IT业界

Gartner&第四范式发布AutoML技术应用白皮书

字号+作者:techOL 来源:互联网综合 2020-12-30 15:47 收藏成功收藏本文

  2020年伊始,全球有名的研究和咨询机构Gartner发布了《2020年十大战略性技术趋势:民主化》报告,系统阐述了“AI民主化”在企业智能化转型过程中的意义,以及AutoML对实现AI民主化的关键作用。在该份报告中,第四范式获得了Gartner的认可,被列入了AutoML技术代表性厂商。为此,第四范式联合Gartner发布了全球优先针对AutoML的系列白皮书——《AI for Everyone,AutoML引领AI民主化》以及《AutoML成就指数级增长:感知、认知、决策算法布局提升企业决策水平》。

  AutoML是支撑AI民主化的关键技术。Gartner在《2020年十大战略性技术趋势:民主化》报告中提出,“尽管过去企业构建机器学习应用难度高、效率低,但近年来企业对机器学习技术的需求仍在快速增长,期望通过机器学习落地更多AI应用,这对AutoML技术带来巨大需求。Gartner认为,AutoML能够减轻人员负担,降低技术门槛,推动AI民主化实现。

  在《AutoML成就指数级增长:感知、认知、决策算法布局提升企业决策水平》白皮书中,全面展示了AutoML技术和算法全景,以及围绕提升企业决策能力的各类AutoML应用,在决策质量决定企业管理水平、进而深刻影响企业发展的当下,诠释了AutoML如何帮助企业全面提升决策水平,决胜数字化时代。

  自动化决策能力助推企业指数级增长

  近年来,大量成长速度远超同行的互联网巨头公司不断涌现,通过优越的效率实现了指数级增长,成为各个细分领域的领头羊。而对经营体系更为复杂、业务覆盖更为分散的传统企业而言,该如何改善公司治理,实现指数级增长?

  凭借多年帮助海量客户提升业务价值的经验,第四范式发现,企业实现高速增长的核心在于更优的业务决策,以决策带动企业治理水平与业务价值提升。

  著名军事学家John Boyd于1977年提出 OODA Loop决策周期理论,该理论目前已被广泛应用于指导企业决策。他认为,决策过程是由“观察(Observe)- 判断(Orient)- 决策(Decide)- 行动(Act)”四个环节组成的相互关联、相互重叠的循环周期。“观察”,即企业需要全面观察经营环境信息,为决策提供充足的信息依据;“判断”,即企业需要通过观察,准确的判断所处现状及未来发展,为决策提供可靠的参考结论;“决策”,即制定较优的决策方案,为整个决策流程走好最终的关键一步。而行动则是基于前三步的成果采取相应措施。在整个决策周期中,能否理想的完成观察、判断及决策环节,将决定该业务决策的整体质量和效果。

  以决策为核心的全栈AutoML算法布局,第四范式构成完整智能决策

  为实现全面观察、准确判断和更优决策的目标,第四范式建立了以提升整体决策水平为核心,包含感知类、认知类及决策类的全栈AutoML算法布局,为企业真正带来决策水平的全面提升。

感知类算法加持观察环节,实现全面观察

  企业业务场景中的图像、文本、语音等非结构化数据爆炸性增长,提升了企业实现全面观察的难度。如何有效处理海量多模态数据,较大程度激活并发挥其潜在数据价值,是企业在观察环节面临的关键挑战。

  第四范式AutoCV、AutoNLP、AutoSpecch等感知类AutoML算法全面支持图像、文本、语音等主流多模态数据处理,通过挖掘各类数据价值,充分满足企业全面观察需求。为解决传统AI感知类模型搭建门槛高、效率低等问题,第四范式感知类AutoML算法自动化自适应数据增强及网络架构搜索、自学习调参等模型构建流程,助力企业低门槛、高效率构建感知类AI应用。此外,通过迁移学习为长尾场景提供预训练模型,企业仅需少量自身业务数据即可高效启动长尾场景,进一步加速全业务场景的感知能力提升。

认知类算法助力判断环节,实现准确判断

  伴随着消费升级,消费者需求趋于多样化、个性化,企业业务的复杂度激增,业务现状洞察以及未来趋势预判的难度显著提升。企业亟需在变化多端的外部市场环境下,构建高准确率的AI认知模型以实现准确判断,洞察现状、预判未来。

  认知模型是基于历史数据训练得到的,在其训练过程中,需要对历史数据进行清洗处理,提取其中的有效特征,并基于场景特性选取适配的模型,进行调优训练。然而,其中的数据、特征、模型三大要素均存在特定难点,且过程复杂、效率低下。

  第四范式认知类 AutoML算法全面覆盖了三大要素的关键技术难点,可帮助企业构建满足准确判断需求的AI模型,助力企业获得理想认知能力,在各业务场景中实现准确业务判断及预测。

  目前,第四范式AutoML正在多项认知类竞赛中挑战人类数据科学家。据世界知名的Kaggle机器学习竞赛结果显示,全世界平均每50位数据科学竞赛选手才有1位击败第四范式AutoML。相比Google AutoML(优于46%的数据科学家),第四范式在认知类问题上体现出显著优势(优于98%的数据科学家)。

  决策类算法赋能决策环节,实现更优决策

  市场竞争激烈动荡,市场环境千变万化,企业越来越难以通盘考量诸多影响因素,及时做出更优决策。一方面,企业需要以低成本对各方案结果进行准确预判,从而避免在现实中验证方案带来的高实验成本和长反馈周期,这要求企业具有高保真度的决策模拟器。另一方面,企业的实际业务环境极其复杂,海量因素之间相互制约影响,这要求企业能够在决策中充分考虑各类因素及其相互关系。

  第四范式推出AutoEL(自动环境学习)及AutoRL(自动强化学习)两大决策类算法,形成完整的智能决策解决方案。该解决方案基于企业业务逻辑,全面评估潜在的决策影响因素,并在高度还原的虚拟业务环境不断试错,获取更优方案, 助力企业真正实现更优的智能决策。

  交互式AutoML框架,全面实现模型效果

  除了全面提升企业决策水平的全栈AutoML算法布局外,第四范式同样关注如何通过充分发挥科学家的领域经验,进一步提升AI模型效果上线效果。为此,第四范式推出Interactive AutoML的交互式机器学习框架,使科学家能够在目标设定、搜索空间配置等技术环节介入AI开发,以自身领域知识优化机器学习进程,帮助AutoML达成更优的模型结果。

  总结来说,传统AI应用构建的门槛高,严重依赖科学家,而AutoML技术打破了AI对人的依赖。第四范式作为全球优先的AutoML技术厂商,构建了包括自动化的感知、认知、决策三大类算法,并由机器自动完成模型构建的全栈算法体系,助力企业低门槛、高效率实现AI的规模化,全面提升企业决策水平。同时,第四范式将复杂的开发流程和算法组合产品化、自动化,打造了Sage AIOS、Sage HyperCycle ML、天枢等AI产品,为企业提供一站式决策平台,助力企业规模化落地 AI 应用,全面提升治理能力,实现指数级增长。


科技在线遵循行业规范,网站刊载的所有文稿、图片文件均为用户自行上传或转载,为传播更多的信息之目的。其相应的版权归原所有人所有,如以上内容涉及到您的合法权益,请用电子邮件通知我们及时处理。