Qu'est-ce que le meta-apprentissage pour AutoML ?

Le méta-apprentissage dans le contexte de l'AutoML est une approche où le système apprend de l'expérience de la résolution de multiples tâches précédentes d'apprentissage automatique afin de sélectionner plus rapidement et efficacement des modèles et des hyperparamètres pour de nouvelles tâches.

L'idée est qu'AutoML ne commence pas à zéro, mais utilise des connaissances sur quels algorithmes et réglages ont bien fonctionné sur des données similaires. Cela permet de réduire considérablement le temps et les ressources consacrés à l'optimisation des modèles (HPO — optimisation des hyperparamètres).

Exemple : si AutoML est confronté à une tâche de classification de texte, le méta-apprentissage peut suggérer que certains modèles et paramètres conviennent pour des tâches similaires, en se basant sur l'historique des exécutions réussies, et réduire immédiatement l'espace de recherche.