Aprendizado de máquina automatizado e explicação | CloudWorld 2022

Aprendizado de máquina automatizado e explicação | CloudWorld 2022

Índice

1. Introdução
2. Automação de Aprendizado de Máquina
   1. Desafios do pipeline tradicional de ciência de dados
   2. Aprendizado de Máquina Automatizado (AutoML)
3. Aprendizado de Máquina Automatizado
   1. Interface fácil de usar
   2. Seleção e configuração de algoritmos
   3. Seleção e otimização de hiperparâmetros
   4. Melhoria no tempo de execução
   5. Seleção e redução de características
   6. Comparação com outras soluções AutoML
4. Explicabilidade do Aprendizado de Máquina
   1. Importância das características
   2. Análise da importância das características no Titanic Dataset
   3. Gráficos de dependência parcial
5. Recursos e Plataformas da Oracle
   1. Plataformas que suportam o AutoML
   2. Aplicações do AutoML em Oráculos
6. Caso de Uso: Oracle Transportation and Global Trade Management Cloud
   1. Previsão do tempo estimado de chegada
   2. Aumento da precisão do ETA
7. Futuro do AutoML na Oracle
   1. Melhoria contínua da capacidade preditiva
   2. Explorando a explicabilidade
8. Conclusão

A Automatização do Aprendizado de Máquina e Sua Explicabilidade

O campo do Aprendizado de Máquina (AM) está evoluindo rapidamente, com novas técnicas sendo desenvolvidas e implementadas para tornar o processo de construção e implantação de modelos mais eficiente. Uma abordagem recente e promissora é o Aprendizado de Máquina Automatizado (AutoML), que busca automatizar todo o processo de desenvolvimento do modelo, desde a seleção do algoritmo até a otimização de hiperparâmetros.

O Desafio do Pipeline Tradicional de Ciência de Dados

No pipeline tradicional de ciência de dados, os cientistas de dados devem responder a várias perguntas ao desenvolver um modelo de AM. Que algoritmo usar? As características são relevantes? Como otimizar os hiperparâmetros? Além disso, garantir a explicabilidade dos modelos é um requisito crescente, pois os modelos automatizados carecem de interpretabilidade. Essas perguntas podem consumir tempo e esforço significativos antes que o modelo seja implantado e usado com sucesso.

Automatização do Aprendizado de Máquina e Explicabilidade

O AutoML busca resolver esses desafios, fornecendo uma interface fácil de usar para desenvolver e implantar modelos de AM automatizados. Com o AutoML, basta fornecer um conjunto de dados e ele selecionará automaticamente o melhor modelo, otimizará os hiperparâmetros e retornará um modelo totalmente treinado. Além disso, o AutoML fornece recursos de explicabilidade, permitindo aos usuários entender melhor como o modelo funciona e quais características são mais importantes para suas previsões.

Seleção e Configuração de Algoritmos

O AutoML oferece uma ampla variedade de algoritmos populares de AM, como LightGBM, XGBoost e Redes Neurais Feed Forward. Com base no conjunto de dados fornecido, o AutoML selecionará automaticamente o algoritmo mais adequado para o problema em Questão.

Seleção e Otimização de Hiperparâmetros

Para cada algoritmo selecionado, o AutoML também otimizará automaticamente os hiperparâmetros. Isso envolve encontrar a combinação ideal de configurações para cada algoritmo específico, maximizando o desempenho do modelo.

Melhoria no Tempo de Execução

O AutoML também possui recursos avançados para melhorar o tempo de execução. Isso inclui amostragem adaptativa, onde o tamanho do conjunto de treinamento é ajustado dinamicamente com base no desempenho do modelo. Além disso, a seleção de características é aplicada para reduzir a dimensionalidade dos dados e melhorar tanto o tempo de execução quanto a precisão do modelo.

Explorando a Explicabilidade

Além de automatizar o processo de desenvolvimento do modelo, o AutoML também oferece recursos de explicabilidade. Isso permite que os usuários entendam por que o modelo tomou determinadas decisões. Os recursos de explicabilidade incluem a análise da importância das características e gráficos de dependência parcial, que mostram como as características influenciam as previsões do modelo.

Comparação com Outras Soluções AutoML

O AutoML da Oracle foi comparado com outras soluções populares, como H2O e Auto-sklearn, demonstrando melhor desempenho tanto em termos de precisão quanto de velocidade. O AutoML da Oracle é aproximadamente três a quatro vezes mais rápido e produz resultados melhores em uma variedade de conjuntos de dados.

Casos de Uso: Oracle Transportation and Global Trade Management Cloud

A Oracle Transportation and Global Trade Management Cloud é uma plataforma líder em comércio e transporte global. Ela utiliza os algoritmos de AutoML desenvolvidos pelo laboratório da Oracle para prever tempos estimados de chegada (ETA) com base em dados históricos de transporte e eventos em tempo real. A solução permite que planejadores de transporte e logística tomem decisões informadas, reduzindo custos, minimizando emissões e melhorando o desempenho na entrega.

Futuro do AutoML na Oracle

A Oracle está empenhada em desenvolver continuamente sua capacidade preditiva, expandindo a funcionalidade do AutoML para otimizar algoritmos de otimização e incorporando recursos de explicabilidade aprimorados. Além disso, o AutoML será integrado a várias plataformas e aplicativos da Oracle, como o Oracle Fusion Analytics Warehouse, fornecendo uma solução completa para desenvolvimento e implantação de modelos de AM automatizados.

Este artigo forneceu uma visão geral abrangente do AutoML e sua importância no campo do Aprendizado de Máquina. Com o AutoML, a Oracle está capacitando usuários de todos os níveis de habilidade para aproveitar o poder do Aprendizado de Máquina, automatizando tarefas complexas, reduzindo o tempo de desenvolvimento e fornecendo insights valiosos sobre o modelo. O AutoML é uma parte essencial da estratégia da Oracle para impulsionar a inovação e ajudar os clientes a obterem resultados melhores com suas soluções de AM.

Recursos adicionais sobre AutoML e as plataformas da Oracle podem ser encontrados em outras sessões do Oracle Cloud World, oferecendo insights sobre detecção de saúde de ostras, melhoria da saúde com o AutoML e previsão de localização de embarcações com o uso do AutoML. O AutoML também está disponível em várias plataformas da Oracle, incluindo o Oracle Autonomous Database, Oracle Transportation Management e Oracle Cloud Infrastructures Data Science Platform. A Oracle continua expandindo sua oferta de AutoML em seus serviços em nuvem e continuará a fornecer soluções avançadas de AM para atender às necessidades em constante evolução dos clientes.

Conclusão:

O AutoML é uma revolução no campo do Aprendizado de Máquina, automatizando todo o processo de desenvolvimento de modelos e tornando-o acessível a usuários de todos os níveis de habilidade. Com recursos avançados de seleção e otimização de algoritmos, o AutoML da Oracle oferece resultados superiores em termos de precisão e velocidade em comparação com outras soluções populares. Além disso, a explicabilidade do modelo é fornecida por meio de recursos como análise de importância de características e gráficos de dependência parcial. Com a integração do AutoML em várias plataformas e aplicativos da Oracle, a empresa está liderando a inovação no campo do Aprendizado de Máquina e capacitando os clientes a melhorar seus processos de negócios e tomar decisões mais informadas.