Maskininlärning är det underområde inom AI som fått mest uppmärksamhet under senare år. En utmaning med det är att skapa och träna modeller. Det kan kräva en hel del pillande på detaljnivå.

Men om hela poängen med maskininlärning är att automatisera uppgifter som tidigare krävt människor, borde det inte då vara möjligt att använda maskininlärning för att automatisera maskininlärning? Det undrar Infoworld.

Jo, det går. Lösningarna befinner sig i ett tidigt skede, men man pratar redan om ett nytt område som heter AML (automated machine learning). Det går åtminstone att minska mängden arbete som krävs för att bygga en modell och att förbättra de resultat den producerar.

Läs ocksåGoogle har tränat en AI till att stoppa Android-virus – och det funkar

Om utvecklingen inom AML tar fart så kommer maskininlärning att bli tillgängligt för fler användare, som inte behöver ha specialkunskaper.

Här är tre projekt inom AML:

Auto-sklearn

Auto-sklearn är ett tillägg till Scikit-learn, ett populärt paket med funktioner för maskininlärning. Syftet med Auto-sklearn är att underlätta att välja rätt utformning av en modell. Det är en funktion som försöker välja den bästa algoritmen, givet en uppsättning hyperparametrar (inställningar som styr hur en modell skapas utifrån en algoritm).

Det krävs en del manuella inställningar för att använda Auto-sklearn, men det är enklare än att göra allt jobb själv.

Prodigy

En arbetskrävande fas av arbetet med att skapa modeller för maskininlärning är att skapa metadata för att beskriva data som används. Det arbetet kan förenklas med ett verktyg som heter Prodigy. Det inbegriper Pythonmoduler för att träna och testa modeller, samt för att undersöka datamängder som beskrivits. Färdiga modeller kan sparas som Pythonpaket.

Läs också: Microsoft släpper programmeringsspråk för kvantdatorer

AutoML

Bland interna projekt som Google berättat om på senare tid märks AutoML. Det syftar till att automatisera utformningen av modeller för djupinlärning, genom automatisk testning av tusentals möjliga lösningar. Resultatet av en körning kan användas som indata till en ny körning. Efter ett antal körningar kan modellen avgöra vilken konstruktion som ger bäst resultat.