Šta je meta-učenje za AutoML?

Meta-učenje u kontekstu AutoML je pristup u kojem sistem uči iz iskustva rešavanja više prethodnih zadataka mašinskog učenja kako bi brže i efikasnije birao modele i hiperparametre za nove zadatke.

Ideja je da AutoML ne počinje od nule, već koristi znanje o tome koji su algoritmi i podešavanja dobro funkcionisali na sličnim podacima. To omogućava značajno skraćenje vremena i resursa za optimizaciju modela (HPO — optimizacija hiperparametara).

Primer: ako se AutoML suoči sa zadatkom klasifikacije teksta, meta-učenje može predložiti da su određeni modeli i parametri pogodni za slične zadatke, zasnovano na istoriji uspešnih pokretanja, i odmah suziti prostor pretrage.