Sobre as Cookies neste site Nossos sites requererem alguns cookies para funcionarem corretamente (obrigatório). Além disso, outros cookies podem ser usados com seu consentimento para analisar o uso do site, melhorar a experiência do usuário e para publicidade. Para obter mais informações, revise as opções de. Ao visitar nosso website, você concorda com nosso processamento de informações conforme descrito nadeclaração de privacidade da IBM. Para proporcionar uma navegação tranquila, suas preferências de cookie serão compartilhadas nos domínios da web da IBM listados aqui.
Início
AI and ML
Watson Studio
AutoAI da IBM
Crie e treine com rapidez modelos preditivos de alta qualidade. Simplifique o gerenciamento do ciclo de vida da IA.
Acelerando a IA e o gerenciamento do ciclo de vida de modelos
O que é AutoML?
O aprendizado de máquina automatizado (AutoML) é o processo de automatização das tarefas manuais que os cientistas de dados precisam realizar ao criar e treinar modelos de aprendizado de máquina (modelos de ML). Essas tarefas incluem engenharia e seleção de variáveis, escolha do tipo de algoritmo de aprendizado de máquina, criação de um modelo analítico baseado no algoritmo, otimização de hiperparâmetros, treinamento do modelo com conjuntos de dados testados e execução do modelo para geração de pontuações e constatações. Os pesquisadores desenvolveram o AutoML para auxiliar os cientistas de dados a criar modelos preditivos mesmo sem ter profundo conhecimento de modelos de ML. Com o AutoML, eles também ficam livres das tarefas repetitivas de criação de um pipeline de aprendizado de máquina. Assim, podem focar na geração dos insights necessários para resolver problemas importantes do negócio.
O que é o AutoAI?
O AutoAI é uma variedade do AutoML. Ele estende a automação da criação de modelos a todo o ciclo de vida da IA. Assim como o AutoML, o AutoAI aplica a automação inteligente às etapas de criação de modelos preditivos de aprendizado de máquina. Essas etapas incluem a preparação de conjuntos de dados para treinamento, a identificação do melhor tipo de modelo para os dados fornecidos, como um modelo de classificação ou regressão, e a escolha das colunas de dados mais adequadas para o problema que o modelo busca resolver, processo conhecido como seleção de variável. Em seguida, a automação testa várias opções de ajuste de hiperparâmetros para alcançar o melhor resultado enquanto gera e depois classifica possíveis pipelines de modelo com base em métricas como a correção e a precisão. Os pipelines com melhor desempenho podem ser colocados em produção para processar novos dados e fornecer predições com base no treinamento do modelo.
O novo estúdio de IA de nível empresarial projetado para ajudar construtores de IA a desenvolver soluções de IA.
Preparação de dados | ||
Engenharia de variáveis | ||
Otimização de hiperparâmetros
Implementação de modelos automatizados | ||
Implementação com um clique | ||
Teste e pontuação de modelos |
Geração de códigos |
| Suporte para: |
Eliminação de viés e mitigação de desvio | ||
Gerenciamento de riscos nos modelos
Gerenciamento do ciclo de vida da IA | ||
Aprendizado por transferência
Qualquer modelo de IA
Refinamento avançado de dados |
*Os preços apresentados são indicativos, podem variar de acordo com o país, excluem impostos e taxas aplicáveis e estão sujeitos à disponibilidade de ofertas do produto em uma localidade.
Por que o AutoAI é importante?
Crie modelos de aprendizado de máquina e IA de modo automático sem precisar ter conhecimento avançado de ciência de dados. Facilite o trabalho dos cientistas de dados, desenvolvedores, engenheiros e analistas de ML na geração de potenciais pipelines de modelo. Garanta os conhecimentos necessários e aumente a produtividade nos seus projetos de aprendizado de máquina.
