近年來,隨世界人工智能大會第四范式新品AI Prophet AutoML相 破企業自建AI困局相關文章相關熱點編輯推薦站長商機

發布時間:2019-09-09 18:30:02

近年來,隨著AI技術的不斷成熟,企業紛紛往AI轉型,逐步實現業務智能化,且從長遠利益來看,企業更為偏向于自建AI應用。與語音、圖像等感知類技術不同,企業若想在市場營銷、供應鏈管理、風險控制、服務運營等高價值決策類場景下應用AI,則面臨更大挑戰。因此,如何降低企業構建AI應用的門檻與成本,實現企業智能化決策是現階段亟需解決的問題。

9月17日, 2018世界人工智能大會在滬盛大開幕。作為AI領域的領軍企業,第四范式發布了重磅產品——AI Prophet AutoML(自動機器學習)。該產品是一款低門檻、自動化的AI應用構建平臺,基于“學習圈”理論構建機器學習閉環,助力企業低門檻規模化擁有自主可控的AI能力,幫助企業在營銷整合、風險控制、客戶體驗、資源分配等多個高價值高難度決策類場景,做出更好的判斷與決策。

學習圈理論打破企業自建AI困局 邁向人工智能2(平方)時代

目前,企業AI應用主要分為感知類與決策類兩個方向。在感知類問題中,AI化身為企業的眼睛和耳朵,從一定程度上,提高了企業的業務效率。而在決策類場景中,則需要AI變為業務中樞,幫助企業做出更加明智的決策,進一步幫助企業“降本增效”。

在實現智能化的道路上,企業經歷了三個階段。第一階段為人工階段,主要依靠業務專家的經驗,提煉規律撰寫專家規則,做出自動的判斷,但因人類寫出的規則維度較低,可以應對頭部情況,而無法應對長尾情況。第二階段為人工智能階段,AI專家利用場景數據進行人工建模,用AI提煉規則作出決策。相較于專家規則,AI模型維度與效果均大幅提升。然而,企業想要真正擁有AI,又面臨認知、數據、人才、工具、技術等多個門檻,阻礙了AI在企業中的落地。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。

因此,若想推動AI的普及,降低企業應用門檻是重中之重。AutoML技術應運而生,企業智能化也邁向第三階段——人工智能2時代,利用AI技術自動生成AI應用。其核心在于將企業的數據自動變為模型,大幅降低了AI應用門檻,使業務專家升級為AI應用者,解決AI人才短缺且無法規模化應用的問題。同時,基于自動特征工程,使模型維度較以往進一步提升,也有望實現更優的效果。目前,Google、微軟、百度等巨頭紛紛在該領域發力。 

在第四范式看來,讓機器產生智能與人思考學習的過程類似。此前,在人類心理學研究史上,有一個著名的“庫伯學習圈”理論,該理論認為人類學習的過程是由“行動、經驗、反思、理論”這四個階段構成。簡單來說,人們通過行動產生經驗,再通過反思經驗,學習、總結其中的規律,在新的行為發生時可找到最優決策。對應到AI上,“行動”是過程數據,”””“反饋”是反饋數據,“反思”是基于算法與計算資源基礎之上的模型訓練,最終形成的“經驗”即模型應用。

此次發布的AI Prophet AutoML便是基于“庫伯學習圈”理論所打造,將第四范式AI核心方法論以產品化的形式輸出到企業中,大幅降低了企業應用AI的門檻,從而推動企業低成本、高效率的向AI靠攏。目前,第四范式的AutoML產品已經應用于金融、科研、醫療、互聯網等多個行業,在營銷、推薦、風控、廣告、疾病預測等多個場景有優異表現。

全流程、全自動、低門檻產品助推企業實現智能化

眾所周知,機器學習已在推薦系統、在線廣告、金融市場分析等諸多領域取得了成功,但是在幾乎所有的案例中,人類專家參與了機器學習的所有階段。然而,這些任務的復雜性往往超出了非機器學習專家的能力范圍。

AI Prophet AutoML的出現打破了這一困局,它通過簡潔、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,打通了機器學習閉環,其中包括:收集數據、特征工程、調整模型超參數,評估模型性能、模型應用等環節。用戶只需“收集行為數據、收集反饋數據、模型訓練、模型應用”4步,無需深入理解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。

保證全流程的同時,AI Prophet AutoML還將低門檻、自動化技術發揮到了極致。首先,AI Prophet AutoML支持行為數據與反饋數據的自動拼接,為后續的模型自動更新做好數據準備。在機器學習最具門檻的特征工程、算法選擇、調參等環節,AI Prophet AutoML基于自主研發的AutoML技術,可自動分析數據,完成基本特征構造,再利用自動特征組合,提升模型效果,同時利用多算法自動完成調參、模型對比。在模型訓練方面,AI Prophet AutoML可將前期探索出的最佳訓練方案,一鍵上線模型自學習,同時周期性利用新數據進行模型自動更新,不斷提升模型在實際應用中的效果。

