Plexe：自然言語でMLモデルを構築する技術がAutoMLの進化についてコミュニティの議論を喚起

急速に進化する機械学習の分野で、ユーザーが平易な言語でMLモデルを作成できる新しいツール「 Plexe 」が登場しました。このツールは、自動機械学習の未来とその実世界のシナリオにおける実用的な応用について、テクノロジーコミュニティで大きな議論を巻き起こしています。

マルチエージェントアーキテクチャが自然言語によるモデル作成を可能に

Plexe は、要件を分析し、モデルソリューションを計画し、コードを生成し、パフォーマンスをテストし、デプロイメント用にモデルをパッケージ化する専門AIエージェントのチームを採用しています。このマルチエージェントアプローチにより、ユーザーは平易な英語の説明を使用してモデルを定義でき、システムは問題の記述と利用可能なデータに基づいて適切なモデルアーキテクチャを自動的に決定します。このツールは、勾配ブースティングのような伝統的なアルゴリズムから深層ニューラルネットワークまで、さまざまなモデルタイプをサポートし、特定のデータと制約に最適なソリューションを見つけるために複数のアプローチを評価します。

コミュニティのメンバーの多くが、モデル構築におけるエージェント型アプローチに関心を示しています。システムは現在 smolagents ライブラリを使用していますが、開発者は共有メモリ抽象化の欠如、システムプロンプトのカスタマイズの難しさ、管理されたエージェントの同期実行などの制限を指摘しています。

以前のAutoML試みとの違い

コミュニティの議論の大部分は、 Plexe が2018年頃に人気を博した以前のAutoMLツールとどう異なるかに焦点を当てていました。一部のコメンターはMLライフサイクルの自動化に関する主張に懐疑的でしたが、開発者は彼らのポジショニングを明確にしました：

「あなたのコメントに完全に同意します。クリーンなデータセットでMLモデルをトレーニングすることは、MLエンジニアの仕事の簡単で楽しい部分です... 当面は、これは主にML専門知識を持たないエンジニアを対象としています：ビジネスコンテキストを理解し、データ処理パイプラインとWebサービスの構築方法を知っているが、モデルの構築方法を知らないかもしれない人々です。」

予測のために直接大規模言語モデルを使用するアプローチとは異なり、 Plexe はモデリング作業を行うためにLLMを活用し、通常、推論にLLMを使用するよりも効率的な、XGBoostリグレッサーのような軽量でドメイン固有のモデルを生成します。

コミュニティ主導のロードマップがデータの課題に焦点

コミュニティからの最も一貫したフィードバックは、データ準備の課題に関連しています。複数のコメンターが、機械学習の最も難しい部分はモデルトレーニングではなく、データ品質の評価、特徴量エンジニアリング、データリークの防止であると指摘しました。開発者はこれらの制限を認め、 Plexe の機能を拡張する計画を共有しました：

チームは、データアナリスト、プロダクトマネージャー、エンジニアからのフィードバックに基づいて、データクリーニングと特徴量変換のためのエージェントを積極的に開発しています。また、モデリングの決定を行う際のデータ分析能力とトレーニングデータの問題検出の改善にも取り組んでいます。

他にリクエストされた機能には、ステップ間のユーザーチェックポイントを含むよりインタラクティブなモデル構築、scikit-learnパイプラインとの統合、Google CloudのVertex.AIのような分散トレーニングプラットフォームのより良いサポートが含まれます。

Plexe の主な機能

• 自然言語モデル定義 - 平易な英語の説明を使用してモデルを定義
• マルチエージェントアーキテクチャ - モデル作成の異なる側面を処理する専門化されたAIエージェントのチーム
• 自動モデル構築 - 単一のメソッド呼び出しで完全なモデルを構築
• Ray による分散トレーニング - 利用可能なCPUコア全体での並列処理のサポート
• データ生成とスキーマ推論 - 合成データの生成または自動的なスキーマの推論
• マルチプロバイダーサポート - OpenAI 、 Anthropic 、 Ollama 、および Hugging Face モデルと互換性あり

インストールオプション

pip install plexe                   標準インストール
pip install plexe[lightweight]      最小限の依存関係
pip install plexe[all]              ディープラーニングサポート付き

コミュニティが特定した制限事項

• データ探索機能の制限（現在対応中）
• モデル構築プロセス中のインタラクティブなチェックポイントの欠如
• 自動化されたアプローチに共通する統計的妥当性の課題
• 現在は管理されたエージェントの同期実行のみ
• エージェントシステムプロンプトのカスタマイズの制限

統計的妥当性は依然として課題

コミュニティメンバーは、自動生成されたモデルの統計的妥当性について懸念を表明し、人間もLLMも統計的な間違いをよく犯すと指摘しました。 Plexe チームはこの課題を認め、データ処理に関する検証プロトコルとガードレールを実装し、過学習やデータリークのような一般的な問題のより良い検出に取り組んでいると説明しました。

Plexe のようなツールを通じて機械学習がより身近になる中、自動化と専門知識のバランスは中心的な議論点であり続けています。自動化はML機能へのアクセスを民主化できますが、コミュニティのコンセンサスは、信頼性の高い本番環境対応モデルを開発するためには、ドメイン知識と統計的理解が依然として重要であることを示唆しています。

参考：plexe