Automated Machine Learning (AutoML)

Definisi Automated Machine Learning (AutoML)

Profesor Frank Hutter dari University of Freiburg, seorang pakar di bidang machine learning dan optimasi, menggambarkan AutoML sebagai “proses otomatisasi pipeline machine learning, yang mencakup pre-processing data, seleksi fitur, pemilihan model, optimasi hyperparameter, dan evaluasi model.”

Di sisi lain, Dr. Fei-Fei Li, profesor di Stanford University dan co-director of Human-Centered AI Institute, mendefinisikan AutoML sebagai “pendekatan yang dirancang untuk membuat algoritma machine learning lebih mudah diakses dan dapat digunakan oleh non-ekspert, serta meningkatkan efisiensi ekspert, dengan otomatisasi sebanyak mungkin dari proses pembelajaran mesin.”

Pengertian AutoML

AutoML merujuk pada proses otomatisasi berbagai aspek dari pembelajaran mesin. Teknologi ini mengotomatiskan proses-proses penting dalam machine learning seperti pra-pemrosesan data, pemilihan fitur, pemilihan model, tuning parameter (atau hyperparameter), hingga evaluasi dan interpretasi model.

Penting diingat bahwa AutoML tidak dimaksudkan untuk menggantikan data scientist, tetapi sebaliknya, tujuannya adalah untuk membantu mereka bekerja lebih efisien dengan membebaskan mereka dari tugas-tugas yang rutin dan memungkinkan mereka untuk fokus pada masalah yang lebih kompleks.

Tujuan dan Fungsi AutoML

AutoML memiliki sejumlah tujuan dan fungsi utama. Yang pertama adalah untuk membuat machine learning lebih mudah diakses dan dapat digunakan oleh individu yang mungkin tidak memiliki pengetahuan mendalam tentang statistik atau ilmu data. Ini membantu mendorong demokratisasi akses ke teknologi ini.

Fungsi lain dari AutoML adalah untuk meningkatkan efisiensi dan produktivitas ilmuwan data dan profesional lainnya yang bekerja dalam bidang ini. Dengan mengotomasi tugas-tugas yang biasanya memerlukan banyak waktu dan upaya, mereka dapat fokus pada masalah yang lebih kompleks dan menantang.

Cara Kerja AutoML

Proses kerja AutoML dimulai dengan pengguna memberikan dataset. Setelah dataset diberikan, AutoML secara otomatis melakukan proses pra-pemrosesan data, seperti penanganan missing values dan normalisasi data.

Selanjutnya, AutoML secara otomatis melakukan pemilihan fitur (feature selection) dan pemilihan model. AutoML dapat mencoba berbagai kombinasi model dan fitur dan memilih yang terbaik berdasarkan metrik tertentu.

Setelah model dipilih, AutoML kemudian melakukan tuning hyperparameter secara otomatis. Hyperparameter adalah parameter yang menentukan struktur model dan bagaimana model tersebut harus belajar.

Akhirnya, setelah model dilatih dan dioptimalkan, AutoML menyediakan evaluasi dari model tersebut, memungkinkan pengguna untuk memahami kualitas dan keandalan model yang dihasilkan.

5 Tools AutoML Terpopuler

Berikut ini lima tools AutoML yang paling populer di kalangan praktisi dan peneliti:

1. Google Cloud AutoML: Layanan ini memungkinkan pengguna untuk melatih model kustom dengan minimal pengkodean. Layanan ini memberikan antarmuka yang mudah digunakan dan fitur seperti pelatihan otomatis, evaluasi model, dan prediksi.
2. DataRobot: Ini adalah platform AutoML yang lengkap dan dapat digunakan untuk berbagai aplikasi machine learning. DataRobot menawarkan fitur seperti eksplorasi data otomatis, pemilihan model otomatis, dan peningkatan model.
3. H2O.ai: H2O.ai menawarkan suite AutoML yang kuat dan fleksibel yang mencakup berbagai teknik, seperti regresi, klasifikasi, dan lebih banyak lagi. H2O.ai juga memiliki komunitas pengguna yang aktif dan besar.
4. Microsoft Azure AutoML: Azure AutoML adalah bagian dari suite Azure Machine Learning yang lebih besar dan menawarkan antarmuka pengguna yang intuitif dan pemilihan model otomatis.
5. Auto-Sklearn: Ini adalah perpustakaan Python yang menerapkan pendekatan AutoML untuk perpustakaan machine learning populer, scikit-learn. Auto-Sklearn sangat bagus untuk para pengguna yang sudah familiar dengan Python dan scikit-learn, tetapi ingin memanfaatkan kekuatan AutoML.

Sejarah dan Perkembangan AutoML

Sejarah AutoML bermula dari reaksi terhadap kompleksitas dan intensitas sumber daya dari proses pembelajaran mesin. Di tahun 2010-an, peneliti mulai mencari cara untuk mengotomatiskan proses ini. Di tahun 2015, platform AutoML pertama, DataRobot, diluncurkan, yang diikuti oleh peluncuran Google Cloud AutoML pada tahun 2017.

Pada tahun 2018, University of Freiburg dan University of Basel merilis Auto-Sklearn, sebuah perpustakaan open-source untuk AutoML. Pada saat yang sama, Microsoft juga merilis Azure AutoML.

Sejak saat itu, AutoML telah berkembang dengan cepat, dengan peningkatan dalam teknologi dan adopsi yang lebih luas di berbagai sektor. Dengan demikian, AutoML berkontribusi signifikan dalam membentuk landskap machine learning dan ilmu data saat ini.