¿Qué es el AutoML? Guía del aprendizaje automático automatizado

A continuación, mostramos cinco formas en que el AutoML está cambiando las reglas de creación de modelos:

• Democratiza el desarrollo. El AutoML elimina las barreras técnicas, por lo que los expertos de un amplio abanico de campos pueden crear modelos sofisticados sin necesidad de contar con experiencia previa en aprendizaje automático.
• Fomenta la productividad. Al automatizar procesos que requieren mucho tiempo, como la ingeniería de características, la selección de algoritmos y el ajuste de parámetros, el AutoML reduce el tiempo necesario para crear modelos.
• Aumenta la precisión. Las plataformas de AutoML prueban sistemáticamente cientos de combinaciones de algoritmos y parámetros, y a menudo descubren modelos más eficaces que los profesionales humanos podrían pasar por alto.
• Mejora la reproducibilidad. Las plataformas de AutoML documentan automáticamente todas las decisiones y parámetros de modelado, lo que crea un registro de auditoría claro que ayuda a reproducir los resultados y saber exactamente cómo se crearon los modelos.
• Refuerza la coherencia. El AutoML garantiza que los métodos de validación, validación cruzada y evaluación se apliquen de forma coherente, lo que reduce los errores humanos que pueden dar lugar a predicciones imprecisas.

Estos son los componentes clave de un flujo de AutoML:
 

Preprocesamiento de datos

En esta etapa, la plataforma limpia y prepara los datos sin procesar ocupándose de los valores que faltan, eliminando los valores atípicos y convirtiendo tipos de datos en formatos adecuados para los algoritmos de aprendizaje automático, lo que garantiza la calidad y coherencia de los datos antes de que comience el entrenamiento de los modelos.
 

Ingeniería de características

A continuación, la plataforma transforma los datos sin procesar mediante la generación de nuevas variables, la codificación de datos categóricos, la escalabilidad de características numéricas y la selección de las características más relevantes para mejorar las predicciones de los modelos.
 

Selección de modelos

El AutoML prueba sistemáticamente varios algoritmos de aprendizaje automático (como árboles de decisiones, redes neuronales o métodos conjuntos, también conocidos como métodos de ensemble) para identificar qué enfoque se adapta mejor al problema y el conjunto de datos concretos. 
 

Entrenamiento

El paso fundamental consiste en proporcionar al modelo grandes cantidades de datos de ejemplo (como miles de correos electrónicos con las etiquetas “spam” o “no spam”) para que pueda aprender a reconocer patrones y relaciones en esos datos. Posteriormente, puede emplear esos patrones aprendidos para hacer predicciones o tomar decisiones sobre datos que no ha visto antes.
 

Modelado conjunto

Este paso implica entrenar diferentes modelos de ML con el mismo conjunto de datos y, a continuación, combinar sus predicciones para llegar a una decisión final. El modelado conjunto suele producir resultados más precisos y sólidos que cualquier modelo individual al reducir el impacto de las debilidades y sesgos de un modelo en particular.
 

Ajuste de hiperparámetros

Al ajustar automáticamente la configuración que controla cómo aprende cada algoritmo (como las tasas de aprendizaje, la profundidad de los árboles o los parámetros de regularización), el AutoML permite a los usuarios identificar la mejor combinación de parámetros.
 

Evaluación y validación

Las organizaciones necesitan un modelo que funcione con datos nuevos que no haya visto antes. Los procedimientos de prueba, como la validación cruzada, recopilan métricas como la exactitud, la precisión y la sensibilidad (recall), al tiempo que comprueban el sobreajuste (si un modelo presenta un rendimiento deficiente en los datos fuera de su conjunto de entrenamiento) o los sesgos.
 

Implementación y supervisión 

El AutoML identificará automáticamente el modelo con el mejor rendimiento para su uso en producción y configurará sistemas que lleven un seguimiento del rendimiento a lo largo del tiempo. De ese modo se puede garantizar que los modelos sigan funcionando con eficacia a medida que cambian las condiciones reales, a fin de evitar la desviación de los modelos y de activar un nuevo entrenamiento según sea necesario.
 

Explicabilidad de la ingeniería

Cuando sea posible, a los desarrolladores les convendrá poder explicar por qué un modelo hizo una predicción en concreto y evitar modelos de “caja negra” en los que el proceso de decisión es completamente opaco. Las plataformas de AutoML suelen incluir herramientas que documentan todo el proceso de modelado, entre lo que se incluye cómo se preprocesaron los datos y por qué se eligieron ciertos algoritmos.

Dado que prácticamente todos los sectores utilizan modelos de aprendizaje automático, el AutoML puede acelerar las iniciativas de ML de una organización en muchos ámbitos. A continuación, se muestran seis casos de uso comunes en los que el AutoML puede ayudar:
 

1. Previsiones de ventas  

El AutoML ayuda a las empresas a crear modelos para analizar los datos de ventas históricos, los patrones estacionales y las tendencias del mercado. Las empresas pueden ajustar rápidamente el inventario, el personal y los presupuestos en función de estas predicciones automatizadas, sin necesidad de recurrir a un equipo de ciencia de datos. 
 

2. Detección de fraudes 

Los bancos y procesadores de pagos utilizan el ML para identificar posibles transacciones fraudulentas en tiempo real. El AutoML permite a los analistas de fraudes y gestores de riesgos crear modelos con mayor rapidez para seguir el ritmo con el que evolucionan las tácticas de los estafadores. 
 

