10 beste AutoML-frameworks voor Python en no-code gebruikers

Automated Machine Learning (AutoML) wordt vaak verkeerd begrepen.

Veel mensen in tech gaan ervan uit dat AutoML-tools alleen bedoeld zijn voor business users of niet-technische teams die niet begrijpen hoe machinelearningmodellen worden getraind of uitgerold. Die aanname klopt niet.

In de praktijk gebruiken data scientists en machine learning engineers regelmatig AutoML-frameworks om experimenteertijd te verkorten, modelprestaties te verbeteren en repetitieve fasen in de machinelearning-levenscyclus te automatiseren. 

Deze AutoML-tools ondersteunen taken zoals feature engineering, modelselectie, hyperparametertuning en end-to-end pijplijnautomatisering, zodat teams zich kunnen richten op werk met meer toegevoegde waarde.

In dit artikel bespreek ik enkele van de beste AutoML-frameworks die vandaag beschikbaar zijn, ontworpen voor gebruikers met verschillende ervaringsniveaus. De tools zijn onderverdeeld in drie duidelijke categorieën:

• Open-sourceframeworks
• No-code- en low-codeplatformen
• Enterprise-grade AutoML-oplossingen

Voor elk framework lichten we de belangrijkste features uit en geven we voorbeeldcode zodat je er meteen mee aan de slag kunt.

Wat zijn AutoML-frameworks?

AutoML verwijst naar tools en systemen die het volledige ontwikkelproces van machinelearningmodellen automatiseren, van ruwe data tot een getraind, inzetbaar model. 

AutoML-frameworks nemen veel van de repetitieve en technische taken bij het bouwen van machinelearningmodellen uit handen, zodat zowel experts als minder technische gebruikers efficiënter kunnen werken.

Diagram van de AutoML-werkstroom

Concreet automatiseren AutoML-frameworks doorgaans de volgende stappen in de machinelearning-werkstroom:

• Datapreprocessing en validatie, inclusief opschonen, normaliseren en formatteren van ruwe data voor training.
• Feature engineering en -selectie, waarbij betekenisvolle inputvariabelen automatisch worden gecreëerd of geselecteerd.
• Algoritmeselectie, waarbij meerdere modeltypen worden getest om de beste fit voor het probleem te vinden.
• Hyperparameteroptimalisatie, het afstellen van modelparameters om prestaties te verbeteren zonder handmatig trial-and-error.
• Modelevaluatie en -ranking, waarbij getrainde modellen op kernmetrics worden vergeleken om de beste performer te identificeren.
• Ondersteuning voor deployment en monitoring in enterpriseplatformen, zodat teams modellen op schaal kunnen operationaliseren.

Door deze taken te automatiseren verminderen AutoML-frameworks handmatig werk, verbeteren ze consistentie en reproduceerbaarheid, en maken ze het voor zowel technische als niet-technische teams mogelijk om sneller hoogwaardige machinelearningmodellen te bouwen. 

Open-source AutoML-frameworks

Open-source AutoML-frameworks bieden flexibele, transparante en ontwikkelaarsvriendelijke tools waarmee je het bouwen van modellen kunt automatiseren en toch volledige controle houdt over data, pijplijnen en deploymentworkflows.

1. TPOT

TPOT is een open-source Python AutoML-framework dat genetische programmering gebruikt om automatisch complete machinelearningpijplijnen te ontdekken en te optimaliseren. 

Het benadert pijplijnontwerp als een evolutionair zoekprobleem en verkent combinaties van preprocessingstappen, modellen en hyperparameters om hoogpresterende oplossingen te vinden. 

TPOT is vooral effectief voor tabeldata-taken waar snelle experimentatie en sterke baselines nodig zijn, terwijl je de resulterende pijplijnen nog steeds kunt inspecteren, exporteren en hergebruiken binnen standaard scikit-learn-workflows.

