從試驗品到產品：AutoML是如何一步步貼近產業(yè)應用的？

原標題：從試驗品到產品：AutoML是如何一步步貼近產業(yè)應用的？

今天AI在世界范圍內的發(fā)展情況，可以用一路綠燈來形容。國家層面的高度重視與科技巨頭的全力投入齊頭并進，正讓AI如同開了掛一般快速進入產業(yè)場景。不知不覺間，工廠里開始引入了計算機視覺解決方案，電話中與我們對話的客服變成了機器人。

如果說在這樣綠燈全開的情況下，還有什么在阻礙著AI產業(yè)化發(fā)展，恐怕就只有知識門檻帶來的AI人才缺失了。根據高盛推出的《全球人工智能產業(yè)分布報告》：2017年全球AI人才儲備中，中國只占5%左右。而這些人才大多只在科技企業(yè)間流動，對于傳統行業(yè)來說，大多都與AI人才無緣。而AI產業(yè)化的對象，恰恰也是這些傳統產業(yè)。如何幫助傳統產業(yè)突破人才桎梏，降低應用AI技術的門檻，是AI產業(yè)化當下重要目標之一。

除了支持AI人才培養(yǎng)之外，我們也一直在嘗試從技術角度解決這一問題，AutoML技術——自動化機器學習就是解決方案之一。簡單來說，AutoML的目標是降低企業(yè)用戶、開發(fā)者以及研究人員使用AI相關工具和框架的門檻，即使不懂如何搭建神經網絡、不懂如何調參，也可以使用AutoML工具搭建出應用級的機器學習模型。

除了谷歌、微軟、亞馬遜這些海外科技企業(yè)在AutoML中投入頗多以外，我們也能看到越來越多的中國企業(yè)加入了AutoML的隊伍。

從一場競賽，到AI產業(yè)化的廣袤沃土

在今年亞太知識發(fā)現和數據挖掘會議（PAKDD）舉辦的AutoML比賽中，深蘭科技DeepBlueAI團隊從46個國家（地區(qū)）的隊伍中脫穎而出，擊敗了微軟亞洲研究院推出的MLintelligence獲得了第一名的成績。

這次DeepBlueAI最大的一個亮點，就是將概念漂移的解決方案引入了AutoML中，所謂概念漂移，指的就是在機器學習中隨著時間推移，目標變量以不可預見的方式發(fā)生著變化，導致未來數據分布與已有數據分布不一致。也就是說在AutoML快速建立好機器學習模型后，模型的精度是可能隨著時間推移而下降的，這種情況顯然會影響現實場景中AutoML的應用效率。

（Feedback phase排行榜）

DeepBlueAI團隊給出的解決方案，是通過融合不同時期的數據以及結合DNN和LightGBM的訓練，加上自適應采樣來緩解類別不平衡，在一定時間間隔中讓模型重復訓練，最終形成對概念漂移的自適應。形成生命力更強、更具持續(xù)性的終生自動化機器學習工具。

DeepBlueAI團隊對于概念漂移問題的解決，不僅僅在技術角度具有極高的突破性，在AutoML的產業(yè)應用的道路中也給予了很大的推助力。

AutoML面向的對象，大多是對AI技術了解不多的企業(yè)應用者。這一類應用者顯然不會意識到AutoML中所存在的技術問題，他們很可能會在應用場景出現問題時才發(fā)現模型精度產生了變化。DeepBlueAI團隊的解決方案，極大增加了AutoML對于復雜場景的適應性，讓AutoML可以進入金融、營銷、智能駕駛等等要求更豐富的場景之中，也因此進一步降低了企業(yè)應用AI的門檻。

可見DeepBlueAI并不是針對競賽的一份試卷答案，而是真正把目標投向了AI產業(yè)化的廣袤沃土。

當AutoML從試驗品走向商品

除了PAKDD的競賽以外，很多科技企業(yè)也已經推出了自己的AutoML平臺。例如谷歌推出的針對圖像識別的AutoML Vision，以及亞馬遜推出的Amazon SageMaker等等。從AI產業(yè)化的命題來說，擁有應用環(huán)境自適應能力的這套解決方案會對AutoML造成哪些改變？

首先，深蘭科技可以幫助AutoML真正的去解決更多產業(yè)問題。

目前市面上的AutoML平臺，大多只是試驗性甚至偏娛樂化的，缺乏對于產業(yè)應用場景的深入適配，通常只能讓開發(fā)者利用模型開發(fā)出一些諸如“寵物情緒識別”“桃子甜度識別”等等簡單的模型。

DeepBlueAI團隊意識到了模型精度的變化問題，自然是站在了產業(yè)視角看待問題，未來AutoML平臺也將從單純的開發(fā)場景逐漸貼近產業(yè)場景，更關注模型精度、應用環(huán)境等等現實問題。

