Czym jest meta-learning dla AutoML?

Meta-learning w kontekście AutoML to podejście, w którym system uczy się na podstawie doświadczenia rozwiązywania wielu wcześniejszych zadań uczenia maszynowego, aby szybciej i skuteczniej dobierać modele i hiperparametry dla nowych zadań.

Idea polega na tym, że AutoML nie zaczyna od zera, lecz korzysta z wiedzy o tym, które algorytmy i ustawienia dobrze działały na podobnych danych. Pozwala to znacznie skrócić czas i zasoby potrzebne na optymalizację modeli (HPO — optymalizacja hiperparametrów).

Przykład: jeśli AutoML napotyka zadanie klasyfikacji tekstu, meta-learning może zasugerować, że dla podobnych zadań odpowiednie są określone modele i parametry, opierając się na historii udanych uruchomień, i natychmiast zawęzić przestrzeń poszukiwań.