近年來,隨著AI技術(shù)的不斷成熟,企業(yè)紛紛往AI轉(zhuǎn)型,逐步實(shí)現(xiàn)業(yè)務(wù)智能化,且從長遠(yuǎn)利益來看,企業(yè)更為偏向于自建AI應(yīng)用。與語音、圖像等感知類技術(shù)不同,企業(yè)若想在市場營銷、供應(yīng)鏈管理、風(fēng)險(xiǎn)控制、服務(wù)運(yùn)營等高價(jià)值決策類場景下應(yīng)用AI,則面臨更大挑戰(zhàn)。因此,如何降低企業(yè)構(gòu)建AI應(yīng)用的門檻與成本,實(shí)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(huì)在滬盛大開幕。作為AI領(lǐng)域的領(lǐng)軍企業(yè),第四范式發(fā)布了重磅產(chǎn)品——AI Prophet AutoML(自動(dòng)機(jī)器學(xué)習(xí))。該產(chǎn)品是一款低門檻、自動(dòng)化的AI應(yīng)用構(gòu)建平臺(tái),基于“學(xué)習(xí)圈”理論構(gòu)建機(jī)器學(xué)習(xí)閉環(huán),助力企業(yè)低門檻規(guī)模化擁有自主可控的AI能力,幫助企業(yè)在營銷整合、風(fēng)險(xiǎn)控制、客戶體驗(yàn)、資源分配等多個(gè)高價(jià)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(yīng)用主要分為感知類與決策類兩個(gè)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(wù)效率。而在決策類場景中,則需要AI變?yōu)闃I(yè)務(wù)中樞,幫助企業(yè)做出更加明智的決策,進(jìn)一步幫助企業(yè)“降本增效”。

　　學(xué)習(xí)圈理論打破企業(yè)自建AI困局 邁向人工智能2(平方)時(shí)代

　　在實(shí)現(xiàn)智能化的道路上,企業(yè)經(jīng)歷了三個(gè)階段。第一階段為人工階段,主要依靠業(yè)務(wù)專家的經(jīng)驗(yàn),提煉規(guī)律撰寫專家規(guī)則,做出自動(dòng)的判斷,但因人類寫出的規(guī)則維度較低,可以應(yīng)對(duì)頭部情況,而無法應(yīng)對(duì)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(jìn)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(rèn)知、數(shù)據(jù)、人才、工具、技術(shù)等多個(gè)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(shí)與研究經(jīng)驗(yàn)的人才年薪動(dòng)則幾百萬,且非常稀缺,而培養(yǎng)一個(gè)合格的AI人才也需要6-10年的時(shí)間。

　　因此,若想推動(dòng)AI的普及,降低企業(yè)應(yīng)用門檻是重中之重。AutoML技術(shù)應(yīng)運(yùn)而生,企業(yè)智能化也邁向第三階段——人工智能2時(shí)代,利用AI技術(shù)自動(dòng)生成AI應(yīng)用。其核心在于將企業(yè)的數(shù)據(jù)自動(dòng)變?yōu)槟Ｐ?大幅降低了AI應(yīng)用門檻,使業(yè)務(wù)專家升級(jí)為AI應(yīng)用者,解決AI人才短缺且無法規(guī)�；瘧�(yīng)用的問題。同時(shí),基于自動(dòng)特征工程,使模型維度較以往進(jìn)一步提升,也有望實(shí)現(xiàn)更優(yōu)的效果。目前,Google、微軟、百度等巨頭紛紛在該領(lǐng)域發(fā)力。

　　在第四范式看來,讓機(jī)器產(chǎn)生智能與人思考學(xué)習(xí)的過程類似。此前,在人類心理學(xué)研究史上,有一個(gè)著名的“庫伯學(xué)習(xí)圈”理論,該理論認(rèn)為人類學(xué)習(xí)的過程是由“行動(dòng)、經(jīng)驗(yàn)、反思、理論”這四個(gè)階段構(gòu)成。簡單來說,人們通過行動(dòng)產(chǎn)生經(jīng)驗(yàn),再通過反思經(jīng)驗(yàn),學(xué)習(xí)、總結(jié)其中的規(guī)律,在新的行為發(fā)生時(shí)可找到最優(yōu)決策。對(duì)應(yīng)到AI上,“行動(dòng)”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(jì)算資源基礎(chǔ)之上的模型訓(xùn)練,最終形成的“經(jīng)驗(yàn)”即模型應(yīng)用。

　　此次發(fā)布的AI Prophet AutoML便是基于“庫伯學(xué)習(xí)圈”理論所打造,將第四范式AI核心方法論以產(chǎn)品化的形式輸出到企業(yè)中,大幅降低了企業(yè)應(yīng)用AI的門檻,從而推動(dòng)企業(yè)低成本、高效率的向AI靠攏。目前,第四范式的AutoML產(chǎn)品已經(jīng)應(yīng)用于金融、科研、醫(yī)療、互聯(lián)網(wǎng)等多個(gè)行業(yè),在營銷、推薦、風(fēng)控、廣告、疾病預(yù)測等多個(gè)場景有優(yōu)異表現(xiàn)。

　　全流程、全自動(dòng)、低門檻產(chǎn)品助推企業(yè)實(shí)現(xiàn)智能化

　　眾所周知,機(jī)器學(xué)習(xí)已在推薦系統(tǒng)、在線廣告、金融市場分析等諸多領(lǐng)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(jī)器學(xué)習(xí)的所有階段。然而,這些任務(wù)的復(fù)雜性往往超出了非機(jī)器學(xué)習(xí)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(diào)研到應(yīng)用的機(jī)器學(xué)習(xí)全流程,打通了機(jī)器學(xué)習(xí)閉環(huán),其中包括:收集數(shù)據(jù)、特征工程、調(diào)整模型超參數(shù),評(píng)估模型性能、模型應(yīng)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(xùn)練、模型應(yīng)用”4步,無需深入理解算法原理和技術(shù)細(xì)節(jié),即可實(shí)現(xiàn)全流程、端到端的AI平臺(tái)構(gòu)建。