除了流程上的簡化,AI Prophet AutoML還針對企業應用進行了設計與優化。首先,該產品提供了數據、模型管理功能。以模型管理為例,在模型工廠中,可查看模型訓練方案、正在運行的訓練任務及運行次數、已訓練完成的模型評估報告等。其次,在模型應用中,提供了批量預估與在線預估兩種方式,并自動將預估請求回流為行為數據,實現數據閉環。AI Prophet AutoML還提供了貼近業務的Dashboard,包括運維指標監控(預估需求量、資源監控)、業務指標監控(正樣本率、線上AUC)、模型指標監控(模型AUC、模型PK)等。此外,通過深度優化,AI Prophet AutoML具備高可用、高穩定性等企業級特性,為企業中

規模化應用AI提供堅實保障。

與此前需要大量編碼構建AI不同,AI Prophet AutoML提供了“傻瓜式”的交互界面,讓企業免去編碼定義建模的過程,將開發AI應用的周期從以半年為單位縮短至周級別。在降低門檻的同時,AI Prophet AutoML還展現出了超高的模型水準。經在十余組的測試數據、以及疾病預測、金融反欺詐、互聯網推薦等幾十個實際業務場景的數據驗證中,AI Prophet AutoML做出了接近甚至超過頂級數據科學家的模型效果。

創新技術造就產品卓越性能

作為人工智能領域的佼佼者,第四范式從很早便開始關注并深耕AutoML領域。通過從解決客戶業務核心增長的角度出發,構建了反欺詐、個性化推薦等業務場景下的AutoML,并將其賦能給企業的普通開發人員。目前,第四范式已經研發了自動特征組合(FeatureGo)、自動時序特征(TemporalGo)、自動深度稀疏網絡DSN(Deep Sparse Network)等AutoML支撐技術。

其中,FeatureGo算法實現了機器自動組合特征的功能,有效解決了人為添加組合特征門檻高、耗時長等問題,并增加了模型的可解釋性。在實現特征組合的過程中,線性分形分類器(LFC)算法通過將連續特征多層次離散化,使特征具備一定的非線性表達能力。在GBDT(一種常見的非線性模型)不能應用于大規模離散特征場景的前提下,將非線性的特征加入到線性模型中,從而加強了特征描述的能力。從實際效果上看,LFC能夠更好的捕捉細粒度特征,并在預測效果和計算穩定性上顯著優于LR(Logistic Regression)。與此前高階特征中,無效特征居多導致模型效果不升反降相比,FeatureGo以LFC在內的多項關鍵技術為基礎,可自動選擇有效的組合特征,亦能夠明顯提升后續模型效果。經測試,FeatureGo的特征組合最多能達到十階以上,而人工的特征組合一般只能到達5到6階。

此外,DSN更是為AutoML提供了強有力的支持。與Google Cloud AutoML僅支持深度學習模型不同,DSN將“寬”和“深”做了更全面的融合,算法底層是上千億大小的自適應寬度稀疏網絡,上層是一個非典型的深層次網絡,既可以記住更多信息,又能刻畫所有特征(包括宏觀特征和微觀特征)之間更復雜的關系。在參數規模上,DSN支持的參數規模已達到十萬億級,這意味著隨著數據量的增大,模型效果還將有更大的提升空間。

作為企業自建AI的利器,AI Prophet AutoML以先進的方法論及強大技術作為支撐,從根本上解決了企業AI應用落地難、挑戰大的行業通病,在降低AI門檻的同時,大幅提升了AI的應用效率。未來,第四范式還將加大研發力度,全面擴充AI Prophet AutoML能力,進一步擴展AI的應用邊界,普惠各行各業。

本文由站長之家用戶投稿,未經站長之家同意,嚴禁轉載。如廣大用戶朋友,發現稿件存在不實報道,歡迎讀者反饋、糾正、舉報問題(反饋入口)。

免責聲明:本文為用戶投稿的文章,站長之家發布此文僅為傳遞信息,不代表站長之家贊同其觀點,不對對內容真實性負責,僅供用戶參考之用,不構成任何投資、使用建議。請讀者自行核實真實性,以及可能存在的風險,任何后果均由讀者自行承擔。

上一篇:鼎鴻陽解讀人工智能產業發展趨勢相關文章相關熱點編輯推薦站長商機
下一篇:Auto第四范式AutoCV亮相世界人工智能大會 現已實現多行業應用落地相關文章相關熱點編輯推薦站長商機

最新發布

站長推薦

powered by 網址導航 @2019.
分分pk10官方网站