丰富的线上&线下活动，深入探索云世界
做任务，得社区积分和周边
最真实的开发者用云体验
让每位学生受益于普惠算力
让创作激发创新
资深技术专家手把手带教
遇见技术追梦人
技术交流，直击现场
海量开发者使用工具、手册，免费下载
极速、全面、稳定、安全的开源镜像
开发手册、白皮书、案例集等实战精华
为开发者定制的Chrome浏览器插件
我们在第1章主要概述了人工智能，并在1.5节中引出了AutoML—自动化人工智能，本章将介绍AutoML，包括AutoML的概述、发展、研究意义以及现有的AutoML平台和产品，其中还会穿插介绍一些平台的应用实例。本章只介绍概念性知识，关于AutoML的实际运用将在第二部分（第3～6章）和第三部分（第7～13章）详细展开。
传统的人工智能旨在使用机器帮助人类完成特定的任务，随着人工智能的发展，在计算机领域衍生出了机器学习。机器学习旨在通过计算机程序完成对数据的分析，从而得到对世界上某件事情的预测并做出决定。随着机器学习的不断发展，其复杂程度也在不断增高，如果还完全依靠人为规定，使计算机按照设定的规则运行，会耗费大量的人力资源。如果让计算机自己去学习和训练规则，是否能达到更好的效果呢？跟随这一意愿的提出，就出现了本书的核心思想—自动化人工智能，也就是所谓“AI的AI”。让AI去学习AI，从而减少人工的参与，让机器完成更复杂的工作，这掀起了下一代人工智能的浪潮。
图2-1AutoML通用流程
图2-2AutoML平台具备的功能
合，既可以完成语音领域的任务，如自动语音识别系统、聊天机器人、文本语音系统；也可以完成声纹领域的任务，如声纹识别系统；还可以完成图像领域的任务，如计算机视觉、图像识别、目标检测等。
图2-3传统机器学习和自动化机器学习对比
图2-4使用AutoML进行图片分类
21世纪是一个信息的时代，各行各业都面临着一个同样的问题，那就是需要从大量的信息中筛选出有用的信息并将其转化为价值。随着机器学习2.0的提出，自动化成为了未来机器学习发展的一个方向。如图2-5所示，各行各业都涉及机器学习，机器学习已经融入我们生活的方方面面，比如金融、教育、医疗、信息产业等领域。
图2-5机器学习可赋能产业
图2-62018年各人工智能行业资金投入量
图2-7CloudAutoML图形用户界面
图2-8CloudAutoML的API调用
图2-9EasyDL的3个主要服务领域
图2-10EasyDL的可视化界面
基于迁移学习的AutoModelSearch方法是针对用户数据集的类型，在适用于该类型数据集的过去被证明优秀的预训练模型中进行搜索，如Inception、ResNet、DenseNet等，并结合不同的超参数组合进行训练与选择；每一个模型都会结合其配置的超参组合进行训练，这个过程可以通过百度的workflow等高性能底层计算平台进行并行加速。对于某些对性能需求更高的用户而言，上述方式不一定能够把模型性能推到极致；因此还需要基于神经架构搜索NASNet的方法，该方法能够针对用户的数据集从零开始生成一个最适配的模型，从而确保性能可以达到最优，但是相对的计算成本也会更高；在本书的后续章节会对NASNet等神经架构搜索方法进行讲解。这些过程都是在底层自动完成的，用户完全不需要操心中间的细节问题。
图2-11阿里云PAI工作流程图
图2-12阿里云PAI产品架构图
图2-13阿里云PAI拖曳式组件
图2-14阿里云PAI建模流程示例
图2-15阿里云PAI模拟在线部署示例图
图2-16探智立方roadmap规划图
图2-17进化架构搜索图
图2-18企业数据应用
图2-19智易深思平台架构图
2.平台介绍深思平台是一个庞大的系统集合，包括底层的分布式集群、云基础设施；上层的AI模型研发、分布式训练架构以及大数据引擎，如Hadoop、Spark等；同时拥有ETL层，可对数据进行处理，有可视化和BI等功能；并在面向前端用户时，搭建了基于浏览器的可视化操作页面，大幅降低了使用门槛。AutoML是深思平台中的关键技术之一。目前，深思平台主要应用在金融业、零售业以及工业中，支持结构化数据和图像数据，可以帮助客户完成反欺诈、销量预测以及产品缺陷检测等一系列AI应用。平台具有应用门槛低、高度自动化的工具链、多场景模型训练支持、大规模的分布式系统管理等优点。
[1]OUELLETTER.Automationimpactsonindustry[M].AnnArbor:AnnArborSciencePublishers,1983.[2]BENNETTS.Ahistoryofcontrolengineering1800-1930[M].Stevenage:PeterPeregrinus,1979.[3]HUTTERF,CARUANAR,BARDENETR,etal[C].AutoMLworkshop@ICML2014,2014.[4]YAOQM,WANGMS,CHENYQ,etal.Takinghumanoutoflearningapplications:asurveyonautomatedmachinelearning[J].arXiv:1810.13306,2018.[5]SPARKSER,TALWALKARA,HAASD,etal.Automatingmodelsearchforlargescalemachinelearning[C]//SIGMOD.2015ACMSymposiumonCloudComputing,NewYork:ACM,2015:368–380.