الصفحة الرئيسية
المنتجات
Watson Studio
AutoAI
IBM AutoAI
ما هو AutoML؟
يُعَد التعلم الآلي المؤتمت (AutoML) عملية أتمتة للمهام اليدوية التي كان يجب على علماء البيانات إكمالها أثناء قيامهم ببناء نماذج التعلم الآلي (نماذج ML) وتدريب هذه النماذج. وتتضمن هذه المهام هندسة الميزات والاختيار، واختيار نوع خوارزمية التعلم الآلي؛ وبناء نموذج تحليلي قائم على الخوارزمية؛ وتحسين المعلمات الفائقة، وتدريب النموذج على مجموعات بيانات سبق اختبارها، وتشغيل النموذج للحصول على درجات التقييم والتوصل إلى نتائج. نجح الباحثون في تطوير التعلم الآلي المؤتمت (AutoML) لمساعدة علماء البيانات على بناء نماذج تنبؤية دون اشتراط خبرة عميقة مسبقة في التعلم الآلي (ML). كما نجح التعلم الآلي المؤتمت (AutoML) في إعفاء علماء البيانات من أداء المهام الروتينية التي كان يستلزمها إنشاء مسار التعلم الآلي، مما أتاح لهم التفرغ للتركيز على استخلاص الرؤى اللازمة لحل مشاكل الأعمال المهمة.
ما هو AutoAI؟
يعد الذكاء الاصطناعي التلقائي نوعًا مختلفًا من AutoML. فهو يوسِّع أتمتة بناء النماذج لتمتد إلى دورة حياة الذكاء الاصطناعي بأكملها. وعلى غرار AutoML، يطبق AutoAI الأتمتة الذكية على خطوات بناء نماذج التعلم الآلي التنبؤية. وتتضمن هذه الخطوات إعداد مجموعات البيانات للتدريب؛ وتحديد أفضل نوع من النماذج للبيانات المعينة، مثل التصنيف أو نموذج الانحدار؛ واختيار أعمدة البيانات التي تدعم المشكلة التي يحلها النموذج بأفضل شكل ممكن، والمعروفة باسم اختيار الميزات. ثم تختبر الأتمتة مجموعة متنوعة من خيارات ضبط المعلمة الفائقة للوصول إلى أفضل النتائج أثناء إنشاء وتصنيف مسارات مرشح النموذج بناءً على المقاييس مثل الدقة والدقة. يمكن وضع مسارات الأفضل أداءً في الإنتاج لمعالجة البيانات الجديدة وتقديم تنبؤات بناءً على التدريب النموذجي.
إنه بمثابة استوديو يضم تقنيات ذكاء اصطناعي جديدة تمامًا وعلى المستوى المطلوب للمؤسسات، تم تصميمه لمساعدة مطوري الذكاء الاصطناعي على بناء حلول الذكاء الاصطناعي.
إعداد البيانات | ||
هندسة الميزات | ||
تحسين المعلمات الفائقة
نشر النموذج الآلي | ||
النشر بنقرة واحدة | ||
اختبار النماذج وتقييمها |
إنشاء التعليمات البرمجية |
| توفير الدعم لـ: |
إزالة التحيز والتخفيف من حدة الانحراف | ||
إدارة مخاطر النموذج
إدارة دورة حياة الذكاء الاصطناعي | ||
نقل التعلم
يعمل مع أي نماذج ذكاء اصطناعي
مصفاة البيانات المتقدمة |
*الأسعار المعروضة إرشادية، وقد تختلف حسب الدولة، ولا تشمل أي ضرائب ورسوم مطبقة، وتخضع لتوفُّر المنتج المعروض في المنطقة المحلية.
لماذا يعد AutoAI مهمًا؟
يمكن الآن إنشاء نماذج التعلم الآلي والذكاء الاصطناعي تلقائيًا دون حاجة إلى سابق خبرة عميقة في علم البيانات. وتستطيع تمكين علماء البيانات والمطورين ومهندسي التعلم الآلي والمحللين من إنشاء مسارات نماذج عالية الجودة. كما يمكنك معالجة الثغرات في مجموعة المهارات وزيادة إنتاجية مشاريع التعلم الآلي الخاصة بك.
يمكنك الآن إنشاء نماذج مخصصة للذكاء الاصطناعي والتعلم الآلي في دقائق معدودة بل في ثوانٍ. ثم تنطلق في تجربة النماذج وتدريبها ونشرها بسرعة أكبر بكثير وعلى نطاق أوسع من ذي قبل. كما يمكنك زيادة قابلية التكرار وحوكمة دورات حياة نماذج التعلُّم الآلي والذكاء الاصطناعي بعدما نجحت في تقليل المهام العادية التي كانت تستغرق منك وقتًا طويلًا.