3. Predicción del abandono 

Los servicios de suscripción y los proveedores de telecomunicaciones utilizan el ML para detectar a los clientes con probabilidades de cancelar su servicio, para así ponerse en contacto con estos y aplicar iniciativas de retención proactivas. La automatización permite a las empresas probar e implementar rápidamente nuevos modelos de abandono de clientes a medida que cambie el comportamiento de los clientes.
 

4. Diagnóstico de enfermedades

El aprendizaje automático ayuda a los proveedores sanitarios a analizar imágenes médicas, resultados de laboratorio y síntomas de pacientes para facilitar los diagnósticos y el tratamiento. A medida que se dispone de nuevos datos de pacientes y surge nueva investigación médica, el AutoML puede actualizar de forma continua los modelos existentes para garantizar que los pacientes reciban la mejor atención posible.
 

5. Optimización del inventario

Los minoristas utilizan modelos para predecir la demanda de productos específicos en diferentes ubicaciones, lo que les ayuda a mantener existencias de los artículos adecuados en el momento oportuno. El AutoML puede ayudar a los negocios de retail a crear modelos para diferentes categorías de productos o ubicaciones de tiendas, y volver a entrenarlos automáticamente a medida que cambian las condiciones del mercado.
 

6. Implementación de precios dinámicos

El AutoML permite a las plataformas de comercio electrónico y a los servicios de transporte compartido implementar modelos de precios dinámicos integrando de manera automática flujos de datos en tiempo real, así como experimentar rápidamente con diferentes estrategias de precios en diversos mercados, productos o áreas de servicio. Las organizaciones pueden maximizar sus ingresos sin necesidad de realizar frecuentes ajustes manuales de precios.

Las plataformas de AutoML presentan ventajas que son útiles para todas las empresas. Pueden acelerar el desarrollo de modelos, reducir los errores humanos, dejar tiempo a los científicos de datos para tareas más estratégicas y democratizar el acceso a la IA en toda la organización. No obstante, también sufren algunas limitaciones inherentes. Por ejemplo:
 

Ofrecen soluciones genéricas

El AutoML tiende a aplicar enfoques estándar que pueden no captar aspectos únicos de problemas especializados, por lo que pueden pasar por alto soluciones personalizadas que los expertos en ese campo desarrollarían para sectores o casos de uso específicos.
 

Tienen un conocimiento limitado de los dominios empresariales

Los sistemas de AutoML carecen de contexto empresarial y conocimientos especializados sobre sectores o ámbitos específicos, por lo que pueden obviar matices importantes que un experto humano sí podría captar, como patrones de negocio estacionales o limitaciones normativas.
 

Dependen de la calidad de los datos 

Las plataformas de AutoML no pueden solucionar los problemas fundamentales de datos de baja calidad. Si los datos introducidos están sesgados, no están completos o son irrelevantes, los sistemas automatizados generarán resultados poco fiables.
 

No son muy flexibles 

Los usuarios avanzados pueden llegar a callejones sin salida al tratar de implementar técnicas especializadas, algoritmos personalizados o pasos de preprocesamiento complejos que no encajen en las capacidades automatizadas de la plataforma.
 

Las herramientas de ingeniería de características pueden ser limitadas 

Aunque las plataformas de AutoML se encargan de la ingeniería de características básica, es posible que no creen características sofisticadas de dominios específicos que podrían mejorar significativamente el rendimiento del modelo.
 

Podrían tener un problema de caja negra

Aunque una plataforma de AutoML pueda justificar cómo hace predicciones un modelo de ML sencillo, los modelos conjuntos complejos pueden ser mucho más difíciles de interpretar o explicar. Por eso no son adecuados para aplicaciones que requieren altos niveles de transparencia, como diagnósticos sanitarios o aprobaciones de préstamos.
 

Pueden ser costosos y presentar dificultades en la migración 

Muchas plataformas de AutoML son costosas y generan dependencias en sistemas propios, lo que dificulta el traslado de modelos a diferentes entornos o su mantenimiento independiente.

Estas limitaciones explican por qué el AutoML funciona mejor como herramienta para mejorar la experiencia humana, en lugar de sustituirla por completo.

El AutoML democratiza el aprendizaje automático al permitir a expertos de todos los sectores crear sofisticados modelos predictivos sin conocimientos técnicos, reducir meses de desarrollo a tan solo días y acelerar drásticamente la adopción de la IA empresarial.

Las plataformas de AutoML pueden probar sistemáticamente cientos de combinaciones de algoritmos para identificar los que generan resultados más fiables. Las plataformas también aplican prácticas recomendadas coherentes para la validación y evaluación, lo que reduce los errores humanos que pueden comprometer el rendimiento del modelo.

Sin embargo, los equipos también deben tener en cuenta las limitaciones del AutoML, como la falta de contexto de áreas especializadas, posibles problemas de interpretabilidad y una gran dependencia de la calidad de los datos. 

Cuando el AutoML se implementa prestando la debida atención a la gobernanza de datos, la infraestructura de calidad y la supervisión humana, puede ser una potente herramienta que amplifique los conocimientos humanos y facilite a las organizaciones escalar las iniciativas de IA en toda su empresa.