Ce este meta-invățarea pentru AutoML?

Meta-invățarea în contextul AutoML este o abordare în care sistemul învață din experiența rezolvării multor sarcini anterioare de învățare automată pentru a selecta mai rapid și mai eficient modelele și hiperparametrii pentru sarcini noi.

Ideea este că AutoML nu începe de la zero, ci utilizează cunoștințe despre algoritmi și setări care au funcționat bine pe date similare. Acest lucru permite reducerea semnificativă a timpului și resurselor pentru optimizarea modelelor (HPO — optimizarea hiperparametrilor).

Exemplu: dacă AutoML se confruntă cu o sarcină de clasificare a textului, meta-invățarea poate sugera că anumite modele și parametri sunt potriviți pentru sarcini similare, bazându-se pe istoricul execuțiilor de succes, și poate restrânge imediat spațiul de căutare.