Belangrijkste features:

1. Optimalisatie met genetische programmering: TPOT gebruikt evolutionaire algoritmen om een grote zoekruimte van machinelearningpijplijnen te verkennen en deze gaandeweg te verbeteren.
2. Geautomatiseerde pijplijnconstructie: Het combineert automatisch preprocessingstappen, methoden voor featureselectie, modellen en hyperparameters tot end-to-end pijplijnen.
3. Compatibel met scikit-learn: TPOT maakt gebruik van scikit-learn-componenten, waardoor de resulterende pijplijnen eenvoudig te begrijpen, uit te breiden en te deployen zijn.
4. Aanpasbare zoekruimte: Gebruikers kunnen bepalen welke algoritmen, transformaties en parameters TPOT mag verkennen.
5. Exporteerbare Python-code: De best presterende pijplijn kan worden geëxporteerd als nette Python-code voor verdere inspectie of productiegebruik.

Codevoorbeeld:

Dit voorbeeld laat de minimale setup zien die nodig is om TPOT te gebruiken. De features en labels van de dataset worden geladen, een TPOTClassifier wordt met standaardinstellingen geïnitialiseerd en de fit-methode start het geautomatiseerde zoekproces. 

Tijdens de training evalueert TPOT meerdere kandidaatpijplijnen met genetische programmering en kiest het een hoogpresterend model op basis van de opgegeven evaluatiemetric.

import tpot
X, y = load_my_data()
est = tpot.TPOTClassifier()
est.fit(X, y)

2. AutoGluon

AutoGluon is een open-source Python AutoML-framework ontwikkeld door AWS AI dat machinelearningtaken automatiseert met focus op hoge nauwkeurigheid, minimale code en ondersteuning voor tabellen, tekst en afbeeldingen. 

Het bouwt een diverse set modellen en gebruikt geautomatiseerde modelselectie, hyperparametertuning en ensemble learning om sterke voorspellingen te leveren over verschillende datatypes heen.

Belangrijkste features:

• Multimodale ondersteuning: AutoGluon werkt met tabeldata, tekst, afbeeldingen en meer, waardoor uiteenlopende use-cases mogelijk zijn in één library.
• Geautomatiseerde stacking en ensembles: Het combineert meerdere modellen via stack ensembling om de nauwkeurigheid voorbij individuele modellen te tillen.
• Hyperparametertuning: AutoGluon optimaliseert automatisch modelhyperparameters voor betere prestaties.
• Gebruiksgemak: De high-level API laat gebruikers krachtige modellen trainen met slechts een paar regels code.
• Robuuste preprocessing: Het handelt datapreprocessing automatisch af en herkent verschillende featuretypes om data klaar te maken voor training.

Codevoorbeeld:

Deze code laadt de train- en testdatasets als AutoGluon-tabellendatasets. Vervolgens wordt een TabularPredictor-object aangemaakt met het doellabel en wordt fit aangeroepen om AutoGluon te trainen op de tabeldata. Na training worden met het getrainde model voorspellingen gegenereerd op de testset.

from autogluon.tabular import TabularDataset, TabularPredictor

label = "signature"
train_data = TabularDataset("train.csv")

predictor = TabularPredictor(label=label).fit(train_data)

test_data = TabularDataset("test.csv")
predictions = predictor.predict(test_data.drop(columns=[label]))

3. FLAML

FLAML (Fast Lightweight AutoML) is een open-source Python AutoML-bibliotheek ontwikkeld door Microsoft Research, ontworpen om automatisch en efficiënt hoogwaardige machinelearningmodellen te vinden met minimale rekentijd en middelen, ideaal in omgevingen waar snelheid en efficiëntie cruciaal zijn.

