AutoML bezeichnet Werkzeuge, die die handwerklichen Schritte eines Machine-Learning-Projekts selbst übernehmen: Verfahren auswählen, Merkmale aufbereiten, Einstellungen durchprobieren und das beste Ergebnis zurückgeben. Der Mensch liefert Daten und Zielgröße.
- AutoML
Werkzeuge, die Modellwahl, Merkmalsaufbereitung und Einstellungen eines Machine-Learning-Modells selbst übernehmen.
Beispiel: „AutoML lieferte in zwanzig Minuten ein Modell, das besser war als das von Hand gebaute der Vorwoche.“Was es durchprobiert: mehrere Verfahren, Kombinationen von Merkmalen und die Hyperparameter dazu. Am Ende steht eine Rangliste mit Bewertungen.
Angeboten wird es als Bibliothek und als Dienst bei den großen Anbietern. Für tabellarische Daten ist es seit Jahren brauchbar, für Bilder und Text weniger.
Wofür es taugt
Für den Ausgangswert. Bevor jemand Tage in ein eigenes Modell steckt, zeigt ein solcher Lauf in zwanzig Minuten, was mit diesen Daten überhaupt erreichbar ist. Liegt das Ergebnis weit unter dem Nötigen, ist die Antwort nicht ein besseres Modell, sondern bessere Daten, und diese Erkenntnis ist viel Zeit wert.
Wo es gefährlich wird
Wenn das Ergebnis ohne Prüfung übernommen wird. Die Werkzeuge melden die Güte an dem Maßstab, den sie selbst bilden, und ein Leck in den Daten fällt ihnen nicht auf: Sie finden es und freuen sich darüber, siehe Data Leakage. Wer die Spalten nicht selbst durchgesehen hat, bekommt ein Modell mit beeindruckenden Zahlen und ohne Nutzen.
Was es nicht ersetzt
Die Fragestellung und das Fachwissen. Welche Zielgröße die richtige ist, welche Merkmale zum Entscheidungszeitpunkt vorliegen, welche Fehlerart teurer ist: Das entscheidet niemand automatisch. Diese Entscheidungen bestimmen das Ergebnis stärker als die Wahl des Verfahrens.
Wie wir es einsetzen
Als zweite Meinung. Ein eigener Entwurf und ein automatischer Lauf nebeneinander, am selben Datenschnitt gemessen: Liegt der automatische Lauf deutlich besser, steckt im eigenen Entwurf ein Fehler. Liegt er gleichauf, ist der eigene Entwurf vorzuziehen, weil er erklärbar ist.
Was von den Ergebnissen bleibt
Ein Modell, das niemand erklären kann, und eine Rangliste. Für ein Gespräch mit Fachabteilung oder Kunde ist beides schwach; gebraucht wird die Angabe, welche Merkmale wie stark wirken. Die gängigen Werkzeuge liefern das auf Nachfrage mit, und genau diese Ausgabe ist der Teil, der später gebraucht wird.