前言：

深度學習問世以來，隨著神經(jīng)網(wǎng)絡(luò)架構(gòu)趨于固定和成熟，轉(zhuǎn)而尋找改進數(shù)據(jù)的方法，已經(jīng)成了AI 研發(fā)的新出口。

AutoAI自動執(zhí)行高度復(fù)雜的任務(wù)，為數(shù)據(jù)尋找并優(yōu)化最好的機器學習模型、特征和模型超參數(shù)。

作者 ｜ 方文

圖片來源 ｜   網(wǎng) 絡(luò)

AutoAI在人工智能全生命周期中自動建模

AutoAI是最先進的自動化機器學習產(chǎn)品可以有效地分析歷史數(shù)據(jù)，創(chuàng)建自定義機器學習管道并對其進行排名。

它包括自動化特征工程——可擴展和增強數(shù)據(jù)的特征空間以優(yōu)化模型性能。

AutoAI可以在幾分鐘內(nèi)完成通常需要整個數(shù)據(jù)科學家團隊數(shù)個小時到數(shù)天才能完成的工作。自動化功能包括數(shù)據(jù)準備、模型開發(fā)、特征工程和超參數(shù)優(yōu)化。

整個建模過程端到端的自動化可以顯著節(jié)省資源。AutoAI顯著提高了生產(chǎn)力，只需點擊幾下鼠標，即使是只有基本數(shù)據(jù)科學技能的人，也可以使用自定義數(shù)據(jù)自動選擇、訓(xùn)練并調(diào)優(yōu)高性能機器學習模型。

然而，專業(yè)的數(shù)據(jù)科學家可以快速迭代可能的模型和管道，并試驗最新的模型、特征工程技術(shù)和公平算法，無需從頭開始編寫管道代碼就可以完成這一切。

數(shù)據(jù)科學家的新語義能力

數(shù)據(jù)科學家理解了數(shù)據(jù)的語義，就有可能利用領(lǐng)域知識來擴展特征空間，從而提高模型準確性，這種擴展可以使用來自內(nèi)部或外部數(shù)據(jù)源的補充數(shù)據(jù)來完成。

AutoAI檢測到正確的語義概念，程序就會使用這些概念廣泛搜索現(xiàn)有代碼、數(shù)據(jù)和文獻中可能存在的相關(guān)特征和特征工程操作。

AutoAI可以使用這些新的、語義豐富的特征來提高生成模型的準確性，并通過這些生成的特征提供可供人類閱讀的解釋。

即使沒有評估這些語義概念或者新功能的專業(yè)知識，數(shù)據(jù)科學家們還是可以試用AutoAI。但是，想要理解發(fā)現(xiàn)的語義概念并與之交互的數(shù)據(jù)科學家可以使用Semantic Feature Discovery（語義特征發(fā)現(xiàn)）可視化資源管理器來探索發(fā)現(xiàn)的關(guān)系。

AutoAI 的三個階段

第一階段：模型設(shè)計、調(diào)參自動化

當前，很多學者都已經(jīng)注意到，學術(shù)界或者工業(yè)界的優(yōu)秀人才所聚焦的研發(fā)，花費太多時間用于模型結(jié)構(gòu)設(shè)計以及調(diào)參，但實際上它本不應(yīng)該成為研究的主要內(nèi)容。有沒有一種自動化的方法，讓深度學習的網(wǎng)絡(luò)架構(gòu)在面對一個問題的時候，能自主的演化其架構(gòu)，這才是關(guān)鍵。

第二階段：簡單模型訓(xùn)練的軟件化

第一階段的自動化主要面向?qū)�業(yè)的算法研究人員，第二階段的系統(tǒng)化則面向一般的 AI 從業(yè)人員。主要目標是在給定標注好的數(shù)據(jù)的情況下，通過可視化的操作界面實現(xiàn)模型的訓(xùn)練。

第三階段：數(shù)據(jù)迭代自動化

在算法設(shè)計自動化的基礎(chǔ)上，正在發(fā)生一些變化。模型和數(shù)據(jù)到底哪一個更重要 ，在設(shè)計化的工業(yè)生產(chǎn)中，以模型為中心的技術(shù)研發(fā)已經(jīng)轉(zhuǎn)化成以數(shù)據(jù)為中心的技術(shù)研發(fā)。

數(shù)據(jù)的迭代越來越重要

在工業(yè)化大規(guī)模發(fā)展中，大家正在慢慢地從模型為中心的生產(chǎn)轉(zhuǎn)化為以數(shù)據(jù)為中心。

可從兩個維度來提高它的性能，一是以模型為中心的方法，即想盡各種辦法提高模型設(shè)計的復(fù)雜度、技術(shù)含量等；

二是以數(shù)據(jù)為中心的方法，比如加數(shù)據(jù)（加數(shù)據(jù)也是有一些科學方法的，并不是加了數(shù)據(jù)后性能一定會提高）、檢查數(shù)據(jù)有沒有問題等等。

會發(fā)現(xiàn)，以數(shù)據(jù)為中心的方法比以模型為中心的方法能更多地提高性能。

做模型生產(chǎn)時也得到這樣一個結(jié)論：越到后面，數(shù)據(jù)的迭代越來越重要。因為所有模型的服務(wù)實際上是針對某一個特定場景，使用的是特定的數(shù)據(jù)。

結(jié)尾：AutoAI未來適配率極高

如今，有自動化 AI 模型生產(chǎn)平臺需求的，已經(jīng)不僅僅是谷歌、微軟、Meta、IBM、蘋果等大公司了，我們國內(nèi)就有不少房地產(chǎn)公司開始投入 AI。他們都有人才的需求，自動化的 AI 可以降低他們的成本。地產(chǎn)公司、物業(yè)公司，以及像寧德時代這樣做電池的公司，都在慢慢引入AI來解決實際問題。

AI是一個非�；�礎(chǔ)的能力，可以提高我們做事情的效率，AI并不改變行業(yè)，但是可以提升所在行業(yè)的生產(chǎn)效率，所以這種影響是全方位的，已經(jīng)慢慢地波及到非技術(shù)類公司了。

更不用說現(xiàn)在廣泛的制造業(yè)，制造過程中的很多環(huán)節(jié)都可以利用到AI的能力。如果想提高自己的國際競爭力，提升自己的生產(chǎn)質(zhì)量，就需要AI的能力去賦能生產(chǎn)。

部分內(nèi)容來源于：雷鋒網(wǎng)：下一代 AutoAI：從模型為中心，到數(shù)據(jù)為中心；至頂頭條：IBM的AutoAI讓數(shù)據(jù)科學家更高效，但可怕的是它正在變得太智能了；AI科技評論：下一代AutoAI：從模型為中心，到數(shù)據(jù)為中心

       原文標題 : AI芯天下丨趨勢丨下一代 AutoAI：算法的迭代變成數(shù)據(jù)的迭代