近年來,隨著AI技術的不斷成熟,企業(yè)紛紛往AI轉型,逐步實現(xiàn)業(yè)務智能化,且從長遠利益來看,企業(yè)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(yè)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(zhàn)。因此,如何降低企業(yè)構建AI應用的門檻與成本,實現(xiàn)企業(yè)智能化決策是現(xiàn)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(yè),第四范式發(fā)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(huán),助力企業(yè)低門檻規(guī)�；瘬碛凶灾骺煽氐腁I能力,幫助企業(yè)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。

　　目前,企業(yè)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(yè)的眼睛和耳朵,從一定程度上,提高了企業(yè)的業(yè)務效率。而在決策類場景中,則需要AI變?yōu)闃I(yè)務中樞,幫助企業(yè)做出更加明智的決策,進一步幫助企業(yè)“降本增效”。

　　學習圈理論打破企業(yè)自建AI困局 邁向人工智能2(平方)時代

　　在實現(xiàn)智能化的道路上,企業(yè)經歷了三個階段。第一階段為人工階段,主要依靠業(yè)務專家的經驗,提煉規(guī)律撰寫專家規(guī)則,做出自動的判斷,但因人類寫出的規(guī)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(shù)據(jù)進行人工建模,用AI提煉規(guī)則作出決策。相較于專家規(guī)則,AI模型維度與效果均大幅提升。然而,企業(yè)想要真正擁有AI,又面臨認知、數(shù)據(jù)、人才、工具、技術等多個門檻,阻礙了AI在企業(yè)中的落地。以人才為例,擁有AI專業(yè)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(yǎng)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(yè)應用門檻是重中之重。AutoML技術應運而生,企業(yè)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(yè)的數(shù)據(jù)自動變?yōu)槟Ｐ?大幅降低了AI應用門檻,使業(yè)務專家升級為AI應用者,解決AI人才短缺且無法規(guī)�；瘧�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(xiàn)更優(yōu)的效果。目前,Google、微軟、百度等巨頭紛紛在該領域發(fā)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(guī)律,在新的行為發(fā)生時可找到最優(yōu)決策。對應到AI上,“行動”是過程數(shù)據(jù),”””“反饋”是反饋數(shù)據(jù),“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(fā)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(yè)中,大幅降低了企業(yè)應用AI的門檻,從而推動企業(yè)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(yī)療、互聯(lián)網等多個行業(yè),在營銷、推薦、風控、廣告、疾病預測等多個場景有優(yōu)異表現(xiàn)。

　　全流程、全自動、低門檻產品助推企業(yè)實現(xiàn)智能化

　　眾所周知,機器學習已在推薦系統(tǒng)、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(xiàn)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(huán),其中包括:收集數(shù)據(jù)、特征工程、調整模型超參數(shù),評估模型性能、模型應用等環(huán)節(jié)。用戶只需“收集行為數(shù)據(jù)、收集反饋數(shù)據(jù)、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(jié),即可實現(xiàn)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(fā)揮到了極致。首先,AI Prophet AutoML支持行為數(shù)據(jù)與反饋數(shù)據(jù)的自動拼接,為后續(xù)的模型自動更新做好數(shù)據(jù)準備。在機器學習最具門檻的特征工程、算法選擇、調參等環(huán)節(jié),AI Prophet AutoML基于自主研發(fā)的AutoML技術,可自動分析數(shù)據(jù),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(shù)據(jù)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(yè)應用進行了設計與優(yōu)化。首先,該產品提供了數(shù)據(jù)、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(shù)、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(shù)據(jù),實現(xiàn)數(shù)據(jù)閉環(huán)。AI Prophet AutoML還提供了貼近業(yè)務的Dashboard,包括運維指標監(jiān)控(預估需求量、資源監(jiān)控)、業(yè)務指標監(jiān)控(正樣本率、線上AUC)、模型指標監(jiān)控(模型AUC、模型PK)等。此外,通過深度優(yōu)化,AI Prophet AutoML具備高可用、高穩(wěn)定性等企業(yè)級特性,為企業(yè)中

　　規(guī)�；瘧�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(yè)免去編碼定義建模的過程,將開發(fā)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(xiàn)出了超高的模型水準。經在十余組的測試數(shù)據(jù)、以及疾病預測、金融反欺詐、互聯(lián)網推薦等幾十個實際業(yè)務場景的數(shù)據(jù)驗證中,AI Prophet AutoML做出了接近甚至超過頂級數(shù)據(jù)科學家的模型效果。

　　創(chuàng)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(yè)務核心增長的角度出發(fā),構建了反欺詐、個性化推薦等業(yè)務場景下的AutoML,并將其賦能給企業(yè)的普通開發(fā)人員。目前,第四范式已經研發(fā)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(xiàn)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(xiàn)特征組合的過程中,線性分形分類器(LFC)算法通過將連續(xù)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(guī)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(wěn)定性上顯著優(yōu)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(xù)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(shù)規(guī)模上,DSN支持的參數(shù)規(guī)模已達到十萬億級,這意味著隨著數(shù)據(jù)量的增大,模型效果還將有更大的提升空間。

　　作為企業(yè)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(yè)AI應用落地難、挑戰(zhàn)大的行業(yè)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(fā)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(yè)。