Crie modelos personalizados de IA e aprendizado de máquina em minutos ou até mesmo segundos. Teste, treine e implemente modelos com mais rapidez e em escala. Aumente a repetibilidade e o controle do aprendizado de máquina e dos ciclos de vida dos modelos de IA ao mesmo tempo que reduz as tarefas corriqueiras e demoradas.
Inclua explicabilidade, precisão, robustez, transparência e privacidade no ciclo de vida da IA. Reduza o desvio, o viés e os riscos dos modelos na IA e no aprendizado de máquina. Valide e monitore modelos para verificar se o desempenho da IA e do aprendizado de máquina atende às metas de negócios. Ajude a empresa a atender às metas de responsabilidade social corporativa (RSE) e governança socioambiental (ESG).
Reduza os custos das operações de modelos de IA e aprendizado de máquina (ModelOps) com a unificação de ferramentas, processos e pessoas. Reduza os gastos no gerenciamento de ferramentas e infraestruturas legadas ou pontuais. Economize tempo e recursos na entrega de modelos prontos para produção com ciclos de vida de IA e ML automatizados.
Veja por que a IBM foi reconhecida como líder no Magic Quadrant 2021 nos campos da ciência de dados e aprendizado de máquina
Como você pode usar o AutoAI?
Automatize as principais etapas do ciclo de vida do modelo
Aplique vários algoritmos, ou estimadores, para analisar, limpar e preparar dados brutos para o aprendizado de máquina. Detecte e categorize variáveis de forma automática com base no tipo de dado, como categórico ou numérico. Use a otimização de hiperparâmetros para determinar as melhores estratégias para imputação de valores ausentes e para codificação e ajuste de escala de variáveis.
Selecione modelos usando testes de algoritmo candidatos e classificação com base em pequenos subconjuntos de dados. Aumente de forma gradativa o tamanho do subconjunto dos algoritmos mais promissores. Permita a classificação de um grande número de algoritmos para a seleção do modelo com a melhor correspondência de dados.
Transforme dados brutos na combinação de variáveis que melhor represente o problema para realizar a predição mais precisa. Explore várias opções de construção de variável de forma estruturada e não exaustiva, maximizando a precisão do modelo de forma progressiva por meio do aprendizado por reforço.
Refine e otimize pipelines de modelos usando técnicas típicas de treinamento e pontuação de modelos no aprendizado de máquina. Escolha o melhor modelo a ser colocado em produção com base no desempenho.
Integre o monitoramento no desvio, na precisão e na qualidade de modelos por meio de detalhes sobre a entrada e saída dos modelos, dados de treinamento e registro de carga útil. Implemente a remoção de propensão passiva ou ativa e analise o viés direto e indireto.
Faça extensões com insights de modelos e de dados e valide se seus modelos apresentam o desempenho esperado. Melhore de forma contínua seus modelos medindo sua qualidade e comparando seu desempenho.
Tenha o poder do AutoAI
AutoAI em ação no IBM Watson Studio
Casos de clientes
Conheça os benefícios obtidos pelo banco com o uso do IBM® Cloud Pak for Data para analisar dados, avaliar o desvio deles e medir o desempenho dos modelos.
Saiba como essa rede de saúde criou um modelo preditivo que usa dados de reivindicações de seguro para identificar pacientes com probabilidade de desenvolver sepse.
Saiba como essa agência de marketing usa o AutoAI para fazer predições de alto volume e identificar novos clientes.
Uma equipe da IBM® Research aplica técnicas avançadas de IA, aprendizado de máquina e gerenciamento de dados para acelerar e otimizar a criação de fluxos de trabalho de aprendizado de máquina e ciência de dados. As primeiras experiências da equipe com AutoML priorizaram a otimização de hiperbanda/Bayesiana para pesquisa de hiperparâmetros e hiperbanda/ENAS/DARTS para pesquisa de arquitetura neural.
Ela continuou priorizando o desenvolvimento do AutoAI, inclusive a automação da configuração de pipelines e a otimização de hiperparâmetros. Um grande avanço é o algoritmo de otimização de hiperparâmetros, aperfeiçoado para a avaliação da função de custos, como treinamento e pontuação de modelos. Isso ajuda a agilizar a definição da melhor solução.
