O que é meta-aprendizagem para AutoML?

O meta-aprendizado no contexto de AutoML é uma abordagem em que o sistema aprende com a experiência de resolver múltiplas tarefas anteriores de aprendizagem automática para selecionar modelos e hiperparâmetros de forma mais rápida e eficiente para novas tarefas.

A ideia é que o AutoML não começa do zero, mas usa conhecimentos sobre quais algoritmos e configurações funcionaram bem em dados semelhantes. Isso permite reduzir significativamente o tempo e os recursos na otimização de modelos (HPO — otimização de hiperparâmetros).

Exemplo: se o AutoML enfrenta uma tarefa de classificação de texto, o meta-aprendizado pode sugerir que certos modelos e parâmetros são adequados para tarefas semelhantes, com base no histórico de execuções bem-sucedidas, e reduzir imediatamente o espaço de busca.