天云大数据MaximAI3.0:以Auto ML为客户赋能

　　对于AI的应用普及现状，天云大数据CEO雷涛指出，“AI民主化的核心是将科学家在传统实验室完成的工作，赋予更多人使用，降低使用门槛，让更多的开发者、业务人员能够使用人工智能。”

　　从谷歌到天云：未来AI发展更注重规模化生产能力

　　谈到很多人理解的人工智能，是人脸识别、聊天机器人，认为人工智能就是人机交互，其实这些都是应用场景而非AI的核心，AI的核心支撑技术，是围绕机器学习(Auto Machine Learning)构建的技术框架。人工智能在各个领域的发展呈不平衡态势，如无人驾驶、人脸识别及机器人等领域，因其算法与目的都很明确，又因媒体关注的推动，资本与数据的聚焦之下容易找到最佳实践，但针对算法纷繁复杂、数据私有与云服务私有的商业智能领域，AI应用程度参差不齐。其实如打车软件、测序基因、互联网快递等这些才是AI实际帮助我们解决问题的日常场景。

　　手机、汽车从诞生到大规模量产的历史表明，新技术的发展历程往往经历数十年乃至上百年，AI的量产也同样面临着困难重重的局面，据2017年纽约时报报道，一个刚毕业的AI工程师年薪达到了惊人的300，000美元/年，而美国人的平均工资是81000美元/年。据腾讯研究院预测，到2020年，市场对AI应用的需求将增长300%，旺盛的需求，偏少的人才供给，导致AI人才成本高昂。只有通过升级大规模生产工具，才有望满足需求。

　　举例来说，某股份制银行的APP，其背后是该银行多达数千人的数据科学团队每年生产600个机器学习模型供APP调用。600个个性化模型在APP里面支撑，所以可以提供这么多服务。因此比起场景，应该更关注怎样高效率低成本的批量化生产模型，毕竟负担上千人的数据科学团队，对于大多数企业来说都是非常挑战的。5月19日全球人工智能大会上，Google提出的解决路径也是供给规模化的AI工具。无独有偶，天云大数据同样提出了解决问题的规模化AI工具， 通过构建支持Auto Machine Learning特性的PaaS化AI平台MaximAI，尝试为客户做AI赋能，减少对数据科学家的依赖，让企业获取机器智能像读书一样简单。

　　MaximAI3.0:以Auto ML为客户赋能 降低企业AI应用门槛

　　应用机器学习技术解决现实世界问题是昂贵而困难的。利用基于AI的技术方案来克服这一应用过程中的难题，就是自动化机器学习(AutoML)，AutoML指的是”用于优化AI”的AI。

　　微软和谷歌先后利用图片分类的案例给出了其对AutoML的答案：建模者只需付出最少的操作(上传、选择和评估)，利用微软或谷歌云AI平台的能力，即可获得具有一定精度的机器学习模型。

　　同样，致力于赶超国际技术前沿的天云，自2015年即开始开发分布式人工智能平台MaximAI，目前MaximAI已经迭代到3.0版本，实现了算法的自动化优化，即Auto Machine Learning。也就是说，客户在选择算法时能更加简单，像基于Android开放应用一样，基于天云的PaaS化AI平台去构建机器学习模型。同时，还可以实现notebook环境下的容器化部署，根据任务类型自动确定算法，特征工程自动化，自动衍生或合成特征，模型超参优化智能化。

　　总的来说，经过几次平台迭代，天云平台已能实现模型的智能化生产，真正实现Auto Machine Learning。通过一系列的自动化方法，成功减少了对数据科学家的依赖，降低了AI在企业市场的应用门槛。

　　“AI不是少数人的专利，AI模型的PaaS化(平台即服务)、智能化成为突破AI产业化应用的关键。未来人工智能发展趋势更应凸显规模化生产能力，让企业获取机器智能像读书一样简单。”雷涛最后如是说。

　　（原标题：天云大数据MaximAI3.0:以Auto ML为客户赋能|环球网）