和數(shù)據(jù)科學。

“自動化對人工智能和機器學習生命周期的影響”這個話題很感興趣，并與Amini博士集中討論了AutoAI的下一代功能。

AutoAI自動執(zhí)行高度復(fù)雜的任務(wù)，為數(shù)據(jù)尋找并優(yōu)化最好的機器學習模型、特征和模型超參數(shù)。AutoAI完成了原本需要專業(yè)數(shù)據(jù)科學家團隊和其他專業(yè)資源才能完成的工作，且速度要快得多。

圖：“數(shù)據(jù)科學家想要多自動化？”（圖片來源/IBM）

在模型訓(xùn)練開始之前，必須獲取、評估數(shù)據(jù)，并對其進行預(yù)處理，以識別并糾正數(shù)據(jù)質(zhì)量問題。

它需要一個訓(xùn)練有素的資源團隊，他們要了解數(shù)據(jù)科學，還要有了解模型目的和輸出的主題專家。

理和建模階段進行無數(shù)次優(yōu)化調(diào)整。

管道的高度復(fù)雜性使其成為自動化的首要對象。

自動化功能包括數(shù)據(jù)準備、模型開發(fā)、特征工程和超參數(shù)優(yōu)化。

圖片來源/IBM

以下是AutoAI的部分功能列表：

• 自動分析數(shù)據(jù)，并針對預(yù)測建模問題自動生成個性化的模型管道。

• 、算法和參數(shù)設(shè)置時迭代創(chuàng)建的。

• 結(jié)果顯示在排行榜上，并根據(jù)問題優(yōu)化目標，對自動生成的模型管道進行排名。

• 從數(shù)據(jù)準備，到算法選擇，再到模型創(chuàng)建，流程的每個階段都提供可視化。

• 用戶只需單擊鼠標，即可輕松部署模型，或為任何管道生成Python notebook。

• 用于持續(xù)模型改進的自動化任務(wù)，可以在需要時，將AI模型API集成到應(yīng)用程序中。

只需點擊幾下鼠標，即使是只有基本數(shù)據(jù)科學技能的人，也可以使用自定義數(shù)據(jù)自動選擇、訓(xùn)練并調(diào)優(yōu)高性能機器學習模型。

無需從頭開始編寫管道代碼。

未來的人工智能自動化項目

IBM Research正在開展多個下一代人工智能自動化項目，例如處理新數(shù)據(jù)類型的下一代算法，實現(xiàn)新的自動化質(zhì)量和公平性，并顯著提高規(guī)模和性能。

AutoAI for Decisions和Semantic Data Science。

用于改進決策的AutoAI

數(shù)據(jù)集的時間維度使分析變得困難并且需要更高級的數(shù)據(jù)處理。

• 為訓(xùn)練準備數(shù)據(jù)集

• 根據(jù)數(shù)據(jù)類型確定需要哪種模型，例如分類還是回歸

• 將適當?shù)牟逖a轉(zhuǎn)換器置入管道中以處理丟失的數(shù)據(jù)

• 通過確定哪些數(shù)據(jù)列能夠最好地支持問題來進行特征選擇

• 測試各種超參數(shù)調(diào)整選項以獲得最佳結(jié)果

• 根據(jù)準確性和精確度等因素生成管道并對其排名。

Amini博士解釋說，在許多環(huán)境中，創(chuàng)建時間序列預(yù)測之后，下一步是利用預(yù)測來改進決策。

例如，數(shù)據(jù)科學家可能會建立一個“時間序列預(yù)測模型”預(yù)測產(chǎn)品需求，但是該模型也可以作為庫存補貨決策的輸入，通過減少成本、高昂的大量庫存積壓、或者避免由于庫存告罄造成的銷售損失，實現(xiàn)利潤最大化。

在另一些情況下，我們會用被稱為“決策優(yōu)化”的更系統(tǒng)性方法來構(gòu)建規(guī)范性模型，以補充時間序列預(yù)測模型。

然而，像AutoAI生成預(yù)測模型那樣直接根據(jù)數(shù)據(jù)自動化生成決策優(yōu)化管道的產(chǎn)品，目前還不存在。

多模型管道

這樣的產(chǎn)品同樣需要資源協(xié)作。

深度強化學習自動化

因此，它們需要大量的專業(yè)知識和手動工作對它們進行調(diào)整，以適應(yīng)特定的問題和數(shù)據(jù)集。

它還可以使用高級搜索策略，為模型選擇最佳的超參數(shù)配置。

該系統(tǒng)支持各種類型的強化學習，包括在線和離線學習以及無模型和基于模型的算法。

自動擴展人工智能

強化學習自動化解決了在企業(yè)中擴展人工智能的兩個緊迫問題。

首先，它為順序決策問題提供了自動化，在這類問題中，不確定性可能會削弱啟發(fā)式甚至是不使用歷史數(shù)據(jù)的正規(guī)優(yōu)化模型。

其次，它為具有挑戰(zhàn)性的強化學習模型構(gòu)建領(lǐng)域帶來了一種自動化、系統(tǒng)化的方法。

Semantic Data Science（語義數(shù)據(jù)科學）

自動化方法目前依靠統(tǒng)計技術(shù)來探索特征空間。

例如，如果數(shù)據(jù)是關(guān)于汽車的，則特征空間可能是福特、特斯拉、寶馬。

盡管如此，要知道哪些特征和轉(zhuǎn)換是相關(guān)的，用戶必須具備足夠的技術(shù)技能來破譯和翻譯代碼和文檔。

數(shù)據(jù)科學家的新語義能力

一旦AutoAI檢測到正確的語義概念，程序就會使用這些概念廣泛搜索現(xiàn)有代碼、數(shù)據(jù)和文獻中可能存在的相關(guān)特征和特征工程操作。

AutoAI可以使用這些新的、語義豐富的特征來提高生成模型的準確性，并通過這些生成的特征提供可供人類閱讀的解釋。

但是，想要理解發(fā)現(xiàn)的語義概念，可以使用Semantic Feature Discovery（語義特征發(fā)現(xiàn)）可視化資源管理器來探索發(fā)現(xiàn)的關(guān)系。

用戶只需單擊Sources超鏈接，即可直接從可視化資源管理器進入新功能生成的Python代碼或文檔，如下圖所示。

甚至可以在IBM的API Hub上試用其中一些功能。

Amini博士用一句話總結(jié)了IBM對AutoAI投入的大量研究工作，并以此結(jié)束了我們的談話：

”

要點總結(jié)

• 使用AutoAI可以快速大規(guī)模地生成模型。
• 它還將增加部署并投入運營的企業(yè)模型的數(shù)量。
• AutoAI for Decisions將自動生成管道可以解決的問題類型，擴展到需要在不確定性和強化學習下進行決策優(yōu)化的問題。
• 它將充當專家資源廣泛收集并整合難以找到的、各種類型和來源的信息，從而提高在建模型的質(zhì)量。
• AutoAI是IBM Watson Studio的一部分。