第四正規化釋出AI Prophet AutoML 讓業務人員也可以開發AI應用
9 月 18 日,在 2018 世界人工智慧大會期間。第四正規化釋出了自動機器學習平臺——AI Prophet AutoML 與計算機視覺平臺——AI Prophet AutoCV 兩款產品。Prophet AutoML 是一款讓普通業務人員也可以開發 AI 應用的平臺,其產品設計核心是讓機器自動地在不同行業裡學習歷史上的決策與反饋,並以此為基礎制定和執行企業的業務規則;Prophet AutoCV 是通過資料驅動的方式,使得使用者具有自動、自主的 CV 應用構建能力。據悉,定位於低門檻的企業級平臺,AutoML 平臺和 AutoCV 平臺能夠化身為企業的大腦和眼睛,幫助企業快速高效地實現 AI 落地。
針對於此次釋出的產品具體解決了什麼問題,戴文淵表示:「科學和業務,這兩者對人的需求不同。讓一個 AI 科學家花很長時間變成一個業務專家,或者要讓一個業務專家花很長時間成為一個 AI 科學家,這樣做效率太低。與此同時,AI 需要一個人既能做好演算法、又懂得業務、再加上資料處理又要求一定的工程能力,同時兼具這三種能力的人,少之甚少。」戴文淵認為,人工智慧在行業應用的價值已經不需要再去證明,目前最大瓶頸在於規模化應用。「要做 AI 得先請一個科學家,而全球 AI 人才尚不足千人、複合型 AI 人才更是遠不及這個數。人才讓本該更多領域集體爆發的一場 AI 變革,遲遲沒有到來,因為需求還在排隊等待被解決。只有 AI 應用門檻降低到普通開發者也能做的程度,AI 時代才真正來臨。」
據瞭解,此次釋出的第四正規化AI Prophet AutoML 通過簡潔、易理解、易操作的方式覆蓋了從模型調研到應用的機器學習全流程。全自動可謂是該產品的最大亮點,使用者只需「收集行為資料、收集反饋資料、模型訓練、模型應用」4 步,無需深入理解演算法原理和技術細節,即可實現全流程、端到端的 AI 平臺構建。在以往的機器學習構建過程中,AI 科學家需要參與幾乎所有的機器學習階段,包括:收集資料、特徵工程、調整模型 超引數 ,模型評估等,現在這些工作幾乎都能夠交由開發者甚至是業務人員來解決。在降低門檻的同時,AI Prophet AutoML 還展現出了比較高的模型水準。經上線資料表明,目前該平臺在疾病預測、金融反欺詐、網際網路推薦、廣告營銷、風險控制等高價值、高難度的決策類場景下,做出了接近甚至超過頂級資料科學家的模型效果,讓 AI 擁有出色的決策能力。
Prophet AutoCV 是第四正規化為企業提供的計算機視覺應用通用服務的系統,按照過去計算機視覺應用構建流程,企業構建一個智慧視覺應用需要歷經 9 個必要過程,花費 20 人專家團隊近 60 天時間;而採用 AutoCV 平臺後,只需耗費 1 名業務人員 1 天的時間,不僅生產效率提升 120 倍,TCO 成本(Total Cost of Ownership,即總擁有成本)也呈現數量級下降。此外,AutoCV 平臺將構建計算機視覺應用的能力真正賦予企業,企業可以根據實際存在的業務需求、自己構建大量的計算視覺應用,此前大部分這類「零散」需求基本都找不到對應的解決方案供應商。AutoCV 平臺目前已經應用於票據分類、VIP 識別、合規檢測、異常識別、機件識別、客流分析、使用者畫像、病理切割等多個計算機視覺「長尾「業務應用,讓企業睜開智慧之「眼」。
AutoML 和 AutoCV 平臺的核心在於讓無人工智慧背景的人也可構建 AI,將整個機器學習過程自動化,利用 AI 技術自動生成 AI 應用。對此,戴文淵表示,過去,包括深度學習在內的機器學習需要人為地去定義引數或者調整引數,包括各種各樣的演算法設定、網路結構等。現在,AutoML 平臺讓大部分事情都轉交由計算機來完成,使用者只需要確定好業務目標,以及不斷地給計算機資料、反饋資料,這個計算機就會變得越來越聰明。他預期,在 AutoML 技術的加持下,今後的三五年內,AI 將迎來在國內各行各業的爆發。
ofollow,noindex" target="_blank">產業 第四正規化 AutoML
相關資料
Artificial Intelligence
在學術研究領域,人工智慧通常指能夠感知周圍環境並採取行動以實現最優的可能結果的智慧體(intelligent agent)
來源: Russell, S., & Norvig, P. (2003). Artificial Intelligence: A Modern Approach.