Belangrijkste features:

• Budgetbewuste optimalisatie: FLAML gebruikt kostenefficiënte zoekstrategieën die eerst goedkopere configuraties prioriteren en daarna complexere verkennen indien nodig, wat sterke prestaties mogelijk maakt met beperkte resources.
• Snelle hyperparametertuning: Het automatiseert hyperparametertuning met focus op snelheid en reken-efficiëntie in plaats van uitputtende zoektochten.
• Ondersteuning voor meerdere taken: FLAML kan courante ML-taken aan zoals classificatie, regressie, tijdreeksvoorspelling en meer met minimale setup.
• Scikit-learn-achtige interface: Het integreert met vertrouwde interfaces zoals de fit- en predict-methoden van scikit-learn, waardoor adoptie eenvoudig is.
• Aanpasbare zoekruimte: Gebruikers kunnen de estimators en zoekruimte aanpassen om te balanceren tussen nauwkeurigheid en resourcebeperkingen.

Codevoorbeeld:

Dit codevoorbeeld laat zien hoe je de AutoML-klasse van FLAML gebruikt voor een geautomatiseerde classificatietaak op de Iris-dataset, met een tijdsbudget en evaluatiemetric vóór training, en daarna het gebruik van het getrainde model om voorspellingskansen op te halen.

from flaml import AutoML
from sklearn.datasets import load_iris

X_train, y_train = load_iris(return_X_y=True)

automl = AutoML()

automl_settings = {
    "time_budget": 1,
    "metric": "accuracy",
    "task": "classification",
    "log_file_name": "iris.log",
}

automl.fit(X_train=X_train, y_train=y_train, **automl_settings)

print(automl.predict_proba(X_train))

4. AutoKeras

AutoKeras is een open-source AutoML-bibliotheek bovenop het Keras deep learning-framework die automatisch hoogwaardige neurale netwerken zoekt en traint voor uiteenlopende taken, waaronder gestructureerde data, afbeeldingen en tekst, met minimale code. 

Het gebruikt efficiënte neural architecture search om passende modelarchitecturen en hyperparameters te vinden, waardoor deep learning toegankelijker wordt voor zowel beginners als ervaren practitioners.

Belangrijkste features:

• Neural architecture search: AutoKeras voert geautomatiseerde architectuurzoektochten uit om optimale neurale netwerkstructuren voor je specifieke taak te identificeren.
• Multimodale ondersteuning: Het ondersteunt gestructureerde tabeldata, beelddata en tekstdata binnen één raamwerk.
• Gebruiksgemak: High-level API’s zoals StructuredDataClassifier maken het eenvoudig om complexe deep-learningmodellen te trainen met een paar regels code.
• Flexibel modelbouwen: Gebruikers kunnen zoekbeperkingen aanpassen en de zoekruimte uitbreiden voor geavanceerde use-cases.
• Integratie met Keras en TensorFlow: Omdat AutoKeras is gebouwd op Keras en TensorFlow, integreert het naadloos met deze veelgebruikte deep-learningecosystemen.

Codevoorbeeld:

Dit codevoorbeeld importeert de benodigde libraries en laadt train- en testdatasets van de opgegeven URL’s. Het splitst features en labels, maakt vervolgens een ak.StructuredDataClassifier-object aan dat automatisch naar een sterk deep-learningmodel zoekt. Het model wordt getraind voor een vastgesteld aantal trials en epochs, en het uiteindelijke evaluatieresultaat op de testset wordt geprint.

import keras
import pandas as pd
import autokeras as ak

TRAIN_DATA_URL = "https://storage.googleapis.com/tf-datasets/titanic/train.csv"
TEST_DATA_URL = "https://storage.googleapis.com/tf-datasets/titanic/eval.csv"

train_file_path = keras.utils.get_file("train.csv", TRAIN_DATA_URL)
test_file_path = keras.utils.get_file("eval.csv", TEST_DATA_URL)

train_df = pd.read_csv(train_file_path)
test_df = pd.read_csv(test_file_path)

y_train = train_df["survived"].values
x_train = train_df.drop("survived", axis=1).values

y_test = test_df["survived"].values
x_test = test_df.drop("survived", axis=1).values

clf = ak.StructuredDataClassifier(overwrite=True, max_trials=3)
clf.fit(x_train, y_train, epochs=10)

print(clf.evaluate(x_test, y_test))

No-code- en low-code AutoML-platformen

No-code- en low-code AutoML-platformen vereenvoudigen modelontwikkeling door complexe workflows te abstraheren, waardoor snelle experimentatie en deployment mogelijk worden voor zowel technische teams als business users.

