OMA-ML: Effektives Machine Learning einfach gemacht
Machine Learning (ML) als wichtiges Teilgebiet von Künstlicher Intelligenz (KI) ist in aller Munde. Aber effektive ML-Anwendungen entwickeln ist komplex, fast so etwas wie eine Geheimkunst. Es benötigt erfahrene Informatiker oder Data Scientists, die ein Dataset genau analysieren, und Arbeitsschritte wie Data Preparation, Feature Engineering, Model Selection, Hyperparameter Optimization und Validation durchführen, damit eine ML-Anwendung gute Vorhersagen für neue Fälle machen kann. In der Abbildung ist diese „Geheimkunst“ durch einen Zauberer angedeutet.
Abbildung 1: Arbeitsschritte bei der Entwicklung von ML-Anwendungen
Automated Machine Learning (AutoML) ist ein aktives Forschungsfeld, in dem versucht wird den Zauberer im obigen Bild in Teilen zu automatisieren, d.h. Schritte wie Data Preparation, Feature Engineering, Model Selection, Hyperparameter Optimization und Validation zu automatisieren.
Es gibt mittlerweile viele AutoML Lösungen, sowohl kommerziell als auch open source. Wir haben im Rahmen des KompAKI-Projekts 20 solcher Lösungen genau unter die Lupe genommen. Sie unterscheiden sich stark in Funktionsumfang, Reifegrad und Benutzerfreundlichkeit. Was sie aber alle gemeinsam haben, ist, dass sie jeweils auf eine bzw. nur wenige ausgewählte ML-Bibliotheken fokussieren; kommerzielle Lösungen jeweils auf das unternehmenseigene Ökosystem. Damit handelt man sich bei der Auswahl einer AutoML-Lösung immer einen gewissen Vendor-lock-in ein.
Um dem entgegen zu wirken, haben in im Rahmen des KompAKI-Projekts ein innovatives Konzept entwickelt und publiziert[1]: Meta AutoML. Die Idee ist, verschiedene AutoML-Lösungen im Wettbewerb gegeneinander antreten zu lassen und die besten Lösungen in Form eines Leaderboards zu präsentieren (siehe Abbildung). So soll effektives Machine Learning einfach gemacht werden.
Abbildung 2: OMA-ML Screenshot: Ergebnisse verschiedener AutoML Lösungen im Leaderboard
So einfach die Idee an sich ist, so komplex ist die Lösung im Detail. Im System OMA-ML (Ontology-based Meta AutoML) verwenden wir eine Ontologie, um Wissen über verschiedene AutoML Lösungen und Strategien zu kondensieren. So verbinden wir wissensbasierte KI mit ML – auch eine der aktuellen Strömungen in der KI-Forschung.
OMA-ML wird aktuell als open Source Lösung unter GitHub[2] entwickelt. Weitere Publikationen sind bereits in Arbeit.
[1] Bernhard G. Humm, Alexander Zender: An Ontology-Based Concept for Meta AutoML. In I. Maglogiannis et al. (Eds.): Artificial Intelligence Applications and Innovations (AIAI 2021), IFIP AICT 627, pp. 117–128, IFIP International Federation for Information Processing 2021, published by Springer Nature Switzerland AG 2021. https://doi.org/10.1007/978-3-030-79150-6_10