同時，深蘭科技對AI基礎技術的全面投入可以幫助AutoML進入更多產業(yè)領域。

除了深度學習框架開發(fā)以外，深蘭科技對機器視覺、生物智能識別、智能駕駛等等領域都有所投入。針對各種AI技術在自動化過程中，架構組建上的細化差異都有更深入的理解，加之強大的算法應用化能力，深蘭科技足以讓AutoML從一個面向開發(fā)者的工具演變成真正商業(yè)化、甚至定制化的企業(yè)AI解決方案。

目前深蘭科技的AutoML技術已經廣泛應用在精準營銷、金融風控、自動駕駛、疾病預測等業(yè)務場景中，做出了接近甚至超過數據科學家的模型效果，決策精準度超過人類專家數倍。

總的來說，建立在深蘭科技的綜合AI能力之上，AutoML正在從試驗品走向產品，進一步契合產業(yè)應用的真實場景。

曙光之前：為什么中國AI需要腰部力量？

除了AutoML對于當前AI產業(yè)化的意義之外，我們更想討論的，是深蘭科技這家企業(yè)在PAKDD取得成績更深層的意義。隨著中國AI在世界范圍的競爭力不斷提升，中國團隊在各種學術會議上取得好成績并不是什么新鮮的事情，為什么深蘭科技這家企業(yè)值得我們投入更多關注？

我們可以看到，深蘭科技身上有兩個明顯的標簽，一個是 “中國自主研發(fā)”——深蘭科技與多家國內外知名企業(yè)、高等院校以及盧森堡國家實驗室合作，建立聯合實驗室，一直在AI科研上有著諸多投入。另一個是“基礎研究+應用開發(fā)”——除了科研以外，深蘭科技已經將技術輸入到智能駕駛、智能機器人、AI city等等九大應用領域之中。

兩者結合起來，就是典型的中國AI腰部力量。除了BAT這樣在頭部引領中國AI發(fā)展的巨頭，更多的是像深蘭科技這樣，將AI創(chuàng)新能力源源不斷地輸入到細節(jié)應用場景之中。

腰部力量對于AutoML的掌握，對于今天我們的AI發(fā)展來說至關重要。

近年來有一個流傳頗為廣泛的概念叫：AI民主化，指的是讓更多中小企業(yè)可以開發(fā)出屬于自己的機器學習算法模型，而AutoML就是符合這一精神的產物之一。隨著AI民主化概念的普及和AutoML技術的日趨成熟，產業(yè)中大范圍應用起AutoML工具已經是一種必然。

但從谷歌AutoML的案例中也能發(fā)現，伴隨算法模型訓練工具捆綁銷售的，很可能還有計算芯片或云計算服務。一家企業(yè)選擇了一個AutoML平臺，同時也意味著將自己的AI技術與平臺背后的企業(yè)相綁定。

這時中國AI腰部力量對于AutoML的參與就起了兩個至關重要的作用。

一方面，中國智造可以保證算法工具以及芯片硬件、云計算等等配套服務的自主可控。尤其很多企業(yè)的算法模型會涉及一些商業(yè)機密以及敏感數據，如果將這些數據和模型部署到海外企業(yè)的云平臺中，多少會增加一些風險。

另一方面，腰部企業(yè)對AI產業(yè)化的參與，可以增強行業(yè)的多樣性，防止AI產業(yè)化被科技巨頭“壟斷”從而促使AI霸權主義的出現。產業(yè)在接入AI服務時可以擁有更多選擇，會促進AI領域的發(fā)展活力，以良性競爭的模式推動巨頭與腰部企業(yè)一同為產業(yè)提供更優(yōu)質的技術服務。

如今在AI賽道上狂奔的跑者們，無一不見到了AI產業(yè)化的黎明曙光。在抵達終點的過程中，腰部企業(yè)的存在如同一位聯結者，與頭部巨頭們并行向前的同時，不斷招攬著路邊觀望的人，讓他們一同加入隊列，向AI的明天奔去。

AI產業(yè)化黎明的到來，或許并不是一條分割兩個世界的終點線，而會降臨于讓更多人參與AI賽道的過程之中。

生成海報

免責聲明：本網站內容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網站出現的信息，均僅供參考。本網站將盡力確保所提供信息的準確性及可靠性，但不保證有關資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網站對有關資料所引致的錯誤、不確或遺漏，概不負任何法律責任。任何單位或個人認為本網站中的網頁或鏈接內容可能涉嫌侵犯其知識產權或存在不實內容時，應及時向本網站提出書面權利通知或不實情況說明，并提供身份證明、權屬證明及詳細侵權或不實情況證明。本網站在收到上述法律文件后，將會依法盡快聯系相關文章源頭核實，溝通刪除相關內容或斷開相關鏈接。