Auto ML : définition et techniques de machine learning automatisé

Le principe de l'auto ML n'est autre que l'automatisation du machine learning. Il s'agit d'une forme d'intelligence artificielle automatisée conçue pour générer elle-même des modèles d'apprentissage optimisés en fonction des usages.

Qu’est-ce que l’auto ML (pour automated machine learning) ?

L’auto ML permet de prendre en charge les tâches et les étapes complexes dans la programmation d’un modèle de machine learning. Du point de vue de la main-d’œuvre humaine (développeur, analyste…), ce concept d’« automatisation » de l’intelligence artificielle améliore la stabilité des systèmes, tout en les rendant davantage fiables et productifs. De même, il est possible d’obtenir un résultat similaire, voire supérieur à une méthode classique, avec une sollicitation de ressources moindre.

Cela s’explique notamment par la réalisation de phases de tests pour observer différentes hypothèses de traitement. Au terme de l’opération, le système conserve le modèle le plus efficace en matière de performances. Concrètement, l’auto ML (ou automated machine learning) permet de gérer différents aspects de programmation et de développement :

  • la recherche de variables adaptées au projet cible ;
  • la prise en charge de fonctions prédictives ;
  • la sélection de l’algorithme le plus performant…

Comme évoqué précédemment, le principal avantage de l’auto ML réside dans le gain de temps du traitement des données et des phases de test avant la mise en fonctionnement. Grâce à la capacité de centralisation des données, leur gestion gagne également en cohérence.

Il n’est donc pas nécessaire de posséder des connaissances avancées en data science ou en intelligence artificielle pour se servir de l’auto ML. Il existe d’ailleurs des librairies dédiées au calcul des algorithmes et à la réalisation de différents modèles. Il convient toutefois d’adapter l’usage de l’auto ML au contexte. Certaines situations demandent une intervention humaine pour choisir l’approche de programmation la plus pertinente.

Quelles sont les différentes techniques d’auto ML ?

Il existe différentes technologies pour se servir de l’auto ML. Parmi les principales techniques employées, on peut évoquer :

  • DataRobot : spécialisé dans le benchmarking des modèles, il permet de réaliser une maintenance préventive, une reconnaissance d’images, voire des prédictions financières.
  • Google AutoML : un système qui fonctionne sur le double principe de l’apprentissage par renforcement et non supervisé, notamment pour gérer le feature engineering et la mise en production.
  • Dataiku : cet auto ML propose un système de visualisation de codes afin de mieux appréhender l’architecture sélectionnée et d’interpréter les résultats obtenus en toute connaissance de cause.
  • Knime : ce dispositif permet d’effectuer une analyse intégrative des données à la suite de leur traitement. Il convient pour réaliser la partition de data sets.

D’autres usages et applications sont envisageables avec cette liste non exhaustive d’auto ML. Par exemple, une opération de classification, une tâche de régression ou la prévision d’une série chronologique.

Dictionnaire de l'intelligence artificielle