AutoMLを学ぶ (Japanese Edition)

第2章 AutoMLの台頭と現状

この作品はAIを使って翻訳されている。ご意見、ご感想をお待ちしている：[e-mail]

第1章でで見たように、自動機械学習は人工知能の分野における重要なパラダイムシフトを表している。本章では、初期の学術的な実験から今日のエンタープライズ対応プラットフォームに至るまで、3つの異なる世代にわたるAutoMLの開発を辿り、この分野を形作ってきた根本的な技術的要因、画期的なイノベーション、そして影響力のあるプラットフォームを検証する。

AutoMLの 主な目的は、機械学習モデルの開発とデプロイを加速させ、データサイエンスの専門知識が深くなくても、その分野の専門家を含むより幅広いユーザーが、これらの強力な技術をより効率的かつ容易に利用できるようにすることだ。この自動化により、従来の機械学習ワークフローに特徴的な、固有の複雑さと、時間および専門知識の両面における多大なリソース要件が解消される。

AutoML技術の進化は、それぞれが著しい技術的進歩と変化する業界のニーズへの対応を特徴とする、明確な段階を経て展開されてきた。この進化を理解することで、実務家はAutoMLシステムの現在の能力と限界をより深く把握しつつ、急速に進歩するこのドメインにおける将来の開発を予測することができる。AIというより広いコンテキストにおけるこの進化の視覚的表現を図2-1に示す。

図2-1. AIの進化の歴史

初期の自動化（2010年以前）：基礎の構築

2010年以前の の時代は、機械学習（ML）における自動化の黎明期であり、広範なMLワークフロー内の特定かつ孤立した課題に対処するために設計されたツールやアルゴリズムの開発が特徴だった。この時代は統合的な解決策を提供するのではなく、データサイエンティストが日常的に直面する、個別の、しばしば時間のかかるタスクに対して、アルゴリズムによる効率性を高めることに重点が置かれていた。

特徴量選択

の主な焦点は特徴量選択にあった。特にバイオインフォマティクスや経理などの分野においてデータセットの次元数が増加するにつれ、モデルの性能と解釈性を向上させるためには、入力変数の数を減らすメソッドが不可欠となった。 フォワード選択、バックワード除去、LASSO（Least Absolute Shrinkage and Selection Operator）といったテクニックが普及し、実務家が 最も関連性の高い特徴量を特定し、「次元の呪い」を緩和するのに役立った。 次元削減の初期の取り組みには、主成分分析（PCA）などのテクニックも含まれており、これは現代の機械学習パイプラインにおいて依然として基本的な前処理ステップとなっている。

ハイパーパラメータ検索

初期の自動化におけるもう一つの な分野は、ハイパーパラメータ探索であった。機械学習モデルのパラメータ（データから学習されるものではないため「ハイパーパラメータ」と呼ばれる）の最適構成を発見することは、当時も今も重要なステップである。指定されたパラメータ値のすべての組み合わせを網羅的に試すグリッド検索（）や、定義されたスペースからランダムに組み合わせをサンプリングするランダム検索（ ）といった 基本的なメソッドは、