Articolo di Luis Galo, AI Manager di Lantek
Lo sviluppo di modelli tradizionali di Machine Learning (ML) è ad alta intensità di risorse e richiede molte conoscenze e tempo per generare e confrontare decine di modelli. L’apprendimento automatico delle macchine riduce il tempo necessario per ottenere modelli di apprendimento pronti per la produzione con grande efficienza e facilità.
Il flusso di processi standard nella scienza dei dati (pipeline) consiste nella pre-elaborazione dei dati, nell’estrazione di parametri rappresentativi del business da modellare e nell’ottimizzazione degli iperparametri degli algoritmi e deve essere eseguito manualmente da esperti di data science. In confronto, l’adozione di AutoML permetterebbe un processo di sviluppo più semplice in cui poche righe di codice possono generare il codice necessario per iniziare a sviluppare un modello di apprendimento automatico.
Per i team di data science che lavorano con Python, come nel caso di Lantek, ci sono molte librerie open source liberamente disponibili come Lale di IBM, che offre una libreria semi-automatica che si integra perfettamente nelle pipeline di scikit-learn, auto-sklearn o altre come TPOT o nni di Microsoft (tutte opensource).
Si può pensare ad AutoML come un concetto di modellazione out-of-the-box, con algoritmi di ricerca specializzati per trovare le soluzioni ottimali per ogni pezzo del flusso di processo della data science. AutoML promette un futuro in cui l’apprendimento automatico democratizzato è una realtà.
Così AutoML può sembrare una panacea nell’applicazione dell’ML che un’organizzazione può utilizzare per sostituire gli scienziati dei dati, ma in realtà il suo utilizzo richiede strategie intelligenti su misura per i diversi processi coinvolti nella produzione di parti in lamiera mediante taglio della lamiera. Quindi, come possono le aziende fare uso di AutoML per ottimizzare il loro uso del tempo e ridurre il tempo necessario per ottenere valore dai loro modelli?
Il flusso di lavoro ottimale per includere AutoML, anche per la sheetmetal, è quello di parallelizzare i carichi di lavoro attraverso diversi algoritmi specifici e ridurre il tempo speso per i compiti intensivi. Invece di passare giorni a sintonizzare gli iperparametri e a selezionare i parametri più appropriati per lo scopo previsto, un esperto di dati potrebbe automatizzare questo processo su diversi tipi di modelli contemporaneamente e poi testare quale sia il più appropriato.
A questo scopo, vengono aggiunti ad AutoML degli algoritmi adattati in cui vengono valorizzati i parametri relativi, nel caso della sheetmetal, alla generazione di scarti, al tempo di taglio, al tempo di consegna, ai parametri di taglio, alle tecnologie di taglio, al prezzo del materiale e ad altri parametri di ingegneria che forniscono una conoscenza specifica del mondo del taglio della lamiera negli algoritmi ML
Così, un analista di dati senza esperienza nel settore potrebbe sfruttare questo strumento AutoML su misura per preparare un modello predittivo utilizzando i dati che lui o lei può estrarre da solo dal datalake attraverso una query. Con AutoML, un analista di dati può rielaborare i dati, creare una pipeline di apprendimento automatico e produrre un modello completamente elaborato che può essere utilizzato per convalidare le proprie ipotesi senza richiedere l’attenzione di un team completo di data science e di esperti del settore. Tutte le conoscenze necessarie per il taglio delle lamiere sarebbero negli algoritmi adattati da Lantek.
Questo per quanto riguarda la teoria, ma qual è la realtà dell’applicazione di AutoML in un vero caso Lantek? Nel nostro caso AutoML fornisce ciò che chiamiamo la baseline da cui partire per sviluppare nuovi modelli. Le capacità attuali di AutoML automatizzano solo una piccola parte dei carichi di lavoro dei data scientist e degli ingegneri di ML. Il team di data science può accorciare i tempi di sviluppo con le sue capacità predittive iniziando con un set di prototipi per i modelli di apprendimento, semplificando l’ingegneria automatica delle caratteristiche, con l’ottimizzazione automatizzata degli iperparametri e la selezione del modello di apprendimento automatico.
Il team di scienziati e analisti di dati può valutare le loro ipotesi, e certificare la validità dei loro modelli più rapidamente, ma non si può dire che automatizzi l’intero processo, per ora, accelera solo il processo di generazione dei modelli e facilita la standardizzazione nello sviluppo di modelli per la sheetmetal, riducendo la curva di apprendimento dello scienziato di dati nel mondo del taglio della lamiera.
