AutoML حتى الآن وما بعدها: التحديات والفرص

مع تزايد انتشار البيانات الضخمة عبر المجالات، وسعي المزيد من المعنيين للاستفادة القصوى من بياناتهم، ازداد الطلب على أدوات التعلم الآلي مما حفز الباحثين لاستكشاف إمكانيات التعلم الآلي التلقائي (AutoML). تهدف أدوات AutoML إلى جعل التعلم الآلي متاحًا لغير الخبراء في التعلم الآلي (خبراء المجال)، لتحسين كفاءة التعلم الآلي، وتسريع أبحاث التعلم الآلي. ولكن بالرغم من أن الأتمتة والكفاءة من أبرز نقاط بيع AutoML، إلا أن العملية لا تزال تتطلب تفاعل الإنسان في عدد من الخطوات الحيوية، بما في ذلك فهم خصائص البيانات الخاصة بالمجال، تعريف مشكلات التنبؤ، إنشاء مجموعة بيانات تدريب مناسبة، واختيار تقنية تعلم آلي واعدة. غالبًا ما تتطلب هذه الخطوات تبادل طويل الأمد مما يجعل هذه العملية غير فعالة لكل من خبراء المجال وعلماء البيانات، ويمنع ما يسمى بأنظمة AutoML من أن تكون تلقائية حقًا. في هذه المقالة، نقدم نظام تصنيف جديد لأنظمة AutoML، باستخدام مخطط من سبع مستويات لتمييز هذه الأنظمة بناءً على مستوى استقلاليتها. نبدأ بوصف كيف يبدو خط أنابيب التعلم الآلي من النهاية إلى النهاية، وما هي المهام الفرعية التي تم أتمتتها حتى الآن. نبرز تلك المهام الفرعية التي لا تزال تتم يدويًا — عادةً بواسطة عالم بيانات — ونشرح كيف يحد ذلك من وصول خبراء المجال إلى التعلم الآلي. بعد ذلك، نقدم تصنيفنا القائم على المستوى لأنظمة AutoML ونحدد كل مستوى وفقًا لنطاق الدعم الآلي المقدم. أخيرًا، نضع خارطة طريق للمستقبل، ونحدد الأبحاث المطلوبة لمزيد من أتمتة خط أنابيب التعلم الآلي من النهاية إلى النهاية، ونناقش التحديات المهمة التي تعترض سبيل هذا الهدف الطموح.