國內AutoML企業(yè)探智立方推出自動模型設計平臺，加速人工智能平民化

　 一鍵部署OpenClaw

三年前，谷歌大腦研究人員宣布創(chuàng)建了自動化機器學習平臺——AutoML，該AI系統(tǒng)能夠創(chuàng)造自己的AI系統(tǒng)。AutoML的誕生試圖探討這一技術能否讓更多行業(yè)專家能夠跨越工程與算法的障礙，僅利用專業(yè)知識和數(shù)據(jù)積累，可以在機器的幫助下完成深度學習算法的開發(fā)。從而大大提高模型設計效率，實現(xiàn)人工智能平民化。

在其內部，探智立方就是持有這種關注的一家公司，這家同樣是三年前成立的國內人工智能企業(yè)致力于開發(fā)一個有“自動模型設計”能力的平臺——DarwinML。那樣，DarwinML以進化算法為基礎，找到模型不依賴人工設計的“進化之路”，從而降低人工智能的應用門算法，讓各行業(yè)的IT人員，行業(yè)專家能更容易地將人工智能落地于各種適合并需要的場景中，解決人才補充及技術能力不足的普遍問題。

基于進化算法的AutoML路線

在AI自動模型設計方面，AutoML的實現(xiàn)路徑實際上包括四個大方向：強化學習，進化算法，遷移學習方法及元學習(MetaLearning是未來有潛力的方向之一)，目前各家公司的實現(xiàn)路徑不同，不過大多數(shù)采用的是遷移學習。與眾不同的是，探智立方一直堅持探索進化算法方向。

“目前正在應用的最多的AutoML方法基于遷移學習(transferlearning)，百度，華為，谷歌等公司推出的AutoML產品主要基于這種方法。”

不過可能也有缺點：需要背靠足夠大的數(shù)據(jù)科學家團隊，以及特定領域中豐富的模型種類。我們可以看到今天AutoML產品在圖像領域里效果最優(yōu)，這是因為圖像領域中可以獲取的資源是最多的(并非是模型，甚至模型權重都有開源)。

但在大量其他領域，如果希望對逐步，結構化數(shù)據(jù)進行處理和分析，沒有一定之規(guī)，也沒有現(xiàn)成成重，遷移的方法或許就無法適用了。

同時，基于序列模型的方法和元學習方法超越面臨的搜索空間過大后導致運算量需求指數(shù)級上升等不同挑戰(zhàn)。

在最重要的是，進化算法提供了另外一個途徑：它是真正有機會在機器學習模型設計任務中超越人類的不論是DAS還是NASNet，其初始條件都是固定配置。進化算法沒有這個限定，它能夠創(chuàng)造出全新的網絡結構，可能是有人從未設計出過的模型。”

AutoML的實際應用

錢廣銳介紹：“如今的學界對AutoML的研究主要集中在方法論本身，而探智立方更多關注如何能夠讓AutoML技術用戶實際的數(shù)據(jù)結合，在項目中落地。我們開發(fā)的DarwinML平臺，在幫助下大量的用戶學習了自己的數(shù)據(jù)，訓練自己的模型的過程中，也讓平臺越來越聰明，能夠更高效地幫用戶實際解決問題。”

“一個由3個人組成，經驗2-4年的數(shù)據(jù)科學團隊，在一到兩周時間內設計出來的模型，在使用DarwinML的情況下，目前，DarwinML已經可以大幅度提高數(shù)據(jù)科學家的工作效率了。可以做到效果更好，而且機器的模型生成時間不超過一天。”宋煜表示?？梢灶A見，在不遠的未來，探智立方在自動化機器學習(AutoML)方面的技術能力，將進一步助推人工智能的加速落地。

探智立方解決方案總監(jiān)徐寧和產品總監(jiān)宋煜

有興趣的企業(yè)客戶和行業(yè)專家可登錄探智立方的網站：www.iqubic.net，或按以下方式進行體驗。

申請創(chuàng)業(yè)報道，分享創(chuàng)業(yè)好點子。點擊此處，共同探討創(chuàng)業(yè)新機遇！