- © Trendskout, alle rechten voorbehouden
- Website met door MCore Services
Hoe de Trendskout AutoML Tool het beste model vindt
1. Algoritmes
Er bestaan een heleboel algoritmes voor AI, Machine Learning en Deep Learning. Voorbeelden zijn onder andere Neurale Netwerken, Gradient Descent Trees, Support-vector machines. Heel wat opties dus, die de keuze voor het gepaste algoritme voor een bepaalde businesscase niet bepaald eenvoudiger maken. Binnen elke soort algoritme – denk maar aan neurale netwerken – zijn er nog eens talrijke subtypes beschikbaar, wat de keuze nog complexer en tijdrovender maakt.
Trendskout evalueert elk algoritme en kiest het meest toepasselijke uit voor de gekozen toepassing en dataset.
2. Data
Het volstaat niet om louter het beste algoritme te vinden. Een algoritme moet ook over de juiste data beschikken om zichzelf te trainen, voorspellingen te doen of verbanden te ontdekken. De vorm van die data is van groot belang: er moeten namelijk verschillende databewerkingen worden uitgevoerd vóór het algoritme kan starten met het verwerken en interpreteren van de data. Er zijn ook hier een vrijwel oneindig aantal bewerkingsopties: denk maar aan het samenbrengen van verschillende databronnen, transformeren, afgeleiden en variaties genereren of denormaliseren.
De keuzes over welke bewerkingen op welke data moet worden toegepast, is complex. Ze hangen af van de toepassing en het gekozen algoritme.
3. Parameters
Bij elk algoritme voor AI, Deep Learning of Machine Learning zijn er verschillende opties. Ze zijn stuk voor stuk afhankelijk van het type algoritme (zoals een neuraal netwerk) en vaak ook nog van het subtype. Ook bij de subtypes lopen de mogelijkheden al snel op: zo beschikt een neuraal netwerk over oneindig veel mogelijkheden om zichzelf vorm te geven. Denk maar aan het aantal mogelijke neuronen en lagen en de soorten verbindingen ertussen, of de manier hoe ze onderling informatie uitwisselen. Ook andere algoritmetypes beschikken vaak over een heleboel parameters.
De juiste parameter-configuratie is dus net zo goed cruciaal voor de nauwkeurigheid en de prestatie van uw toepassing voor AI, Machine Learning of Deep Learning.