2020年伊始，全球領(lǐng)先的研究和咨詢機(jī)構(gòu)Gartner發(fā)布了《2020年十大戰(zhàn)略性技術(shù)趨勢：民主化》報告，系統(tǒng)闡述了“AI民主化”在企業(yè)智能化轉(zhuǎn)型過程中的意義，以及AutoML對實現(xiàn)AI民主化的關(guān)鍵作用。在該份報告中，第四范式獲得了Gartner的認(rèn)可，被列入了AutoML技術(shù)代表性廠商。為此，第四范式聯(lián)合Gartner發(fā)布了全球首個針對AutoML的系列白皮書——《AI for Everyone，AutoML引領(lǐng)AI民主化》以及《AutoML成就指數(shù)級增長：感知、認(rèn)知、決策算法布局提升企業(yè)決策水平》。

今天，AutoML正在幫助來自各行各業(yè)、處于不同技能水平和發(fā)展階段的企業(yè)落地AI應(yīng)用。毫無機(jī)器學(xué)習(xí)經(jīng)驗的醫(yī)生使用AutoML，提升了新生兒體重預(yù)測的準(zhǔn)確率;第三方互聯(lián)網(wǎng)營銷平臺的科學(xué)家使用AutoML，相較專家規(guī)則進(jìn)一步提升了廣告推薦點擊率;大型企業(yè)軟件開發(fā)人員使用AutoML實現(xiàn)了AI應(yīng)用的規(guī)?；涞?，將應(yīng)用上線周期由6個月縮短至1個月。

《AI for Everyone，AutoML引領(lǐng)AI民主化》報告結(jié)合了Gartner對企業(yè)AI應(yīng)用現(xiàn)狀的調(diào)查報告，針對企業(yè)AI應(yīng)用過程中的兩大關(guān)鍵挑戰(zhàn)——高技能門檻和低開發(fā)效率，深入解析了支撐AI民主化的引領(lǐng)性技術(shù)AutoML，并提出實現(xiàn)AutoML落地的正確方式，旨在幫助企業(yè)從容面對智能化轉(zhuǎn)型中的機(jī)遇和挑戰(zhàn)。

AI人才供需嚴(yán)重失衡，深層原因是高人才門檻和低開發(fā)效率

近年來，成功應(yīng)用AI所帶來的業(yè)務(wù)價值增長，使得企業(yè)對AI應(yīng)用需求呈現(xiàn)井噴增長趨勢。Gartner預(yù)測，2022年企業(yè)平均部署人工智能和機(jī)器學(xué)習(xí)項目將達(dá)到35個。

2019-2022年企業(yè)AI/ML項目平均部署數(shù)量

面對即將到來的AI應(yīng)用場景爆發(fā)，企業(yè)是否已經(jīng)做好充足準(zhǔn)備?答案是否定的。在Gartner調(diào)查中，56%的受訪企業(yè)都將“人才不足”作為AI項目落地的首要挑戰(zhàn)。

阻礙企業(yè)應(yīng)用AI的主要挑戰(zhàn)

AI人才不足體現(xiàn)在兩個方面，一是數(shù)量匱乏。以中國地區(qū)為例，教育體系每年培養(yǎng)的AI高級人才數(shù)量只有千人級別，遠(yuǎn)遠(yuǎn)無法滿足每年達(dá)百萬級的AI場景數(shù)增長。二是分布不均，全球AI科學(xué)家高度集中在美國硅谷和北京中關(guān)村，而絕大多數(shù)企業(yè)所在地都沒有足夠的AI科學(xué)家。

人才缺失阻礙企業(yè)享受AI帶來的紅利，究其背后原因，是過高的人才門檻和低下的開發(fā)效率，導(dǎo)致AI人才無法實現(xiàn)快速培養(yǎng)并有效產(chǎn)出價值。

首先是人才門檻過高。傳統(tǒng)機(jī)器學(xué)習(xí)模型構(gòu)建通常由問題定義、數(shù)據(jù)收集、特征工程、模型訓(xùn)練、模型評估等環(huán)節(jié)組成。模型構(gòu)建難度大、技術(shù)門檻高，往往需要具備專業(yè)知識的科學(xué)家完成。培養(yǎng)AI科學(xué)家的門檻極高，往往需要8-10年時間，即使是IT專業(yè)人員，沒有經(jīng)過長時間的學(xué)習(xí)和實踐積累，也很難掌握模型構(gòu)建、參數(shù)調(diào)整等關(guān)鍵技能。