لقد نجح هذا الحل في الجمع بين قابلية التفسير والنزاهة وتوفير القوة والخصوصية والشفافية كجزء من دورة حياة الذكاء الاصطناعي، مع الحد من انحراف النموذج والتحيز والمخاطر التي شاع ظهورها في بعض حلول الذكاء الاصطناعي والتعلم الآلي. كما يمكنك التحقق من صحة النماذج ومراقبتها للتأكد من أن أداء الذكاء الاصطناعي والتعلم الآلي يلبي فعلاً كل أهداف عملك. فضلًا عن مساعدته لك على تلبية المسؤولية الاجتماعية للشركات والممارسات البيئية والاجتماعية وحوكمة الشركات
يمكن خفض تكاليف عمليات الذكاء الاصطناعي والتعلم الآلي (ML) من خلال توحيد الأدوات والعمليات والأشخاص، مع الحد من الإنفاق على إدارة الأدوات والبنى التحتية القديمة أو الموَّزعة في نقاط منعزلة. هذا علاوة على توفير الوقت والموارد بفضل تقديم نماذج جاهزة للإنتاج من خلال دورات حياة مؤتمتة للذكاء الاصطناعي والتعلم الآلي (ML).
اكتشف لماذا تم الاعتراف بشركة IBM كشركة رائدة في تقرير Magic Quadrant لعام 2021 في مجال علم البيانات والتعلم الآلي
كيف يمكنك استخدام AutoAI؟
أتمتة الخطوات الرئيسية في دورة حياة النموذج
يمكنك تطبيق أنواع متنوعة من الخوارزميات أو أدوات التقدير لتحليل البيانات الخام غير المنسقة وتنظيفها وإعدادها للتعلّم الآلي. كما يمكن الكشف تلقائيًا عن الميزات وتصنيفها استنادًا إلى نوع البيانات، كالبيانات الفئوية أو الرقمية مثلاً. وتستطيع استخدام تحسين المعلمات الفائقة لتحديد أفضل إستراتيجية ممكنة لتضمين القيمة المفقودة وترميز الميزات وتوسيع نطاق الميزات.
اختر النماذج من خلال اختبار الخوارزميات المرشَّحة وترتيبها مقابل مجموعات فرعية صغيرة من البيانات. ثم قم بزيادة حجم المجموعة الفرعية تدريجيًا للخوارزميات المتوقع لها أكبر نجاح. وتستطيع تمكين ترتيب عدد كبير من الخوارزميات المرشَّحة لاختيار النموذج الأفضل تطابقًا مع البيانات.
يمكنك تحويل البيانات الخام غير المنسقة إلى مجموعة ميزات تمثل المشكلة، بأفضل تمثيل ممكن، لتحقيق أدق التنبؤات. ويمكنك استكشاف خيارات بناء الميزات المختلفة بطريقة منظمة وغير شاملة، مع زيادة دقة النموذج تدريجيًا باستخدام التعلم المعزز.
يمكنك تحسين مسارات النماذج باستخدام التدريب على النماذج وتسجيل الدرجات بشكل نموذجي في التعلم الآلي. كما يمكن اختيار أفضل نموذج لإدخاله في دورة الإنتاج بناءً على الأداء.
دمج مراقبة انحراف النموذج ونزاهته وجودته من خلال تفاصيل مدخلات ومخرجات النموذج وبيانات التدريب وتسجيل الحمولة. ويمكن تنفيذ إزالة التحيز السلبي أو الموجب، مع تحليل التحيز المباشر وغير المباشر.
وسّع من نطاق رؤى النماذج والبيانات وتحقق من الصحة إذا كانت نماذجك تفي بالأداء المتوقع. ويمكنك تحسين نماذجك باستمرار من خلال قياس جودة النموذج ومقارنة الأداء.
احصل على Power AutoAI
شاهد AutoAI وهو يعمل في IBM Watson Studio
قصص العملاء
انظر مدى المنافع التي حققها هذا البنك باستخدام حل IBM Cloud Pak for Data لتحليل البيانات وتقييم انحراف البيانات وقياس الأداء.
تعرّف على كيفية نجاح شبكة الرعاية الصحية هذه في بناء نموذج تنبؤي يستخدم بيانات مطالبات التأمين لتحديد المرضى المحتمل إصابتهم بمرض تعفن الدم.
تعرّف على كيفية استخدام وكالة الاتصالات التسويقية هذه لبرنامج AutoAI في توجيه التنبؤات كبيرة الحجم وتحديد العملاء الجُدُد.
يلتزم فريق ®IBM Research بتطبيق أحدث تقنيات الذكاء الاصطناعي والتعلم الآلي (ML) وإدارة البيانات لتسريع وتحسين إنشاء مسارات سير العمل من التعلم الآلي وعلم البيانات. وقد ركزت الجهود الأولى للفريق حول AutoML على استخدام تحسين النطاق الفائق / Bayesian للبحث عن المعلمات الفائقة والنطاق الفائق / ENAS / DARTS لخدمة أبحاث الهندسة العصبية.
استمر تركيز الفريق على تطوير AutoAI، بما في ذلك أتمتة تكوين إعدادات المسار وتحسين المعلمات الفائقة. ومن التحسينات المهمة التي طرأت على خوارزمية تحسين المعلمة الفائقة حيث تم تحسينها لتقييم دالة التكلفة مثل تدريب النموذج وتسجيل الدرجات. وقد ساعد هذا على سرعة التقارب والتوصل إلى أفضل الحلول.
