AutoML

AutoML (Automated Machine Learning, automatisiertes maschinelles Lernen) bezeichnet ein Verfahren, das aus einem Datensatz und einem Vorhersageziel automatisch ein trainiertes Vorhersagemodell erzeugt. Das System testet dabei selbstständig verschiedene Verfahren (Algorithmen), bereitet die Daten auf und probiert Stellschrauben (Hyperparameter) durch. Am Ende steht eine Rangliste der besten Modelle plus eine nachvollziehbare Dokumentation, wie jedes Modell entstanden ist.

Was ist AutoML?

AutoML entstand als Antwort auf einen wiederkehrenden Engpass in ML-Projekten (Machine Learning, maschinelles Lernen): Erfahrene Data Scientists verbringen einen erheblichen Teil ihrer Zeit damit, verschiedene Verfahren auszuprobieren, erste Vergleichs-Modelle (Baselines) aufzubauen und die passenden Stellschrauben zu suchen. Diese Tätigkeiten sind fachlich anspruchsvoll, aber weitgehend schematisch. AutoML industrialisiert diesen Suchprozess und macht ihn reproduzierbar, sodass ein trainiertes Modell in Minuten bis Stunden statt in Tagen entsteht und die Entstehung jedes Modells nachvollziehbar dokumentiert ist.

Der typische Ablauf umfasst mehrere Automatisierungs-Ebenen. Ein AutoML-System übernimmt die Datenaufteilung in Trainings-, Validierungs- und Testmenge, führt Preprocessing durch (Encoding kategorischer Merkmale, Skalierung numerischer Werte, Behandlung fehlender Daten), wählt aus einer festen Bibliothek Kandidaten-Modelle aus (klassisch: Gradient-Boosting-Varianten wie LightGBM oder XGBoost, lineare Modelle, Random Forest), führt Hyperparameter-Suche gegen eine gewählte Metrik (Bayesian Search, Random Search, Grid Search) und bewertet die Kandidaten per Kreuzvalidierung. Das Ergebnis ist eine gerankte Bestenliste plus reproduzierbare Trainings-Notebooks für jedes Modell.

Die Standard-Aufgabentypen sind Klassifikation, Regression und Zeitreihen-Forecasting. Bild-, Text- und Multimodal-Aufgaben verlangen entweder spezialisierte Multimodal-AutoML-Werkzeuge (AutoGluon von AWS, Google Vertex AutoML Vision) oder eigene Trainings-Pipelines mit Foundation-Modellen. Historisch geht der Begriff auf akademische Systeme wie Auto-WEKA (2013) und Auto-sklearn (2015) zurück; kommerzielle Suiten wie [Google Cloud AutoML](https://developers.google.com/machine-learning/crash-course/automl?hl=de) (2018), H2O AutoML und DataRobot folgten. In der Lakehouse-Welt ist [Databricks AutoML](https://learn.microsoft.com/de-de/azure/machine-learning/concept-automated-ml?view=azureml-api-2) seit 2021 als glass-box-Variante etabliert: Jeder Trainings-Run erzeugt ein lesbares Notebook, das das Data-Science-Team als Startpunkt für manuelle Weiter-Iteration verwenden kann.

Was AutoML nicht abnimmt, gehört zum Kern jeder ML-Verantwortung: die Definition der Zielvariable, die Bewertung der Datenqualität, die Verifikation der Labels, die fachliche Beurteilung der Vorhersagen und die produktive Auslieferung. AutoML beschleunigt den Trainings-Zyklus, ersetzt aber weder die Datenbasis noch die Governance dahinter.

Abgrenzung zu MLOps, AI Functions und Neural Architecture Search

Der Begriff wird in der Praxis oft mit benachbarten Konzepten vermischt. Vier Abgrenzungen sind zentral:

Klassisches ML vs. AutoML. Klassisches ML umfasst den gesamten Zyklus von der Datenexploration bis zum Deployment und wird manuell durchlaufen. AutoML automatisiert eine klar umgrenzte Teilstrecke innerhalb dieses Zyklus: die Modell-Auswahl und die Hyperparameter-Suche. Datenaufbereitung, Zielvariablen-Definition und produktive Ausbringung bleiben in menschlicher Verantwortung.

MLOps und AutoML. MLOps bezeichnet Betrieb, Deployment, Monitoring und Governance produktiver Modelle (Model Registry, Serving, Drift-Erkennung, Retraining-Pipelines). AutoML liegt davor: Es erzeugt Kandidaten-Modelle, die anschließend über eine Registry (z. B. Unity Catalog Registered Models mit [MLflow](https://mlflow.org/)) in den MLOps-Prozess übergeben werden. Beide Disziplinen ergänzen sich.

AI Functions vs. AutoML. SQL-nahe Modell-Aufrufe wie ai_forecast, ai_classify oder ai_query (Databricks AI Functions) rufen bestehende oder Foundation-Modelle direkt aus SQL auf. Es entsteht dabei kein neues Modell und keine Bestenliste. AI Functions sind ein Verbrauchs-Interface für vorhandene Modelle, AutoML ist ein Trainings-Verfahren.

Foundation-Modelle und Fine-Tuning. AutoML durchsucht in der Regel eine Bibliothek klassischer Supervised-Learning-Algorithmen. Foundation-Modelle (LLMs, Bild-Encoder) sind vortrainierte Netze; ihre Anpassung erfolgt über Prompt-Engineering, RAG oder Fine-Tuning und liegt außerhalb des klassischen AutoML-Scopes. Neural Architecture Search (NAS) ist das Teilgebiet, das die Netz-Architektur tiefer neuronaler Netze selbst optimiert; es wird meist als eigene Disziplin geführt und nicht in generischen AutoML-Suiten für tabellarische Daten.

Beispiel: Klassifikation eines Kündigungs-Datensatzes

Ein Vertriebsdatensatz enthält historische Kundendaten mit einem Ziel-Flag „Kündigung im nächsten Quartal". Die Aufgabe ist eine binäre Klassifikation. In einem Databricks-Notebook wird die AutoML-API mit einem Ein-Zeiler gestartet:

from databricks import automl

summary = automl.classify(
    dataset=training_df,
    target_col="churn_next_quarter",
    primary_metric="roc_auc",
    timeout_minutes=60,
)

AutoML zerlegt die Daten in Train, Validation und Test, führt Preprocessing durch (Encoding der kategorischen Spalten, Imputation fehlender Werte), testet Gradient-Boosting-Varianten (LightGBM, XGBoost) sowie lineare Baselines, führt Hyperparameter-Suche gegen die gewählte Metrik (hier AUROC) und liefert nach Ablauf des Zeitbudgets eine Modell-Bestenliste plus je ein Trainings-Notebook pro Kandidat. Das Gewinner-Modell wandert über MLflow in Unity Catalog als Registered Model und wird von dort auf einen Serving-Endpoint deployed. Das Data-Science-Team nutzt das erzeugte Notebook als Startpunkt für weitere manuelle Iteration, etwa für zusätzliche Feature-Definitionen oder eine engere Hyperparameter-Umgebung um das beste gefundene Modell.