2. Google Cloud AutoML

Basierend auf den Forschungsresultaten des Google Research Labs bietet Google Cloud AutoML spezialisierte Lösungen für verschiedene Bereiche wie beispielsweise Natural Language Processing (NLP), Computer Vision und Tables an. Die Produkte basieren auf Transfer Learnings und Neural Architecture Search als Technologien. Die Modellentwicklung und Modellselektion sind proprietäre Tools von Google, deren Funktionsweise nicht offengelegt wird. Das NLP Produkt kann benutzerdefinierte Modelle für vier verschiedene Aufgaben trainieren:

Die Klassifizierung von Dokumenten mit einem einzigen Label
Die Klassifizierung von Dokumenten mit mehreren Labels
Die Entitätsextraktion erkennt Entitäten in Dokumenten
Die Sentiment Analyse ermittelt die subjektiven Empfindungen in Dokumenten

Das Trainieren von Modellen kann mehrere Stunden dauern, abhängig von der Dateigrösse. Nachdem es erfolgreich trainiert wurde, können diverse Metriken des Modells geprüft werden, beispielsweise wie die Genauigkeit und die Trefferquote ausgefallen sind.

AutoML Vision vereinfacht den ganzen ML-Prozess für den User. Dazu müssen lediglich die Bilder mit den entsprechenden Labels zur Verfügung gestellt werden. Wenn das Modell fertig trainiert ist, erhält man einen Überblick zur Performanz des Modells. Dieser zeigt anhand von verschieden Ergebnissen (Precision, Recall, Confusion Matrix, etc.), wie gut das gewählte Modell ist. Die Evaluierung wird als Diagramm dargestellt.

Google Tables kann bei strukturierten Daten angewandt werden. Vor dem Training werden in AutoML-Tables die folgenden Feature-Engineering-Aufgaben ausgeführt:

Numerische Features normalisieren und kategorisieren
One-Hot-Kodierungen und Einbettungen für kategoriale Features erstellen
Textfeatures grundlegend verarbeiten
Datum und zeitbezogene Features aus Zeitstempelspalten extrahieren

Das Training in AutoML wird gleichzeitig für unterschiedliche Modellarchitekturen durchgeführt. Dieser Ansatz ermöglicht einem, die passende Modellarchitektur innert Kürze herauszufinden. Die folgenden Modellarchitekturen werden unterstützt:

Linear
Neuronales Deep-Learning-Feed-Forward-Netzwerk
Gradient Boosted-Entscheidungsbaum
AdaNet
Gruppen unterschiedlicher Modellarchitekturen