AutoML lernen (German Edition)

Epilog: Die stille AutoML-Revolution

Wenn du es bis hierher geschafft hast, hast du etwas Bedeutendes geleistet. Du hast die Techniken gemeistert, die das moderne automatisierte maschinelle Lernen antreiben: Hyperparameter-Optimierung, Neural Architecture Search und automatisiertes Feature Engineering. Du hast Pipelines für tabellarische Daten, Text, Bilder und Zeitreihen erstellt. Du hast Modelle mit MLflow, Kubeflow und Airflow in der Produktion bereitgestellt. Du hast gesehen, wie AutoML branchenübergreifend funktioniert – von der Betrugserkennung über die Nachfrageprognose bis hin zur Vorhersage von Wiederaufnahmen.

Du verfügst nun über Fähigkeiten, für deren Erwerb vor einem Jahrzehnt noch jahrelange Spezialausbildung erforderlich gewesen wäre.

Und ich werde dir gleich sagen, dass sich das AutoML, das du gerade gelernt hast, bereits in etwas völlig anderes verwandelt.

Keine Panik. Das ist kein Lockvogelangebot. Alles in diesem Buch bleibt wertvoll – sogar wertvoller, als es vor fünf Jahren gewesen wäre. Aber der Kontext, in dem diese Fähigkeiten zum Einsatz kommen, verändert sich rasant, und ich würde dir einen schlechten Dienst erweisen, wenn ich dich in die Welt schicken würde, ohne dich auf das vorzubereiten, was kommt.

Bei der Zukunft von AutoML geht es nicht um eine bessere Hyperparameter-Optimierung. Es geht um Systeme, die erkennen können, warum ein Modell fehlgeschlagen ist, welche Daten es benötigt und wie es sich selbst reparieren kann. Wir bewegen uns von der Automatisierung ...