5. PyCaret

PyCaret is een open-source, low-code machinelearningbibliotheek in Python die de end-to-end machinelearningwerkstroom automatiseert voor taken zoals classificatie, regressie, clustering, anomaliedetectie en tijdreeksvoorspelling. Zo kun je met slechts een paar regels code snel prototypen, met daarnaast ondersteuning voor een grafische gebruikersinterface voor wie low-code of klik-gestuurde ervaringen verkiest.

Belangrijkste features:

• Low-code automatisering: PyCaret vermindert de hoeveelheid code drastisch door standaard ML-stappen te automatiseren, zoals datapreprocessing, modeltraining, evaluatie en selectie.
• Ondersteuning voor meerdere ML-taken: Bevat ingebouwde ondersteuning voor diverse ML-taken, waaronder classificatie, regressie, clustering, anomaliedetectie, natural language processing en tijdreeksanalyse.
• Geïntegreerde preprocessing: PyCaret voert automatisch veelvoorkomende preprocessingstappen uit zoals omgaan met missende waarden, categorische encodering en schalen voor modellen.
• Modelvergelijking en -selectie: De functie compare_models traint en evalueert veel modellen via cross-validatie en toont een leaderboard om het beste model te kiezen.
• Uitbreidbaar en integreerbaar: Het wikkelt gevestigde libraries (scikit-learn, XGBoost, LightGBM, CatBoost, enz.) in en kan integreren met BI-tools zoals Power BI, Tableau en anderen. 

Codevoorbeeld:

Deze snippet laat zien hoe je een ingebouwde dataset laadt, de PyCaret-regressiemodule initialiseert met setup (dat de data preprocesset en de ML-omgeving initialiseert), en vervolgens compare_models gebruikt om automatisch verschillende regressiemodellen te trainen, evalueren en ranken, en zo de best presterende terug te geven.

from pycaret.datasets import get_data
from pycaret.regression import *

data = get_data("insurance")

s = setup(data, target="charges", session_id=123)

best_model = compare_models()

6. MLJAR Studio

MLJAR Studio is een no-code en low-code AutoML-omgeving waarmee je modellen traint en vergelijkt via een begeleide interface, met daarnaast een optionele Python-workflow via de open-source mljar-supervised-engine. 

Belangrijkste features:

• No-code AutoML-workflow: Je kunt een dataset laden, features en een target selecteren, de training starten en resultaten bekijken zonder code te schrijven.
• Transparant modelleren en rapporten: MLJAR benadrukt dat het geen black box is en genereert gedetailleerde rapporten die uitleggen hoe modellen zijn gebouwd en presteren.
• Automatische training en tuning: De AutoML-engine verzorgt preprocessing, modeltraining en hyperparametertuning om sterke modellen te vinden.
• Modelvergelijking met heldere output: Het traint meerdere modellen en helpt je die te vergelijken met gegenereerde samenvattingen en prestatievisualisaties.
• Code optioneel via mljar-supervised: Als je meer controle wilt, zijn dezelfde AutoML-mogelijkheden beschikbaar via het mljar-supervised-pakket in Python. 

Codevoorbeeld:

Je hebt geen code nodig om MLJAR Studio te gebruiken, want je kunt AutoML via de GUI draaien. De onderstaande code toont echter de optionele programmatische aanpak met de mljar-supervised-library. Het laadt een dataset, splitst features en target, voert AutoML-training uit en genereert vervolgens voorspellingen met het getrainde model.

import pandas as pd
from supervised.automl import AutoML

df = pd.read_csv(
    "https://raw.githubusercontent.com/pplonski/datasets-for-start/master/adult/data.csv",
    skipinitialspace=True,
)

