Искусственный интеллект (ИИ), глубокое обучение и машинное обучение (Machine Learning, ML) вызывают повышенный интерес ИТ-профессионалов. эти технологии сулят предприятиям выгоды в виде оптимизации текущих бизнес-процессов, экономию средств и ускорение производственных циклов, однако на пути к проникновению этих технологий на предприятия имеется серьезное препятствие — нехватка квалифицированного персонала. Как пишет на портале InformationAge ведущий архитектор по аналитике данных Big Data-провайдера Dataiku Кен Сенфорд, возможным решением проблемы являются автоматизированные методы ML с минимальным участием человека — расширенные или вспомогательные.

Нехватка навыков в области ИИ

Зарплата ИИ-инженеров стремительно растет (их средний годовой оклад составляет 314 тыс. долл.), потому что на рынке ощущается их катастрофическая нехватка. По данным Element AI, во всем мире насчитывается только 22 тыс. квалифицированных специалистов, способных создавать системы ИИ и только 3 тыс. из них рассматривают возможность смены работодателя, тогда как в одних только США есть 10 тыс. свободных вакансий для экспертов по ИИ. Очевидно, что такого количества ученых явно недостаточно для покрытия нужд индустрии и потребностей предприятий. Одна из причин — учебные заведения и университеты не успевают подготовить достаточное количество выпускников с необходимыми навыками.

Нужно заметить, что нехватку специалистов усугубляет то, что на рынок ИИ замыкается возрастающее количество компаний, секторов и рынков — все они нуждаются в технологиях роботизации процессов. Дисбаланс между спросом и предложением не может продолжаться вечно, что подчеркивает необходимость в появлении альтернативного подхода. Это связано с тем, что, как правило, существующие команды инженеров — небольшие, комплектуются малоквалифицированными разработчиками, которые часто допускают ошибки, неправильно применяют модели к новым данным или же упускают из виду другие детали, что может нанести значительный ущерб разрабатываемым системам.

Что из себя представляет AutoML

Автоматизированное машинное обучение имеет несколько названий, в т. ч. AutoML, Augmented ML и Assisted ML. Его основное предназначение — помогать разработчикам и предприятиям решать сложные задачи без использования полноценных систем ИИ. Концепция AutoML состоит из двух фундаментальных понятий: сбора данных и прогнозирования. Данные необходимы для любой системы ИИ или ML, их качество и количество определяет общую надежность, эффективность и удобство использования системы независимо от ее назначения.

По умолчанию AutoML рассчитана на обработку большого объема данных физических лиц или предприятий, а также позволяет им идентифицировать метки, выбирать разделы кода или соответствующие методологии. На этом все подготовительные операции заканчиваются и затем можно приступать к созданию натренированной и оптимизированной модели, на базе которой будет вестись прогнозирование. Таким образом, начиная со сбора данных все шаги по обучению модели и заканчивая прогнозированием, обрабатываются средствами AutoML. Такой подход значительно отличается от работы традиционных ML-систем, позволяя сосредоточиться на решении бизнес-проблем. Многие платформы ML совместимы с Android и iOS, поэтому модели могут быть плавно и быстро интегрированы с мобильными приложениями.

Как AutoML поможет восполнить пробел в навыках

Ценность AutoML заключается в том, что эта технология наделяет небольшие компании мощными средствами аналитики и прогнозирования. Это снимает необходимость в найме десятков специалистов для глубокого обучения. Кроме того, специализированность AutoML резко снижает вероятность ошибочных вычислений. AutoML-системы устроены таким образом, чтобы максимально упростить процесс создания и применения алгоритмов, это же касается общего управления, что сводит количество ошибочных действий к минимуму .

Порог вхождения в AutoML значительно ниже, чем в ИИ. Благодаря упрощенным пользовательским интерфейсам такие системы позволяют разработчикам быстро создавать полезные технологии, они также открывают ИИ-возможности большему количеству персонала. Еще один плюс AutoML — они не страдают переизбытком функционала.

Продукты категории AutoML

Многие компании уже начали разработку и развертывание инструментов AutoML. К примеру, Microsoft Azure ML — это облачный сервис, который позволяет пользователям загружать свои данные, применять простой интерфейс для разработки кода и тем самым создавать нейронные сети для анализа набора данных. Примечательно, что программа может работать на любом устройстве, требует от пользователя минимума знаний о данных или кодировании. Сервис включает в себя инструменты Machine Learning Studio и Machine Learning API Service, которые позволяют создавать модели, определяющие вероятность того или иного события, используя данные, хранящиеся в SQL Server и других платформах, включая Microsoft Azure HDInsight (реализация Hadoop).

Аналогичная служба Google Cloud AutoML помогает разработчикам создавать и обучать модели глубокого обучения, хотя в сервисе Google можно найти некоторые готовые модели. Cloud AutoML обладает графическим интерфейсом, который позволяет пользователям обучать модели распознавания изображений и объектов, а также предлагает доступ к обработке естественного языка. Google уже выпустила несколько открытых систем для создания и обучения нейросетей: TensorFlow и движок Google Cloud Machine Learning. Правда, все эти проекты, в отличие от Cloud AutoML, предназначены для опытных разработчиков.

Amazon SageMaker фокусируется на простоте использования, обеспечивая ускоренную разработку обучающих моделей и развертывание на облачной платформе AWS. Сервис также включает готовые алгоритмы, а также интегрированную командную оболочку Jupyter. SageMaker позволяет пользоваться как общими контролируемыми и неконтролируемыми алгоритмами и фреймворками обучения, так и создавать собственные с помощью контейнеров Docker. Обучение может расширяться на десятки экземпляров для поддержки ускоренного построения моделей.

Эти и другие продукты AutoML позволяют компаниям обходиться небольшим количеством разработчиков без привлечения десятков экспертов по данным или опытных специалистов по ИИ, но при этом загружать коллекции фотографий, проводить обучение и управлять моделями, а также разворачивать их в облаке. Учитывая сохраняющуюся нехватку экспертов и постоянно растущие темпы развития и внедрения ИИ, AutoML — это интеллектуальное решение с большим потенциалом роста.