Google Developers Japan

「Google AutoML」チームのワークフローは、他の Kaggle 参加者のワークフローとはまったく異なっていました。他の参加者がデータを分析してさまざまな特徴量エンジニアリングを試している間、私たちのチームはジョブをモニタリングしてその終了を待っているだけです。最終的に 2 位となったソリューションのステージが終了するまでには、2500  CPU時間の計算処理を必要としました。

またコンテストの後に公開されたパブリック カーネルを調査したところ、手作業で設計した上位のモデルを AutoML モデルで拡張すれば、ML エキスパートがさらに高性能のシステムを構築できることがわかりました。下の表が示すように、AutoML には ML エキスパートの能力を強化し、さまざまな課題に広く対処できるようにする可能性が秘められています。

AutoML モデルと他の Kaggle 参加者のモデルを組み合わせることでモデルをさらに改善できる可能性を表す順位表。「Erkut & Mark, Google AutoML」には、1 位となった「Erkut & Mark」と 2 位となった「Google AutoML」のモデルが含まれている。Erkut Aykutlug 氏と Mark Peng 氏は、XGBoost と独自の特徴量エンジニアリングを利用。一方の AutoML は、自動の特徴量エンジニアリングとハイパーパラメータチューニングとともに、ニューラル ネットワークと勾配ブースティング ツリーの双方（TFBT）を使った。

Google Cloud AutoML Tables
このコンペで利用したソリューションは、Cloud Next '19 でベータ版が提供開始された Google Cloud AutoML Tables のメイン アルゴリズムに採用されています。次の図に示すように、複数の Kaggle コンテストを対象としたベンチマーク テストでは AutoML Tables がコンスタントに高成績を記録しており、同様のサービスとしては SoTA 性能を達成しています。

複数の Kaggle コンテストを対象としたサードパーティによる AutoML Tables のベンチマーク結果

AutoML の手法は、実際のビジネスにおけるさまざまな問題に対して応用できる可能性があります。既にいくつかのお客様が、企業内のさまざまな表形式データに対して AutoML Tables を適用し、サプライ チェーン管理やマーケティングのリード コンバージョン最適化などの用途に活用しています。表形式データにまつわるさまざまな課題の解決に、最先端の ML 技術を適用可能になったことを嬉しく思います。

謝辞
このプロジェクトは、Google Brain チームのメンバー、Ming Chen、Da Huang、Yifeng Lu、Quoc V. Le、Vishy Tirumalashetty の尽力があってこそ実現できました。また、すばらしいインフラストラクチャとプロダクトのランディングに関して協力してくださった Cloud AutoML Tables チームの Dawei Jia、Chenyu Zhao、Tin-yun Ho にも感謝します。魅力的なコンテストを開催してくださった Walter Reade、Julia Elliott、そして Kaggle の皆さんにも感謝いたします。

Reviewed by Kaz Sato - Staff Developer Advocate, Google Cloud