如何讓AI人人可用？OneClick.ai要用自動化打破技術障礙
近年來，AI憑藉效率優勢和應用場景日漸豐富，被越來越多的行業使用者所認可。但在發展過程中，AI也面臨著一些根本性的挑戰，比如從技術團隊建設、資料清洗、演算法設計、模型優化再到後期的實施部署，所需要的人力物力成本都很高，以人才為例,擁有AI專業背景知識與研究經驗的人才年薪動則幾百萬且非常稀缺,而培養一個合格的AI人才也需要6-10年的時間。
在這樣的背景下，對於非技術領域企業哪怕是一些銷售超過1000億人民幣的大企業，自建團隊都顯得不切實際，那AI技術能力從哪兒來？對於部分技術企業來說，AI技術人才又貴又少，如何將他們從模型開發中解放出來，去了解更多業務？如果對業務不瞭解又如何在極短的時間內滿足相應業務的需要快速建立模型投入生產？
OneClick.ai的創始人沈淵認為，機器自動化是一個解決辦法。即通過自動化模型開發和部署，使用者無需程式設計，無需任何資料科學經驗與技術背景，只需匯入資料，定義預測目標即可得到模型。
讓機器自己去學習
在機器自動化領域，近幾年國內外一些巨頭公司也都部署了相關的業務，國內的百度、阿里都提供了人工智慧平臺服務，國外的微軟推出了全自動影象平臺 Custom Vision Services，支援影象分類，允許使用者利用少量影象建立CNN 模型。谷歌今年也上線了Cloud AutoML，支援計算機視覺模型。
這些巨頭公司大多通過兩種方式提供服務，一種是直接提供即插即用的API介面，使用者完全不需要任何專業知識就可以方便的使用。不過這種方式僅限於具有普遍性的一些應用，比如機器翻譯、人臉識別等。另外一種服務是以開發工具的形式提供的，通過視覺化來提高人工智慧的開發效率。這種方式功能縱然靈活、強大了許多，但也要求使用者具備相當的機器學習專業知識和實際經驗。
如何能夠兼顧API方式的便捷和開發工具方式的靈活性呢？將自動化機器學習（AutoML）技術與深度學習相結合，自動完成演算法模型（包括神經網路結構）的定製、訓練，既可以為多種業務場景提供定製解決方案，而且沒有人工定製開發所面臨的高成本高風險等問題。
銷售預測及供應鏈管理等時序資料應用成為應用頻次最多業務場景
近年，流量紅利已開始萎縮，企業經營成本也越來越高，更多的企業開始關注對運營、收益、供應鏈的管理優化，以求降低成本，更好的適應市場需求的變化，而這些場景面臨的共同挑戰是對歷史銷售資料的充分挖掘。
傳統時序分析技術，由於處理的資料型別過於單一、缺乏對不同產品資料之間關係的分析能力，導致準確率低，也不能很好的處理實際應用中常見的促銷、新品等問題。即使投入長時間的研發和鉅額的成本，也很難幫助企業獲得預期的效果。
深度學習的特點讓演算法可以在短時間內發現時序資料中數以萬計的隱藏規律，並將這些複雜的規律統籌起來進行預測。這些規律包括但不侷限於年度、季節、月份的週期效應、節假日、銷售週期的影響，以及產品之間的競爭、促進關係。深度學習對資料中的非時間因素也可以最大限度的利用，即便這些資訊是以文字形式呈現的，比如產品描述、產品類別、銷售渠道、促銷資訊、市場推廣、銷售目標、提成等。
實際使用過程中，零售業務單品銷售預測準確度保持在 90% 以上，比傳統的預測方法提高了十幾個百分點。
OneClick.ai目前採用按月收費的訂閱制，針對不同的資料處理需求提供多種個人、企業套餐，支援雲端和本地兩種部署方案。
相對於稀少的專業機器學習人才，業務人員更熟悉業務邏輯，通過自動化平臺，資料的預處理、建模、訓練全部在平臺中自動完成，無需使用者的參與，業務人員更能夠發揮他們的業務經驗，把複雜的人工智慧技術問題轉化為簡單的業務問題。