X = df[df.columns[:-1]]
y = df["income"]

automl = AutoML(results_path="mljar_results")
automl.fit(X, y)

predictions = automl.predict(X)

7. H2O AutoML

H2O AutoML is een open-source AutoML-mogelijkheid binnen het H2O-platform die schaalbare, geautomatiseerde machine learning biedt met ondersteuning voor Python, R en een no-code grafische interface genaamd H2O Flow, waardoor zowel technische als niet-technische gebruikers met minimale code modellen kunnen bouwen, evalueren en selecteren. Gebruikers kunnen via de webgebaseerde Flow-interface data importeren, AutoML-experimenten draaien, resultaten verkennen en modellen exporteren zonder code te schrijven.

Belangrijkste features:

• Geautomatiseerde training en tuning: H2O AutoML draait automatisch meerdere algoritmen, tuned hyperparameters en genereert een leaderboard van de beste modellen zonder handmatige modelselectie.
• No-code webinterface: De H2O Flow-interface laat gebruikers via de browser met H2O werken, ML-taken uitvoeren en resultaten verkennen zonder code te schrijven.
• Ondersteuning voor meerdere interfaces: Naast de web-UI is H2O AutoML toegankelijk via Python- en R-API’s, wat flexibiliteit biedt voor low-code en no-code workflows.
• Automatische preprocessing: H2O AutoML voert gangbare preprocessing uit zoals omgaan met missende waarden, encoderen van categorische variabelen en schalen.
• Uitlegbaarheidstools: H2O biedt explainability-features die inzichten genereren in modelgedrag en -prestaties, zodat gebruikers modeluitvoer kunnen begrijpen en vertrouwen. 

Codevoorbeeld:

Dit voorbeeld laat zien hoe je H2O AutoML via Python gebruikt. Het initialiseert de H2O-omgeving, importeert train- en testdatasets, specificeert feature- en targetkolommen, start een AutoML-run met een limiet op het aantal modellen en toont vervolgens een leaderboard met de best presterende modellen. 

Opmerking: Hoewel dit de programmatische aanpak is, kun je dezelfde taken via de H2O Flow webinterface uitvoeren zonder code te schrijven.

import h2o
from h2o.automl import H2OAutoML

h2o.init()

train = h2o.import_file(
    "https://s3.amazonaws.com/h2o-public-test-data/smalldata/higgs/higgs_train_10k.csv"
)
test = h2o.import_file(
    "https://s3.amazonaws.com/h2o-public-test-data/smalldata/higgs/higgs_test_5k.csv"
)

x = train.columns
y = "response"
x.remove(y)

train[y] = train[y].asfactor()
test[y] = test[y].asfactor()

aml = H2OAutoML(max_models=20, seed=1)
aml.train(x=x, y=y, training_frame=train)

aml.leaderboard

Enterprise-grade AutoML-oplossingen

Enterprise-grade AutoML-oplossingen bieden schaalbare, veilige en beheerde ML-platformen die zijn ontworpen voor productiedeployment, compliance en grootschalig operationeel gebruik.

8. DataRobot

DataRobot is een enterprise-grade no-code en low-code AutoML-platform waarmee business users, analisten en datateams ML-modellen kunnen bouwen, deployen en beheren zonder uitgebreide programmeerkennis. 

Het platform automatiseert de volledige ML-levenscyclus: van data-inname en feature engineering tot modeltraining, deployment en monitoring, met sterke governance, uitlegbaarheid en operationele controls die vereist zijn in gereguleerde omgevingen.

Belangrijkste features:

• No-code modelontwikkeling: Gebruikers kunnen datasets uploaden, modelleertaken configureren, modellen trainen en voorspellingen genereren volledig via de grafische interface, zonder code te schrijven.
• Geautomatiseerde machine learning: DataRobot verkent automatisch algoritmen, voert feature engineering uit, tuned hyperparameters en rangschikt modellen op basis van prestaties en businessmetrics.
• Ingebouwde uitlegbaarheid: Het platform biedt globale en lokale explainability-tools, waaronder feature impact, predictieuitleg en rapporten voor compliance.
• End-to-end MLOps: DataRobot ondersteunt modeldeployment, monitoring, driftdetectie, prestatietracking en retrainingworkflows binnen hetzelfde platform.
• Enterprise governance en security: Het platform bevat role-based access control, goedkeuringsworkflows, auditlogs en compliancerapportage, ontworpen voor gereguleerde sectoren.

