本文摘要：随着概念的普及，科技公司对人工智能的拒绝更加低，成本、准确度、效率都影响着人工智能能否落地带入日常的用于中。对人工智能应用于的快速增长也进而促成了对影响人工智能水平的关键要素——机器学习方法的市场需求。自动化机器学习方法AutoML应运而生。近年来，在深度自学领域里，经常出现了一种「新式自学法」，很多人视它转变了设计简单的深度自学网络，把看起来高不可攀的深度自学，「纳」到了人人触手可及的程度。 这个新的方式，就是 AutoML。

随着概念的普及，科技公司对人工智能的拒绝更加低，成本、准确度、效率都影响着人工智能能否落地带入日常的用于中。对人工智能应用于的快速增长也进而促成了对影响人工智能水平的关键要素——机器学习方法的市场需求。自动化机器学习方法AutoML应运而生。近年来，在深度自学领域里，经常出现了一种「新式自学法」，很多人视它转变了设计简单的深度自学网络，把看起来高不可攀的深度自学，「纳」到了人人触手可及的程度。

这个新的方式，就是 AutoML。2017 年 5 月，谷歌在 I/O 大会上公布了 AutoML，他们将 AutoML 应用于到了深度自学的图像识别和语言建模的两大数据集中于，他们获取的 Cloud AutoML 和 Google NAS 算法融合，把原始的机器学习工作制成了云端产品，用户只必须提供数据，Cloud AutoML 将自动建构深度自学模型。换言之，AutoML想做的，正如其名：自动化机器学习。

传统的AI模型训练往往要经历特征分析、模型自由选择、徵荐、评估等步骤，这些步骤必须经历数月的时间，如果几乎没有经验，时间不会更长。AutoML虽然也必须经历这些步骤，但是通过自动化的方式，可以增加这些步骤的时间。自由选择怎样的参数，被自由选择的参数否有价值或者模型是不是问题，如何优化模型，这些步骤在从前是必须依赖个人的经验、科学知识或者数学方法来辨别的。

而AutoML可以几乎不必倚赖经验，而是靠数学方法，由原始的数学推理小说的方式来证明。通过数据的产于和模型的性能，AutoML不会大大评估拟合解法的分布区间并对这个区间再度取样。

所以可以在整个模型训练的过程中延长时间，提高模型训练过程的效率。如何增进技术公平，减少技术应用于门槛，让不懂技术的用户也可以用于人工智能；如何优化机器学习的流程和结果，执掌数据科学家们投放更加有价值的工作，正是 AutoML 以及人工智能领域未来期望攻下的难题之一。

在2018年谷歌云全球NEXT大会上，李飞飞宣告，谷歌AutoML Vision转入公共正式版，并发售了两款新的AutoML产品：AutoML Natural Language和AutoML Translation。这个取名为Cloud AutoML的宏伟项目浮出水面之时，被业内称作“Google Cloud发展的战略转型”——仍然以来面向机器学习人工智能开发者的Google Cloud，这次将服务对象改向了普罗大众。你只需在改为系统中上载自己的标签数据，大能获得一个训练好的机器学习模型。

整个过程，从引入数据到标记到模型训练，都可以通过拖放界面已完成。只不过在谷歌公布AutoML前后，机器学习自动化的产品风潮早已刮起：2017年底，微软公司公布CustomVision.AI，涵括图像、视频、文本和语音等各个领域。

2018年 1 月，他们又发售了几乎自动化的平台 Microsoft Custom Vision Services（微软公司自定义视觉服务）。同年，国内也经常出现了不少涉及产品，称之为需要和平算法工程师，让AI自动化，其中的代表即是百度的EasyDLEasyDL 在 2017 年 11 月初上线了自定义化图像识别服务，并在业内进行公开发表测试。在 2018 年 4 月、5 月和 7 月相继公布了自定义化物体检测服务、自定义化模型设备末端计算出来和自定义化声音辨识等多个自定义化能力方向，并构成了从训练数据到最后自定义化服务的一站式端云一体平台。目前 EasyDL 的各项自定义能力在业内广泛应用，总计过万用户，在还包括零售、安防、互联网内容审查、工业质检等等数十个行业都有应用于落地，并提高了这些行业的智能化水平和生产效率。

此外，旷视原创自研的人工智能算法平台Brain++也构建了行业领先的AutoML技术，对深度自学算法的各个关键环节展开自动化的设计、搜寻和优化。旷视Brain++ AutoML技术以One-Shot方法为核心，力图一次训练才可已完成自动化过程，将计算出来代价增大至传统AutoML方法的万分之一，在高效率的时间内搜寻出有高性能、不易部署的模型结构。比起于市场上的AutoML技术，旷视的AutoML技术有以下优势：1. 计算出来代价小。

传统的AutoML技术经常必须多次训练模型甚至不会迭代部分模型空间，计算出来代价极大。旷视的AutoML技术以one-shot方法为核心，只需训练一次才可获得整个模型空间的刻画，大大增大了计算出来代价，只是平时训练代价的1-3倍。2. 应用于范围广。

旷视的AutoML技术获取了一套原始的解决方案，覆盖面积了大部分业务，还包括活体检测、人脸识别、物体检测、语义拆分等。3. 部署便利。旷视的AutoML技术涵括了数据处理、模型训练、模型传输、模型分析等流程，自动处置从数据到落地。

4. 精度高。旷视的AutoML技术在诸多视觉任务上，多达人类手工设计，超过了业界拟合。

本文来源：南宫28圈官网-www.kubernetek.com