其次是開發(fā)效率低下。即使那些投擲重金聘請科學(xué)家的企業(yè)，也并未收獲到所期望的業(yè)務(wù)價值。這背后的突出問題是，科學(xué)家大量時間都消耗在數(shù)據(jù)、特征及模型選擇等重復(fù)性工作上。而真正用于定義業(yè)務(wù)問題、提供創(chuàng)新性解決方案的時間卻少之又少。這些工作占用了科學(xué)家的寶貴時間，導(dǎo)致其建模效率不足，使其無法發(fā)揮出企業(yè)所期待的價值，企業(yè)AI應(yīng)用落地進(jìn)程嚴(yán)重滯后。

AutoML開啟企業(yè)AI民主化實踐，讓AI發(fā)展突破人的瓶頸

AI人才的高技能門檻和低開發(fā)效率，讓人工智能的發(fā)展受制于“人”。AutoML作為支撐AI民主化發(fā)展的代表性技術(shù)，將賦予企業(yè)以低門檻、高效率實現(xiàn)AI規(guī)?；_發(fā)的能力。

AutoML通過自動化機(jī)器學(xué)習(xí)算法覆蓋建模全流程，減少人在數(shù)據(jù)準(zhǔn)備、特征工程、模型訓(xùn)練和模型評估等環(huán)節(jié)重復(fù)性工作，釋放AI人才被浪費的寶貴時間，解決AI專業(yè)人才短缺和開發(fā)效率不足的難題。Gartner預(yù)測，到2023年，有40%的公民數(shù)據(jù)科學(xué)家(即企業(yè)的IT開發(fā)者或業(yè)務(wù)人員)將使用自動化機(jī)器學(xué)習(xí)來完成業(yè)務(wù)場景的建模，這將極大程度釋放AI帶來的價值。

AutoML自動化機(jī)器學(xué)習(xí)建模全流程

目前，頂級AutoML建模效果已經(jīng)與頂尖的數(shù)據(jù)科學(xué)家水平相當(dāng)。在全球知名的Kaggle機(jī)器學(xué)習(xí)競賽中，第四范式的AutoML算法在結(jié)構(gòu)化和非結(jié)構(gòu)化等挑戰(zhàn)項目中的建模效果戰(zhàn)勝了超過98%數(shù)據(jù)科學(xué)參賽選手，意味著每50位全球頂尖數(shù)據(jù)科學(xué)競賽選手，只有1位能戰(zhàn)勝第四范式的AutoML。

AutoML的大規(guī)模應(yīng)用，需要以產(chǎn)品化形式輸出和投產(chǎn)

頂尖的AutoML算法相當(dāng)于AI應(yīng)用構(gòu)建的“引擎”。而AI應(yīng)用的開發(fā)是一項非常復(fù)雜的精細(xì)化工程，涉及諸多環(huán)節(jié)。假如沒有一套完整的AI開發(fā)工具，各個環(huán)節(jié)就會變成彼此割裂、互不兼容的“孤島”，不僅導(dǎo)致科學(xué)家在開發(fā)過程中疲于奔命，也會讓AI規(guī)?；兂?ldquo;泡影”。只有打造基于AutoML算法“引擎”的“自動化工廠”，實現(xiàn)全面產(chǎn)品化，才能真正推動AI產(chǎn)業(yè)化落地。

為此，第四范式將AutoML算法進(jìn)行了產(chǎn)品化封裝，打造了一款低門檻、高效率、持續(xù)優(yōu)化的自動化AI生產(chǎn)力平臺Sage HyperCycle ML。作為一款成熟的企業(yè)級AutoML產(chǎn)品，Sage HyperCycle ML有三方面的優(yōu)勢，首先通過領(lǐng)先AutoML算法加持，降低了使用人員的技能門檻，使得AI應(yīng)用開發(fā)不再局限于科學(xué)家，把企業(yè)IT開發(fā)者及業(yè)務(wù)人員轉(zhuǎn)變?yōu)锳I模型開發(fā)的生力軍;其次是AI建模的全流程自動化，提升落地效率，將AI應(yīng)用上線周期從以半年為單位縮短至周、天、乃至小時級別;此外，Sage HyperCycle ML的閉環(huán)自學(xué)習(xí)技術(shù)支持模型持續(xù)動態(tài)調(diào)優(yōu)，實現(xiàn)小時、分鐘乃至秒級的數(shù)據(jù)更新和模型迭代，解決了模型上線后模型迭代頻率低、人力成本居高不下的問題。