Codevoorbeeld:

Hoewel DataRobot primair via de no-code interface wordt gebruikt, is er ook een Python-API voor programmatische controle en automatisering. Het onderstaande voorbeeld toont hoe je je bij DataRobot authenticeren, een project vanuit een dataset maken en AutoPilot starten om automatisch modellen te trainen en evalueren.

import datarobot as dr
dr.Client(config_path="./drconfig.yaml")

dataset = dr.Dataset.create_from_file("auto-mpg.csv")

project = dr.Project.create_from_dataset(
    dataset.id,
    project_name="Auto MPG Project"
)

from datarobot import AUTOPILOT_MODE
project.analyze_and_model(
    target="mpg",
    mode=AUTOPILOT_MODE.QUICK
)

project.wait_for_autopilot()

9. Amazon SageMaker Autopilot

Amazon SageMaker Autopilot is een volledig beheerde AutoML-oplossing van AWS waarmee gebruikers de end-to-end ML-werkstroom kunnen automatiseren met no code of low code, met name via een webinterface in Amazon SageMaker Canvas of SageMaker Studio. 

Gebruikers kunnen data importeren, de doelfunctie configureren, kandidaatmodellen evalueren en modellen met een paar klikken deployen in de console, terwijl de Python SDK en API’s optioneel beschikbaar blijven om experimenten reproduceerbaar te maken of te integreren met andere systemen.

Belangrijkste features:

• Webgebaseerde no-code workflow: De meeste taken, zoals datasetupload, experimentsetup, modeltraining, evaluatie en deployment, kunnen via de webinterface in SageMaker Canvas of SageMaker Studio zonder code worden uitgevoerd.
• Geautomatiseerde data-analyse en preprocessing: Autopilot onderzoekt de dataset om het probleemtype te bepalen, schoont en preprocesset deze en voert feature engineering uit ter voorbereiding op modeltraining.
• Modelselectie en -optimalisatie: Autopilot verkent meerdere ML-algoritmen en tuned hyperparameters om hoogpresterende modellen te vinden, en rangschikt die vervolgens op een leaderboard.
• Uitlegbaarheid en inzichten: Het platform biedt inzicht in de gegenereerde modellen, waaronder hoe features voorspellingen beïnvloeden en hoe ze onderling presteren.
• Productiedeployment: Gebruikers kunnen het gekozen model rechtstreeks vanuit de interface met minimale stappen deployen en endpoints voor inferentie genereren.

Codevoorbeeld: 

De onderstaande code toont hoe je Amazon SageMaker Autopilot programmatisch draait met de Python SDK. Deze aanpak is optioneel en kan worden gebruikt om resultaten te reproduceren of te integreren in geautomatiseerde pijplijnen.

from sagemaker import AutoML, AutoMLInput

automl = AutoML(
    role=execution_role,
    target_attribute_name=target_attribute_name,
    sagemaker_session=pipeline_session,
    total_job_runtime_in_seconds=3600,
    mode="ENSEMBLING",
)

automl.fit(
    inputs=[
        AutoMLInput(
            inputs=s3_train_val,
            target_attribute_name=target_attribute_name,
            channel_type="training",
        )
    ]
)

10. Google Cloud AutoML

Google Cloud AutoML maakt deel uit van Vertex AI, Google Clouds uniforme ML-platform waarmee gebruikers hoogwaardige modellen kunnen bouwen, trainen, evalueren en deployen op volledig beheerde infrastructuur. 