نجحت IBM Research أيضًا في تطبيق الذكاء الاصطناعي الآلي لضمان قابلية التفسير والثقة في نماذج الذكاء الاصطناعي. وبفضل استخدام AutoAI في IBM Watson Studio، يستطيع المستخدمون رؤية تصورات كل مرحلة من مراحل العملية، بدءًا من إعداد البيانات، إلى اختيار الخوارزمية، إلى إنشاء النموذج. بالإضافة إلى ذلك، يقوم IBM AutoAI بالتشغيل الآلي للمهام للتحسين المستمر للنموذج، كما يسهل دمج واجهات API الخاصة بنموذج الذكاء الاصطناعي في التطبيقات من خلال قدرات عمليات النموذج الخاصة به. ولقد ساهم تطور AutoAI ضمن منتج IBM Watson Studio في حصول شركة IBM على لقب الشركة الرائدة في تقرير Gartner Magic Quadrant لعام 2021 لعلوم البيانات ومنصات التعلم الآلي.
تعرّف على الكيفية التي من خلالها يساعدك الذكاء الاصطناعي التلقائي في IBM Watson Studio على تسريع تأثير الذكاء الاصطناعي التوليدي في مهام سير عملك الأساسية لزيادة الإنتاجية.
تعرَّف على كيفية إنشاء نماذج التعلم الآلي وتقييمها باستخدام ميزة AutoAI في IBM Watson Studio.
تعرَّف على كيفية تكامل عمليات التطوير وعمليات النموذج وعمليات البيانات معًا.
اكتشف لماذا تم تصنيف IBM كشركة رائدة في Magic Quadrant لعام 2021 في علم البيانات والتعلم الآلي.
تعمق أكثر
التعلُّم العميق هو مجال فرعي للتعلُّم الآلي يشتهر بتشغيل تطبيقات وخدمات الذكاء الاصطناعي التي تؤدي مهام تحليلية ومادية دون تدخل بشري. ومن حالات استخدام التعلم العميق روبوت المحادثة وتقنيات التعرُّف على الصور الطبية والكشف عن الغش. ومع ذلك، كما هو الحال مع التعلم الآلي، يتطلب تصميم خوارزمية التعلم العميق وتشغيلها قدرًا هائلًا من الجهد البشري علاوة على تطلبه قوة حوسبة.
استكشف فريق ®IBM Research واحدة من أكثر العمليات تعقيدًا واستهلاكًا للوقت في التعلم العميق: وهي إنشاء البنية العصبية من خلال تقنية تُسمَّى البحث عن البنية العصبية (NAS). وقد راجع الفريق طرق NAS التي تم تطويرها وقدم الفائدة من وراء كل منها بهدف مساعدة الممارسين على اختيار أنسب طريقة. ومعلوم أن أتمتة نهج العثور على أفضل بنية أداء لنموذج التعلم الآلي تؤدي إلى توفير الذكاء الاصطناعي للجميع بدرجة أكبر، لكن المشكلة معقدة ويصعب حلها.
مع خدمة التعلم العميق داخل IBM Watson Studio، يمكنك البدء في التعلم العميق بسرعة. وتساعدك هذه الخدمة على تصميم الشبكة العصبية وتجاربها على نطاق واسع لنشر نموذج التعلم الآلي المحسّن. وقد تم تصميم الخدمة لتبسيط عملية التدريب، كما أنها توفر مجموعة حوسبة GPU عند الطلب لتلبية متطلبات طاقة الحوسبة. ويمكنك أيضًا دمج إطار العمل مفتوح المصدر مثل TensorFlow لتدريب النماذج على وحدات معالجة رسومات متعددة وتسريع النتائج. وفي IBM Watson Studio، يمكنك الجمع بين AutoML وAutoAI وخدمة التعلم العميق لتسريع التجريب وتحليل البيانات المنظمة وغير المنظمة ونشر أفضل النماذج في أسرع وقت.
أدى الطلب على AutoML إلى تطوير برامج مفتوحة المصدر يمكن استخدامها سواء من قِبل خبراء علم البيانات أو غير الخبراء. وتتضمن أدوات المصدر المفتوح الرائدة ما يلي: auto-sklearn وauto-keras وauto-weka. تساهم IBM Research في Lale، وهي مكتبة Python التي توسِّع القدرات لدعم مجموعة كبيرة من الأتمتة، تشمل اختيار الخوارزمية وضبط المعلمات الفائقة والبحث عن الطوبولوجيا. وكما هو موضح في ورقة بحثية من IBM Research، يعمل Lale عن طريق إنشاء مساحات بحث تلقائيًا لأدوات AutoML التي ثبت نجاحها. وتعرض لنا التجارب أن مساحات البحث هذه تحقق نتائج تنافسية مع أحدث الأدوات مع توفير مزيد من التنوع.