Resumen: A lo largo de la historia de la IA, existe un patrón claro según el cual los elementos manuales de los métodos de IA acaban siendo sustituidos por otros de mejor rendimiento encontrados automáticamente; por ejemplo, el aprendizaje profundo (DL) sustituyó la ingeniería manual de características por representaciones aprendidas. El siguiente paso lógico en el aprendizaje de representaciones es también (meta-)aprender las mejores arquitecturas para estas representaciones, así como los mejores algoritmos e hiperparámetros para aprenderlas. En esta charla, discutiré varios trabajos con este objetivo en el área de AutoML, destacando que AutoML puede ser eficiente y argumentando a favor de un énfasis en AutoML multi-objetivo para tener en cuenta también las diversas dimensiones de la fiabilidad (como la equidad algorítmica, la robustez y la calibración de la incertidumbre). Por último, llevando al extremo la idea del metaaprendizaje, profundizaré en un enfoque novedoso que aprende un algoritmo de clasificación completo para pequeños conjuntos de datos tabulares que alcanza un nuevo estado de la técnica a costa de una única pasada hacia delante.
Ponente: Frank Hutter es catedrático de Aprendizaje Automático en la Universidad de Friburgo (Alemania). Es doctor por la Universidad de Columbia Británica (UBC, 2009), por la que recibió el premio CAIAC 2010 a la mejor tesis doctoral en IA de Canadá. También ha ganado varios premios al mejor artículo y premios en concursos internacionales de ML. Es miembro de ELLIS y EurAI, director de la unidad ELLIS de Friburgo y beneficiario de 3 subvenciones del ERC. Frank es conocido sobre todo por su investigación sobre aprendizaje automático de máquinas (AutoML), que incluye la búsqueda de arquitecturas neuronales, la optimización eficiente de hiperparámetros y el metaaprendizaje. Es coautor del primer libro sobre AutoML y de las destacadas herramientas AutoML Auto-WEKA, Auto-sklearn y Auto-PyTorch, ganó los dos primeros desafíos AutoML con su equipo, es codocente del primer MOOC sobre AutoML, coorganizó 15 talleres relacionados con AutoML en ICML, NeurIPS e ICLR, y fundó la conferencia AutoML como presidente general en 2022.
Grabación: Aprendizaje profundo 2.0: Hacia una IA que construya y mejore la IA