Computer Vision
計算機視覺(CV)是指機器感知環境的能力。這一技術類別中的經典任務有影象形成、影象處理、影象提取和影象的三維推理。目標識別和麵部識別也是很重要的研究領域。
來源:機器之心
Feature engineering
特徵工程是利用資料所在領域的相關知識來構建特徵,使得機器學習演算法發揮其最佳的過程。它是機器學習中的一個基本應用,實現難度大且代價高。採用自動特徵工程方法可以省去採用人工特徵工程的需求。Andrew Ng 說“挖掘特徵是困難、費時且需要專業知識的事,應用機器學習其實基本上是在做特徵工程。”
來源: Wikipedia
Hyperparameter
在機器學習中,超引數是在學習過程開始之前設定其值的引數。 相反,其他引數的值是通過訓練得出的。 不同的模型訓練演算法需要不同的超引數,一些簡單的演算法(如普通最小二乘迴歸)不需要。 給定這些超引數,訓練演算法從資料中學習引數。相同種類的機器學習模型可能需要不同的超引數來適應不同的資料模式,並且必須對其進行調整以便模型能夠最優地解決機器學習問題。 在實際應用中一般需要對超引數進行優化,以找到一個超引數元組(tuple),由這些超引數元組形成一個最優化模型,該模型可以將在給定的獨立資料上預定義的損失函式最小化。
來源: Wikipedia
Machine Learning
機器學習是人工智慧的一個分支,是一門多領域交叉學科,涉及概率論、統計學、逼近論、凸分析、計算複雜性理論等多門學科。機器學習理論主要是設計和分析一些讓計算機可以自動“學習”的演算法。因為學習演算法中涉及了大量的統計學理論,機器學習與推斷統計學聯絡尤為密切,也被稱為統計學習理論。演算法設計方面,機器學習理論關注可以實現的,行之有效的學習演算法。
來源:Mitchell, T. (1997). Machine Learning. McGraw Hill.
Deep learning
深度學習(deep learning)是機器學習的分支,是一種試圖使用包含複雜結構或由多重非線性變換構成的多個處理層對資料進行高層抽象的演算法。 深度學習是機器學習中一種基於對資料進行表徵學習的演算法,至今已有數種深度學習框架,如卷積神經網路和深度置信網路和遞迴神經網路等已被應用在計算機視覺、語音識別、自然語言處理、音訊識別與生物資訊學等領域並獲取了極好的效果。
來源: LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. nature, 521(7553), 436.
The 4th Paradigm
第四正規化是人工智慧技術與服務提供商,幫助企業實現智慧變革、創造商業價值。團隊已幫助金融、電信、網際網路等領域等100多家企業成功實現人工智慧轉型。2016年12月,第四正規化榮獲中國人工智慧界最高獎——“吳文俊人工智慧科學技術獎”創新獎一等獎,是首個獲得該獎項的企業。
涉及領域

機器之心是國內領先的前沿科技媒體和產業服務平臺,關注人工智慧、機器人和神經認知科學,堅持為從業者提供高質量內容和多項產業服務。
推薦文章