極簡界面的第四范式Sage HyperCycle ML平臺

通過打造該平臺，將AutoML算法嵌入到平臺產(chǎn)品中，算法的“引擎”作用才可能充分發(fā)揮，從而支撐AI的規(guī)?；涞?。

AI產(chǎn)品和工具的落地，需要正確的方法論指導(dǎo)

AutoML的產(chǎn)品化，意味著機(jī)器學(xué)習(xí)項目取得了一半的成功。然而，模型應(yīng)用上線過程中，錯誤的認(rèn)知造成各種各樣的問題和挑戰(zhàn)。這些問題和挑戰(zhàn)影響模型效果，延長建模周期，帶來極大的人力和時間消耗，嚴(yán)重影響企業(yè)業(yè)務(wù)價值創(chuàng)造。

只有當(dāng)AutoML產(chǎn)品被正確的使用，AI項目才能真正落地并創(chuàng)造業(yè)務(wù)價值。為此，第四范式凝練出AI項目落地的方法論，解決模型構(gòu)建與模型應(yīng)用上線之間存在的割裂問題，幫助企業(yè)實現(xiàn)AI應(yīng)用落地。

具體來看，第四范式針對企業(yè)落地AI過程中四個方面的誤區(qū)提出了解決辦法。首先，在系統(tǒng)構(gòu)建方面，企業(yè)應(yīng)當(dāng)搭建閉環(huán)的數(shù)據(jù)治理架構(gòu)，明確定義AI的目標(biāo)、行為和反饋，避免在數(shù)據(jù)治理過程中消耗大量不必要的精力;第二，在數(shù)據(jù)準(zhǔn)備方面，企業(yè)應(yīng)當(dāng)基于線上的單一數(shù)據(jù)來源進(jìn)行收集和處理，避免多來源數(shù)據(jù)的形式和邏輯不一致，導(dǎo)致模型效果與實驗室效果產(chǎn)生巨大差距乃至反轉(zhuǎn);第三，在模型構(gòu)建方面，企業(yè)應(yīng)當(dāng)利用自動化的機(jī)器學(xué)習(xí)平臺實現(xiàn)全流程自動化，讓業(yè)務(wù)人員也能開發(fā)AI模型，避免AI落地受制于“人”。第四，在模型上線后，企業(yè)應(yīng)通過自學(xué)習(xí)技術(shù)保持模型效果的持續(xù)迭代，避免模型停滯不前，效果隨時間推移而衰減?；谡_的方法論，企業(yè)利用AI產(chǎn)品實現(xiàn)AI的規(guī)?；涞貙睦硐胱?yōu)楝F(xiàn)實。

總結(jié)來說，面對AI落地需求井噴和AI人才嚴(yán)重不足的失衡局面，AI民主化是實現(xiàn)AI規(guī)?；涞貞?yīng)用、創(chuàng)造更大商業(yè)價值的必然路徑。而AutoML技術(shù)是AI民主化的關(guān)鍵技術(shù)支撐。通過將AutoML技術(shù)進(jìn)行產(chǎn)品化嵌套，配合正確的落地方法論，構(gòu)成一套系統(tǒng)的AutoML落地解決方案和路徑，這將使更多的企業(yè)和人才有機(jī)會享受到AI帶來的效率，從而釋放巨大的商業(yè)價值。

（免責(zé)聲明：本網(wǎng)站內(nèi)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(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準(zhǔn)確性及可靠性，但不保證有關(guān)資料的準(zhǔn)確性及可靠性，讀者在使用前請進(jìn)一步核實，并對任何自主決定的行為負(fù)責(zé)。本網(wǎng)站對有關(guān)資料所引致的錯誤、不確或遺漏，概不負(fù)任何法律責(zé)任。
任何單位或個人認(rèn)為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權(quán)或存在不實內(nèi)容時，應(yīng)及時向本網(wǎng)站提出書面權(quán)利通知或不實情況說明，并提供身份證明、權(quán)屬證明及詳細(xì)侵權(quán)或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關(guān)文章源頭核實，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。 ）