預(yù)先設(shè)置NAS算法能否實現(xiàn)AutoML自動機器學(xué)習(xí)革命

AutoML（自動機器學(xué)習(xí)）是深度學(xué)習(xí)的新方式，利用大數(shù)據(jù)分析、高性能計算、數(shù)據(jù)管理、算法、邊緣計算等技術(shù)。有了AutoML，我們就不再需要設(shè)計復(fù)雜的深度學(xué)習(xí)網(wǎng)絡(luò)，用于數(shù)據(jù)采集、數(shù)據(jù)預(yù)處理、優(yōu)化、應(yīng)用、人工智能和機器識別等領(lǐng)域。AutoML是將機器學(xué)習(xí)應(yīng)用于現(xiàn)實問題的端到端流程自動化的過程。

中國的人工智能市場

與美國相比，中國人工智能軟件市場的規(guī)模接近美國60%以上。與中國軟件市場占全球規(guī)模的比重相比，人工智能領(lǐng)域的創(chuàng)新成果顯著。預(yù)計2020-2025年，中國人工智能市場復(fù)合增長率將達(dá)到35.2%，仍占據(jù)全球主導(dǎo)地位。

從整體解決方案來看，2020年人工智能技術(shù)支出已經(jīng)占到行業(yè)企業(yè)IT支出的5.2%，預(yù)計到2024年，與AI相關(guān)的技術(shù)支出將占IT總支出的9.1%。從客戶服務(wù)到運營流程，從生產(chǎn)制造到IT支撐部門，越來越多的組織中的業(yè)務(wù)流程和數(shù)字化應(yīng)用正在集成或嵌入機器學(xué)習(xí)和AI技術(shù)，以支持業(yè)務(wù)智能決策。

企業(yè)級AutoML需具備的能力

如今，大多數(shù)用戶對AutoML的概念和現(xiàn)狀沒有清晰的認(rèn)識。結(jié)合當(dāng)前產(chǎn)品和行業(yè)用戶智能化現(xiàn)狀的基礎(chǔ)上，小藍(lán)認(rèn)為現(xiàn)階段企業(yè)級AutoML產(chǎn)品必須具備六大能力，遵循機器學(xué)習(xí)發(fā)展流程的基礎(chǔ)之上:適配行業(yè)屬性、開放靈活、低代碼易上手、可視化效果好、效率與成本平衡、支持快速部署。

AutoML最佳實踐

某省銀行

截至2020年末，該行總資產(chǎn)7574.83億元人民幣，下轄18家分行、2家直屬支行，共494個營業(yè)網(wǎng)點。2018年以來，該銀行啟動數(shù)字化轉(zhuǎn)型，成立數(shù)據(jù)銀行部。目前AI團隊規(guī)模在70人左右。堅持自主研發(fā)創(chuàng)新的發(fā)展路線，金融科技能力處于國內(nèi)城市銀行領(lǐng)先水平。

2018年以來，該銀行采用開源社區(qū)的Zeppelin系統(tǒng)，實現(xiàn)了小規(guī)模、非協(xié)作的機器學(xué)習(xí)模型的開發(fā)。隨著數(shù)據(jù)智能應(yīng)用建設(shè)的加速，為實現(xiàn)企業(yè)級AI協(xié)同和云原生AI服務(wù)，2019年某省銀行搭建企業(yè)級機器學(xué)習(xí)平臺。該平臺作為企業(yè)級模型開發(fā)和運營平臺，為數(shù)據(jù)科學(xué)家和建模者提供處理后的數(shù)據(jù)，為上層業(yè)務(wù)應(yīng)用提供接口工具。

主要在三個方向部署應(yīng)用：

1)在營銷方向：平臺開發(fā)營銷類模型、生產(chǎn)營銷資源和話術(shù)，為客戶經(jīng)理提供產(chǎn)品銷售預(yù)測和潛在客戶名單篩選，實現(xiàn)數(shù)字化營銷。

2)在運營方向上：采用OCR識別技術(shù)，讓開戶轉(zhuǎn)賬更加便捷，采用NLP技術(shù)，支持電話智能客服，優(yōu)化升級智能知識庫，利用預(yù)測模型，在網(wǎng)點智能派發(fā)現(xiàn)金，實現(xiàn)運營流程自動化。

3)在風(fēng)控方向：平臺上部署了信用記分卡等模型，基于DL算法進(jìn)行聯(lián)合建模，后者已實現(xiàn)拒絕回?fù)瓶蛻魯?shù)萬戶，累計放款數(shù)千萬人民幣。目前，該銀行自主研發(fā)了數(shù)十個機器學(xué)習(xí)項目，發(fā)布了OCR、NLP等數(shù)十項AI服務(wù)，日均調(diào)用數(shù)千次，場景工作量替代率達(dá)到70%，賦能全行業(yè)務(wù)數(shù)字化轉(zhuǎn)型升級。

