combinant plusieurs modèles. Les itérations d’ensembles apparaissent comme les dernières itérations de votre tâche. Le Machine Learning automatisé utilise des méthodes ensemblistes de vote et d’empilement pour combiner les modèles :

  • Vote : prédictions basées sur la moyenne pondérée des probabilités de classe prédites (pour les tâches de classification) ou des cibles de régression prédites (pour les tâches de régression).
  • Empilement : combine des modèles hétérogènes et forme un métamodèle basé sur la sortie de différents modèles individuels. Actuellement, les métamodèles par défaut sont LogisticRegression pour les tâches de classification, et ElasticNet pour les tâches de régression et de prévision.

L’algorithme de sélection d’ensemble Caruana, avec initialisation des ensembles triés, est utilisé pour déterminer les modèles qui doivent être utilisés au sein de l’ensemble. Pour résumer, cet algorithme initialise l’ensemble avec un maximum de cinq modèles ayant obtenu les meilleurs scores, puis vérifie que ces scores se situent dans une marge de plus ou moins 5 % par rapport au meilleur score, afin d’éviter un ensemble de niveau médiocre. Ensuite, pour chaque itération d’ensemble, un nouveau modèle est ajouté à l’ensemble existant et le score est calculé. Si un nouveau modèle a amélioré le score existant de l’ensemble, l’ensemble est mis à jour pour inclure le nouveau modèle.

Pour savoir comment modifier les paramètres par défaut de l’ensemble au niveau du Machine Learning automatisé, consultez Package AutoML.

AutoML et ONNX

Avec Azure Machine Learning, vous pouvez utiliser le Machine Learning automatisé pour générer un modèle Python et le convertir au format ONNX. Une fois les modèles au format ONNX, ils peuvent s’exécuter sur diverses plateformes et appareils. Apprenez-en davantage sur l’accélération des modèles ML avec ONNX.

Découvrez comment convertir au format ONNX dans cet exemple de notebook Jupyter. Découvrez quels sont les algorithmes pris en charge dans ONNX.

Le runtime ONNX prenant également en charge C#, vous pouvez utiliser le modèle généré automatiquement dans vos applications C# sans avoir besoin de recodage ou des latences réseau introduites par les points de terminaison REST. En savoir plus sur l’utilisation d’un modèle ONNX AutoML dans une application .NET avec ML.NET et sur l’inférence de modèles ONNX avec l’API C# du runtime ONNX.

Étapes suivantes

Plusieurs ressources sont disponibles pour vous aider à utiliser AutoML.

Tutoriels et guides pratiques

Les tutoriels sont des exemples illustrant de bout en bout des scénarios d’utilisation d’AutoML.

Des articles de guide pratique fournissent d’autres détails sur les fonctionnalités offertes par le Machine Learning automatisé. Par exemple,

Exemples de blocs-notes Jupyter

Passez en revue les exemples de code détaillé et les cas d’usage disponibles dans le dépôt GitHub d’exemples de blocs-notes pour le Machine Learning automatisé.

Référence du Kit de développement logiciel (SDK) Python

Approfondissez votre connaissance des modèles de conception et des spécifications de classe du kit de développement logiciel (SDK) en consultant la documentation de référence sur les classes AutoML Job.

Remarque

Des fonctionnalités de Machine Learning automatisé sont également disponible dans d’autres solutions Microsoft telles que ML.NET, HDInsight, Power BI et SQL Server.