AutoML：未來“讓 AI 學習設計 AI”

機器學習的興起帶動了這一波人工智慧的浪潮。而自動機器學習 AutoML 則有可能引領下一代潮流。

AutoML 是一套用於自動化神經網路設計和訓練的 AI 工具套件，它透過減少對 AI 專業知識的依賴，降低企業的准入門檻，使技術更民主化。通常，構建表現優良的機器學習應用，需要非常專業的資料科學家和領域專家。而 AutoML 的目標則是在即使沒有統計學和機器學習方面的廣泛知識的情況下，也能自動構建機器學習應用。

“神經網路的設計非常耗時且對專業要求很高，為此，我們建立了一種名為 AutoML 的方法，希望讓神經網路自己設計神經網路。”谷歌 CEO 桑達爾·皮查伊（Sundar Pichai） 在博文中寫道。於是，谷歌於 2017 年正式為此創造了 “ AutoML”。

（來源：谷歌）

而自谷歌提出這一概念後，用於 AI 設計的 AutoML 工具，包括資料準備、訓練、模型搜尋及特徵工程的採用率一直在逐漸增加。如 Waymo 最近與谷歌合作，使尋找最佳神經網路架構的過程自動化，從而使自動駕駛汽車能夠從鐳射雷達（光檢測和測距）資料識別樹木、行人和車輛。谷歌雲 AutoML 還可用於計算機視覺、影片處理、翻譯和 NLP 任務。初創公司還為企業提供即插即用的解決方案。

同時，中國也出現了不少相關研究，稱能夠解放演算法工程師，讓 AI 自動化。在去年的資料探勘領域頂會 PAKDD 的 AutoML 挑戰賽上，中國公司深蘭的 DeepBlueAI、微軟&北航團隊、清華大學等團隊都有上榜。

其中，深蘭科技團隊設計的機器學習框架透過融合不同時期的資料以及結合 DNN 和 Light GBM 的訓練來自適應概念漂移，並引入了自適應取樣來緩解類別不平衡，同時在一定時間間隔上讓模型重複訓練以適應概念漂移，實現終身機器學習。

關鍵詞

人才短缺

在 AI 專家嚴重短缺的現實情況下，AutoML 能幫 AI 知識不足的企業將技術民主化。

成本和複雜性

即使對於專家而言，設計神經網路也是一個耗時的手動過程。AutoML 可建立更好的解決方案，並降低與試錯相關的計算成本。

https://blog.csdn.net/weixin_42137700/article/details/104279062