　　保證全流程的同時(shí),AI Prophet AutoML還將低門檻、自動(dòng)化技術(shù)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(dòng)拼接,為后續(xù)的模型自動(dòng)更新做好數(shù)據(jù)準(zhǔn)備。在機(jī)器學(xué)習(xí)最具門檻的特征工程、算法選擇、調(diào)參等環(huán)節(jié),AI Prophet AutoML基于自主研發(fā)的AutoML技術(shù),可自動(dòng)分析數(shù)據(jù),完成基本特征構(gòu)造,再利用自動(dòng)特征組合,提升模型效果,同時(shí)利用多算法自動(dòng)完成調(diào)參、模型對(duì)比。在模型訓(xùn)練方面,AI Prophet AutoML可將前期探索出的最佳訓(xùn)練方案,一鍵上線模型自學(xué)習(xí),同時(shí)周期性利用新數(shù)據(jù)進(jìn)行模型自動(dòng)更新,不斷提升模型在實(shí)際應(yīng)用中的效果。

　　除了流程上的簡化,AI Prophet AutoML還針對(duì)企業(yè)應(yīng)用進(jìn)行了設(shè)計(jì)與優(yōu)化。首先,該產(chǎn)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(xùn)練方案、正在運(yùn)行的訓(xùn)練任務(wù)及運(yùn)行次數(shù)、已訓(xùn)練完成的模型評(píng)估報(bào)告等。其次,在模型應(yīng)用中,提供了批量預(yù)估與在線預(yù)估兩種方式,并自動(dòng)將預(yù)估請(qǐng)求回流為行為數(shù)據(jù),實(shí)現(xiàn)數(shù)據(jù)閉環(huán)。AI Prophet AutoML還提供了貼近業(yè)務(wù)的Dashboard,包括運(yùn)維指標(biāo)監(jiān)控(預(yù)估需求量、資源監(jiān)控)、業(yè)務(wù)指標(biāo)監(jiān)控(正樣本率、線上AUC)、模型指標(biāo)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(jí)特性,為企業(yè)中

　　規(guī)�；瘧�(yīng)用AI提供堅(jiān)實(shí)保障。

　　與此前需要大量編碼構(gòu)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(yīng)用的周期從以半年為單位縮短至周級(jí)別。在降低門檻的同時(shí),AI Prophet AutoML還展現(xiàn)出了超高的模型水準(zhǔn)。經(jīng)在十余組的測試數(shù)據(jù)、以及疾病預(yù)測、金融反欺詐、互聯(lián)網(wǎng)推薦等幾十個(gè)實(shí)際業(yè)務(wù)場景的數(shù)據(jù)驗(yàn)證中,AI Prophet AutoML做出了接近甚至超過頂級(jí)數(shù)據(jù)科學(xué)家的模型效果。

　　創(chuàng)新技術(shù)造就產(chǎn)品卓越性能

　　作為人工智能領(lǐng)域的佼佼者,第四范式從很早便開始關(guān)注并深耕AutoML領(lǐng)域。通過從解決客戶業(yè)務(wù)核心增長的角度出發(fā),構(gòu)建了反欺詐、個(gè)性化推薦等業(yè)務(wù)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(jīng)研發(fā)了自動(dòng)特征組合(FeatureGo)、自動(dòng)時(shí)序特征(TemporalGo)、自動(dòng)深度稀疏網(wǎng)絡(luò)DSN(Deep Sparse Network)等AutoML支撐技術(shù)。

　　其中,FeatureGo算法實(shí)現(xiàn)了機(jī)器自動(dòng)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(shí)長等問題,并增加了模型的可解釋性。在實(shí)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(dá)能力。在GBDT(一種常見的非線性模型)不能應(yīng)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(qiáng)了特征描述的能力。從實(shí)際效果上看,LFC能夠更好的捕捉細(xì)粒度特征,并在預(yù)測效果和計(jì)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(dǎo)致模型效果不升反降相比,FeatureGo以LFC在內(nèi)的多項(xiàng)關(guān)鍵技術(shù)為基礎(chǔ),可自動(dòng)選擇有效的組合特征,亦能夠明顯提升后續(xù)模型效果。經(jīng)測試,FeatureGo的特征組合最多能達(dá)到十階以上,而人工的特征組合一般只能到達(dá)5到6階。

　　此外,DSN更是為AutoML提供了強(qiáng)有力的支持。與Google Cloud AutoML僅支持深度學(xué)習(xí)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(yīng)寬度稀疏網(wǎng)絡(luò),上層是一個(gè)非典型的深層次網(wǎng)絡(luò),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(fù)雜的關(guān)系。在參數(shù)規(guī)模上,DSN支持的參數(shù)規(guī)模已達(dá)到十萬億級(jí),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(jìn)的方法論及強(qiáng)大技術(shù)作為支撐,從根本上解決了企業(yè)AI應(yīng)用落地難、挑戰(zhàn)大的行業(yè)通病,在降低AI門檻的同時(shí),大幅提升了AI的應(yīng)用效率。未來,第四范式還將加大研發(fā)力度,全面擴(kuò)充AI Prophet AutoML能力,進(jìn)一步擴(kuò)展AI的應(yīng)用邊界,普惠各行各業(yè)。