A IBM Research também está empregando a inteligência artificial automatizada para garantir a confiança e a explicabilidade nos modelos de IA. Com o AutoAI no IBM® Watson Studio, os usuários veem cada fase do processo, da preparação de dados à criação de modelos, passando pela seleção de algoritmos. Além disso, o AutoAI da IBM automatiza as tarefas para melhorar o modelo de forma contínua e facilita a integração de APIs de modelos de IA em aplicações por meio dos recursos de ModelOps. A evolução do AutoAI no IBM Watson Studio contribuiu para que a IBM fosse apontada como uma das líderes do setor no Gartner Magic Quadrant 2021, na categoria de plataformas de ciência de dados e aprendizado de máquina.
Saiba como o AutoAI no IBM Watson Studio ajuda você a acelerar o impacto da IA generativa nos principais fluxos de trabalho para aumentar a produtividade.
Aprenda como criar e avaliar modelos de aprendizado de máquina usando o AutoAI no IBM Watson Studio.
Saiba como o DevOps, o ModelOps e o DataOps se complementam.
Veja por que a IBM foi reconhecida como uma das líderes do setor no Quadrante Mágico de 2021 nos campos da ciência de dados e aprendizado de máquina.
Conheça a fundo
O deep learning é um subcampo do aprendizado de máquina conhecido por potencializar aplicações e serviços de IA que realizam tarefas analíticas e físicas sem intervenção humana. Entre os exemplos de casos de uso de deep learning estão chatbots, tecnologias de reconhecimento de imagem do setor de saúde e detecção de fraude. No entanto, como no caso do aprendizado de máquina, o design e a execução de algoritmos de deep learning exigem um grande esforço humano e de computação.
A equipe da IBM Research explorou um dos processos mais complexos e demorados de deep learning: a criação de uma arquitetura neural por meio de uma técnica chamada pesquisa de arquitetura neural(NAS). A equipe analisou os métodos de NAS desenvolvidos e apresentou os benefícios de cada um deles para ajudar os profissionais a escolher um método apropriado. A automação da abordagem para encontrar a arquitetura com melhor desempenho para um modelo de aprendizado de máquina pode levar a uma maior democratização da IA, mas a questão é complexa e difícil de resolver.
Com o serviço Deep Learning no IBM Watson Studio, você pode começar a usar a tecnologia com rapidez. Ele ajuda a projetar redes neurais complexas e fazer testes em escala para implementar um modelo otimizado de aprendizado de máquina. Criado para simplificar o processo de treinamento de modelos, ele também fornece um cluster de computação de GPU sob demanda para atender aos requisitos de computação. Você também pode integrar estruturas de ML de código aberto muito usadas, como TensorFlow, Caffe, Torch e Chainer, para treinar modelos em múltiplas GPUs e acelerar os resultados. No IBM Watson Studio, você pode combinar AutoML, o AutoAI da IBM e o serviço Deep Learning para acelerar os testes e analisar dados estruturados e não estruturados, além de implementar modelos melhores com mais rapidez.
A demanda por AutoML levou ao desenvolvimento de softwares de código aberto que podem ser usados por especialistas e não especialistas em ciência de dados. As principais ferramentas de código aberto incluem auto-sklearn, auto-keras e auto-weka. A IBM Research contribui para o Lale, uma biblioteca Python que estende os recursos do scikit-learn para permitir um amplo espectro de automação, incluindo seleção de algoritmos, ajuste de hiperparâmetros e pesquisa de topologia. Conforme descrito em um artigo da IBM Research, o Lale funciona com a geração automática de espaços de pesquisa para ferramentas AutoML estabelecidas. Experimentos mostram que esses espaços de pesquisa alcançam resultados competitivos com ferramentas de última geração, oferecendo mais versatilidade.