在AutoML方面，該銀行使用DataCanvas的AutoML工具DAT，目前的效果主要體現(xiàn)在自動特征衍生和數(shù)據(jù)處理環(huán)節(jié)。目前該銀行AI應(yīng)用開發(fā)中最費時費力的部分是數(shù)據(jù)準(zhǔn)備和特征選擇環(huán)節(jié)。當(dāng)具備場景和數(shù)據(jù)可用時，DAT可以幫助業(yè)務(wù)分析師直接上手應(yīng)用程序開發(fā)。同時，DAT還可以幫助建模工程師處理特征和優(yōu)化超參數(shù)。目前能節(jié)省20-30%的工作量，預(yù)計未來提效會更加明顯。

某航空公司

該航空公司在多年的運營過程中積累了大量的數(shù)據(jù)。在智能化轉(zhuǎn)型升級過程中，與高校、外部伙伴合作開發(fā)AI算法模型，探索智能化應(yīng)用。

應(yīng)用主要關(guān)注三種場景:

1)運行類：在燃油消耗管理的應(yīng)用中，機載飛行數(shù)據(jù)記錄儀QAR記錄飛行參數(shù)數(shù)據(jù)，基于機器學(xué)習(xí)算法的航班燃油消耗影響因素模型可以通過分析這些數(shù)據(jù)為燃油精細(xì)化管理提供決策支持，實現(xiàn)單條航線在一個月內(nèi)節(jié)省數(shù)十噸航油的成果。

2)飛機維修類：在發(fā)動機損傷識別場景中，需要采用工業(yè)視頻內(nèi)窺鏡伸入發(fā)動機上預(yù)留的觀察孔進(jìn)行觀察、拍攝圖像，并通過基于深度學(xué)習(xí)的圖像分析算法識別劃痕的生長等情況，可以提高故障診斷的效率。2021年5月，該航空公司《數(shù)據(jù)驅(qū)動飛機健康監(jiān)控與預(yù)測維修關(guān)鍵技術(shù)》獲得2019年民航科學(xué)技術(shù)獎(民航全行業(yè)科技類的唯一獎項)一等獎，實現(xiàn)了民航維修領(lǐng)域的技術(shù)創(chuàng)新和能力突破。

3)營銷類：營銷部門人員正在AutoML開發(fā)AI算法，將用于票價分析、旅客人數(shù)預(yù)測等營銷場景，其中人數(shù)預(yù)測模型也可用于飛機動態(tài)備餐場景。

某股份制銀行

該行基于AutoML賦能多個行內(nèi)數(shù)字化轉(zhuǎn)型場景，如營銷領(lǐng)域的產(chǎn)品推薦、風(fēng)險控制領(lǐng)域的貸款違約率預(yù)測、反欺詐反洗錢、內(nèi)部管理領(lǐng)域的現(xiàn)金流預(yù)測和員工行為監(jiān)控管理。

基于AutoML，該行的開發(fā)人員可以基于平臺的工作流使用已有算子快速定制、訓(xùn)練模型，對定制化開源模型進(jìn)行統(tǒng)一的開發(fā)和管理，從而降低數(shù)據(jù)建模的門檻，減少代碼量，提高建模效率。具體在模型訓(xùn)練方面，對于數(shù)量較小的模型仍然采用單機建模訓(xùn)練，對于Spark框架中樣本超過百萬的模型進(jìn)行分布式訓(xùn)練。隨著平臺加快模型訓(xùn)練和部署，從模型構(gòu)建、部署到生產(chǎn)應(yīng)用的時間從1-2個月縮短到2-3周。從業(yè)務(wù)價值的角度來看，營銷A/B測試表明，與業(yè)務(wù)專家的經(jīng)驗相比，該模型在客戶引流和風(fēng)險交易管理方面帶來了顯著的改善。

AutoML加速您的AI應(yīng)用上線

在AI人才還不充足的今天，采用AutoML能夠幫助組織快速形成AI能力，提高開發(fā)效率，降低需要人工操作的任務(wù)量，促進(jìn)機器學(xué)習(xí)民主化等等。從機器學(xué)習(xí)開發(fā)流程的角度，AutoML可以減少人類在設(shè)計機器學(xué)習(xí)模型時出現(xiàn)的偏差和錯誤；企業(yè)也可以通過應(yīng)用AutoML來降低雇傭高級專家的成本。隨著組織中需要管理的模型數(shù)量的增長以及日益增加的應(yīng)用AI實現(xiàn)智能化升級的需求，有必要考慮引入AutoML工具，加速智能化應(yīng)用的部署上線。

藍(lán)海大腦利用大數(shù)據(jù)分析、高性能計算、數(shù)據(jù)管理、算法、邊緣計算等技術(shù)，自主研發(fā)的液冷GPU服務(wù)器為AutoML提供硬件保證。

審核編輯：符乾江