Vertex AI AutoML ondersteunt tabeldata, natural language processing, computervisie en videotaken, en is ontworpen om toegankelijk te zijn via een no-code webinterface in de Google Cloud Console.

 Alle kernstappen, zoals het maken van datasets, taakselectie, training, evaluatie en deployment, kunnen via de UI worden uitgevoerd zonder code te schrijven.

Belangrijkste features:

• No-code webinterface: Gebruikers kunnen datasets uploaden, AutoML-taken configureren, modellen trainen, metrics bekijken en modellen volledig via de Vertex AI Console deployen.
• Ondersteuning voor meerdere datamodaliteiten: AutoML ondersteunt tabelclassificatie en -regressie, beeldclassificatie en -detectie, tekstclassificatie en -extractie, en videoanalyse.
• Geautomatiseerde end-to-end training: Vertex AI AutoML handelt preprocessing, feature engineering, modelarchitectuurselectie en hyperparametertuning automatisch af.
• Beheerde infrastructuur: Alle training en deployment draait op door Google beheerde infrastructuur met ingebouwde schaalbaarheid en resourcebeheer.
• Klaar voor productie: Getrainde modellen kunnen rechtstreeks vanuit de UI als endpoints worden gedeployed voor online of batchvoorspellingen.

Codevoorbeeld: 

Hoewel Vertex AI AutoML primair is ontworpen voor no-code workflows, kun je met de Python SDK experimenten reproduceerbaar maken of AutoML-training in geautomatiseerde pijplijnen integreren. 

Het volgende korte fragment initialiseert een Vertex AI-project, maakt een afbeeldingsdataset op basis van een CSV-index in Cloud Storage en start een AutoML-trainingsjob voor afbeeldingen.

from google.cloud import aiplatform

aiplatform.init(
    project="YOUR_PROJECT_ID",
    location="us-central1",
    staging_bucket="gs://YOUR_BUCKET",
)

dataset = aiplatform.ImageDataset.create(
    display_name="flowers",
    gcs_source=["gs://cloud-samples-data/ai-platform/flowers/flowers.csv"],
    import_schema_uri=aiplatform.schema.dataset.ioformat.image.single_label_classification,
)

training_job = aiplatform.AutoMLImageTrainingJob(
    display_name="flowers_automl",
    prediction_type="classification",
)

model = training_job.run(
    dataset=dataset,
    model_display_name="flowers_model",
    budget_milli_node_hours=8000,
)

Vergelijkingstabel AutoML-frameworks

Deze tabel vergelijkt populaire AutoML-frameworks op basis van hun automatiseringsniveau, interfacestijl en geschiktheid voor open-source-experimenten, low-code-workflows en enterprise-deployment op schaal.

Tot slot

AutoML-frameworks zijn uitgegroeid tot production-grade tools die teams door de volledige machinelearning-levenscyclus ondersteunen. In de praktijk zijn ze niet beperkt tot experimenten of prototyping. 

Ik heb AutoML-frameworks gebruikt om mee te doen aan Kaggle-wedstrijden, om complete end-to-end machinelearningpijplijnen voor echte projecten te bouwen en zelfs om me voor te bereiden op en te slagen in technische sollicitatiegesprekken.

Vanuit het perspectief van een data scientist is AutoML een krachtige manier om met minimale overhead een sterke en onbevooroordeelde baseline te vestigen. 

Door simpelweg de data aan te leveren, nemen deze frameworks feature engineering, modelselectie, hyperparametertuning en evaluatie uit handen. Hierdoor kunnen practitioners zich richten op het begrijpen van het probleem, het valideren van aannames en het verbeteren van resultaten, in plaats van buitensporig veel tijd te besteden aan het van nul af aan onderzoeken en testen van modellen. 

AutoML vervangt geen expertise. Het versnelt juist de workflow door een betrouwbaar startpunt te bieden dat je iteratief kunt verbeteren.

Een model bouwen is pas stap één. Leer hoe je je AutoML-modellen in productie uitrolt en monitort met de MLOps Concepts-cursus.