Artikel von Luis Galo, AI Manger von Lantek
Die Entwicklung von traditionellen Modellen für maschinelles Lernen (ML) konsumiert zahlreiche Ressourcen und benötigt viel Wissen und Zeit, um Dutzende von Modellen zu generieren und zu vergleichen. Dank dem automatisierten maschinellen Lernen reduziert sich die benötigte Zeit, um Lernmodelle zu erhalten, die bereit sind, mit hoher Effizienz und Mühelosigkeit zu produzieren.
Der Standardfluss der Prozesse in der Wissenschaft der Daten (Pipeline) besteht aus der Vorverarbeitung von Daten, dem Extrahieren von zu formenden, repräsentativen Geschäftsparametern und der Optimierung von Hyperparametern der Algorithmen. Er muss manuell durch Datenwissenschaftsexperten ausgeführt werden. Im Vergleich dazu würde die Anwendung von AutoML einen einfacheren Entwicklungsprozess erlauben, mit welchem wenige Codezeilen einen Code generieren können, welcher notwendig ist, um mit der Entwicklung eines Modells für maschinelles Lernen zu beginnen.
Für die Datenwissenschaftsteams, die wie bei Lantek mit Python arbeiten, gibt es eine Menge an Open-Source-Bibliotheken, die kostenlos zur Verfügung stehen. Ein Beispiel hierfür ist Lale von IBM, wobei es sich um eine halbautomatische Bibliothek handelt, die perfekt in die Pipelines von scikit-learn, auto-sklearn oder andere wie TPOT oder nni von Microsoft (alle Open-Source) integriert werden kann.
AutoML kann man sich wie ein Modellierungskonzept mit roher Kraft vorstellen, das über spezialisierte Suchalgorithmen verfügt, um die optimalen Lösungen für jedes Teil des Prozessflusses der Datenwissenschaft zu finden. AutoML verspricht eine Zukunft, in welcher das allgemein verfügbar gemachte maschinelle Lernen eine Realität ist.
So klingt AutoML wie ein Universalmittel bei der Anwendung von ML, das eine Organisation verwenden kann, um Datenwissenschaftler zu ersetzen. In Wirklichkeit setzt seine Verwendung jedoch intelligente Strategien voraus, die an die verschiedenen Prozesse angepasst sind, die bei der Produktion von Metallwerkstücken mit Blechschnitt ausgeführt werden. Wie können die Unternehmen AutoML also nutzen, um die aufgewendete Zeit zu optimieren und so gut wie möglich zu kürzen, um aus ihren Modellen Wert zu ziehen?
Der optimale Arbeitsfluss, um AutoML aufzunehmen, besteht auch für die Blechmetallindustrie darin, Arbeitslasten in verschiedenen spezifischen Algorithmen zu parallelisieren und die Zeit, die intensiv genutzten Aufgaben gewidmet wird, zu verkürzen. Anstatt Tage mit dem Einrichten von Hyperparametern und der Auswahl der geeignetsten Parameter hinsichtlich gesuchtem Ziel zu verbringen, kann ein Datenwissenschaftler diesen Prozess simultan in verschiedenen Modellarten automatisieren und danach testen, welche am geeignetsten war.
Dafür werden zum AutoML angepasste Algorithmen hinzugefügt, wobei sich die verknüpften Parameter potenzieren. Im Falle der Blechmetallindustrie handelt es sich dabei um die Generierung von Altmetall, die Schneidedauer, die Lieferdauer, Schneideparameter, Schneidetechnologien, Materialpreise und weitere technische Parameter, die spezifisches Wissen aus der Blechschneidewelt für die ML-Algorithmen liefern
Ein Datenanalyst ohne Erfahrung im Sektor könnte dieses angepasste AutoML-Werkzeug also nutzen, um ein voraussagendes Modell zu coachen, indem die Daten verwendet werden, die er selbst von datalek anhand einer Abfrage extrahieren kann. Mit AutoML kann ein Datenanalyst Daten wiederaufbereiten, eine Pipeline für das maschinelle Lernen erstellen sowie ein vollständig gecoachtes Modell produzieren, das verwendet werden kann, um seine eigenen Hypothesen zu validieren, ohne dafür die Aufmerksamkeit eines gesamten Datenwissenschaftsteams und Geschäftsexperten zu benötigen. Das gesamte benötigte Wissen zum Blechschneiden wäre dann in den von Lantek angepassten Algorithmen.
Bis hierhin sprechen wir rein theoretisch, doch wie hoch ist die Wahrscheinlichkeit der Anwendung von AutoML in einem echten Fall von Lantek? In unserem Fall liefert AutoML die sogenannte Baseline, von welcher aus wir neue Modelle zu entwickeln beginnen. Die aktuellen Kapazitäten von AutoML automatisieren nur einen kleinen Teil der Arbeitslasten des Datenwissenschaftlers und des ML-Ingenieurs. Das Datenwissenschaftsteam kann die Entwicklungszeit mit seinen vorausschauenden Fähigkeiten verkürzen. Dies beginnt mit einer Gesamtheit an Prototypen für Lernmodelle, die die automatisierte Technik der Eigenschaften vereinfacht, mit der automatisierten Optimierung von Hyperparametern und der Auswahl von Modellen für das maschinelle Lernen.
Das Team aus Datenwissenschaftlern und Datenanalysten kann seine Hypothesen evaluieren und die Gültigkeit seiner Modelle schneller überprüfen. Man kann jedoch nicht sagen, dass es den gesamten Prozess automatisiert. Es beschleunigt nur den Prozess zur Generierung von Modellen und vereinfacht die Standardisierung bei der Entwicklung der Modelle für die Blechmetallindustrie. Daneben reduziert es die Lernkurve des Datenwissenschaftlers in der Welt des Blechschneidens.