Waarom is dit belangrijk?
Mensen zonder diepgaande kennis van machine learning kunnen met automated machine learning (AutoML) sneller een bruikbaar model laten bouwen. In de zorg helpt dat bij het inschatten van een diagnose of het verloop van een ziekte, op basis van patiëntgegevens en beelden. Zorgverleners krijgen zo eerder een voorstel, maar zo'n model is vaak lastig uit te leggen en werkt op grote schaal niet altijd even stabiel.
Zo werkt het in de praktijk
In de ict zetten bedrijven Google Cloud AutoML en Amazon SageMaker Autopilot in om modellen te bouwen. In de aard- en milieuwetenschappen schat automated machine learning de porositeit van gesteente. In de materiaalkunde voorspelt het eigenschappen van beton, metalen en vezelversterkte kunststoffen.
Onderzoekers delen automated machine learning op in een zoekruimte, een zoekstrategie en een beoordeling van de prestaties. Academische systemen zoals auto-sklearn, TPOT en AutoKeras brengen die delen samen. Een aparte lijn zoekt automatisch de opbouw van een neuraal netwerk.
Automated machine learning hoort bij het automatiseren van datawetenschap. Die werkwijze verkent data, maakt data klaar, bouwt een model en gebruikt de uitkomsten. Huidige systemen richten zich vooral op het bouwen van het model als derde stap.




