『人工智能』几十秒构建端到端 AI，NeurIPS 2020 AutoDL 竞赛夺冠“黑马”原来靠的是这门技术( 四 ) |技术|深度学习|机器学习|

本文插图
实现完全 AutoML ，要突破全能、快速找解两大难题
谈完大佬的经历，现在回归技术本身。吴承霖说，虽然 AutoML 技术的出现很大程度上简化了企业部署 AI 的难度，但在他眼里，目前业界做 AutoML 的技术生态并不是很完善，因为企业所做的 AutoDL 大多是 Semi（半自动）AutoML ，只关注 NAS、超参调整等领域，但工业界的同学都很清楚，深度学习的落地还要解决非常多的现实问题，只做 Semi-AutoML 是不太好用的。一句话概括，自动化机器学习的未来，在于完全自动化。
除此之外， AutoDL 在底层技术上的不完美也是清晰可见的，核心还是模拟人类的“全知全能”需要很大的工作量。吴承霖说， AI 还无法真正自主发现新的模式，需要先“人为的”全知全能才能学习、演化。
其次，现实世界的数据往往是ill-posed（不适定）的，问题极多，而解这些问题的方法成百上千，很难做出选择，类似的问题叠加起来，可能有着 10^200 次方的解空间，那么找出最优解的开销，可想而知有多大。
吴承霖解释到，这里他所说的“全知全能” ，是指清楚人类 AI 工程师做的所有（或大部分）工作，就是全知；把人类 AI 工程师做的所有工作抽象为标准化部件，就是全能。
要实现完全自动化机器学习，吴承霖认为还需要克服两大难点：
首先， AutoDL 要全能。 AI 落地是不能有短板的，有一块短板就可能带来 20%-30% 的准确率损耗， Semi-AutoML 存在着明显的短板。
其次，找解的速度要非常快。解的空间很大，如何在巨大的解空间中快速找到最优解，这是一个非常核心的问题。
当前， AutoDL 的技术生态已经相对较完善，随着 2018-2019 年 BERT 的逐渐优化，各个领域的自监督模型逐步发展，吴承霖认为这个领域的产业化进程会加快。
在落地层面，深度赋智的 AutoDL 主要应用于电商场景，未来还将向新零售、金融、工业领域拓展。吴承霖告诉 CSDN ，AutoDL 在真正落地时，其实还是面临着很多难点与痛点，最重要的在于场景的转化上，很多客户的需求需要被理解、转化成 AI 可解的问题，这样才能更好地解决现实问题。

本文插图
AutoML 路在何方？
作为一项可能极大促进强 AI 发展的技术， AutoML 被业界和学界所关注，其中关于效率和泛化性的问题更是人们研究的热点方向。在这一个问题上，深度赋智的做法可能会给研究人员带来一些启发。
为提高模型和算法的效率和泛化性，深度赋智提出了上文中提到的 MetaAI 技术，这项技术的核心就在于模仿人类的优化操作，比如人类在做过一系列类似数据集之后就会有 sense ，知道 A pattern 要设置大 batch size、用 focal loss 做均衡， B pattern 则要用 mish 做激活、radam 做优化器。而深度赋智的 AI 可以拟人化，学到这些操作，进而学习如何针对不同的数据集做泛化。随着 AI 见过的数据集越来越多，效果会随之越来越好。而在效率问题上，只要见过类似的数据集， MetaAI 就可以即刻给出近似最优解，最快只需几秒，就可以实现人类的长周期效果。
未来， AutoML 会向着什么方向发展呢？这是所有人都关心的问题。对此，吴承霖给出了一个值得思考的回答：“可能 Full-AutoML 是一个真正的开始，我们真正走向AI演化AI的第一步。什么时候它能够演化自己，那可能奇点就到来了。 ”
这个奇点何时才能到来呢？就要看各界专家的成果了，将来说不定你就是最终时刻催动质变的一份子！