2020年伊始，全球領(lǐng)先的研究和咨詢(xún)機構Gartner發(fā)布了《2020年十大戰略性技術(shù)趨勢：民主化》報告，系統闡述了“AI民主化”在企業(yè)智能化轉型過(guò)程中的意義，以及AutoML對實(shí)現AI民主化的關(guān)鍵作用。在該份報告中，第四范式獲得了Gartner的認可，被列入了AutoML技術(shù)代表性廠(chǎng)商。為此，第四范式聯(lián)合Gartner發(fā)布了全球首個(gè)針對AutoML的系列白皮書(shū)——《AI for Everyone，AutoML引領(lǐng)AI民主化》以及《AutoML成就指數級增長(cháng)：感知、認知、決策算法布局提升企業(yè)決策水平》。

今天，AutoML正在幫助來(lái)自各行各業(yè)、處于不同技能水平和發(fā)展階段的企業(yè)落地AI應用。毫無(wú)機器學(xué)習經(jīng)驗的醫生使用AutoML，提升了新生兒體重預測的準確率；第三方互聯(lián)網(wǎng)營(yíng)銷(xiāo)平臺的科學(xué)家使用AutoML，相較專(zhuān)家規則進(jìn)一步提升了廣告推薦點(diǎn)擊率；大型企業(yè)軟件開(kāi)發(fā)人員使用AutoML實(shí)現了AI應用的規?；涞?，將應用上線(xiàn)周期由6個(gè)月縮短至1個(gè)月。

《AI for Everyone，AutoML引領(lǐng)AI民主化》報告結合了Gartner對企業(yè)AI應用現狀的調查報告，針對企業(yè)AI應用過(guò)程中的兩大關(guān)鍵挑戰——高技能門(mén)檻和低開(kāi)發(fā)效率，深入解析了支撐AI民主化的引領(lǐng)性技術(shù)AutoML，并提出實(shí)現AutoML落地的正確方式，旨在幫助企業(yè)從容面對智能化轉型中的機遇和挑戰。

AI人才供需嚴重失衡，深層原因是高人才門(mén)檻和低開(kāi)發(fā)效率

近年來(lái)，成功應用AI所帶來(lái)的業(yè)務(wù)價(jià)值增長(cháng)，使得企業(yè)對AI應用需求呈現井噴增長(cháng)趨勢。Gartner預測，2022年企業(yè)平均部署人工智能和機器學(xué)習項目將達到35個(gè)。

2019-2022年企業(yè)AI/ML項目平均部署數量

面對即將到來(lái)的AI應用場(chǎng)景爆發(fā)，企業(yè)是否已經(jīng)做好充足準備？答案是否定的。在Gartner調查中，56%的受訪(fǎng)企業(yè)都將“人才不足”作為AI項目落地的首要挑戰。

阻礙企業(yè)應用AI的主要挑戰

AI人才不足體現在兩個(gè)方面，一是數量匱乏。以中國地區為例，教育體系每年培養的AI高級人才數量只有千人級別，遠遠無(wú)法滿(mǎn)足每年達百萬(wàn)級的AI場(chǎng)景數增長(cháng)。二是分布不均，全球AI科學(xué)家高度集中在美國硅谷和北京中關(guān)村，而絕大多數企業(yè)所在地都沒(méi)有足夠的AI科學(xué)家。

人才缺失阻礙企業(yè)享受AI帶來(lái)的紅利，究其背后原因，是過(guò)高的人才門(mén)檻和低下的開(kāi)發(fā)效率，導致AI人才無(wú)法實(shí)現快速培養并有效產(chǎn)出價(jià)值。

首先是人才門(mén)檻過(guò)高。傳統機器學(xué)習模型構建通常由問(wèn)題定義、數據收集、特征工程、模型訓練、模型評估等環(huán)節組成。模型構建難度大、技術(shù)門(mén)檻高，往往需要具備專(zhuān)業(yè)知識的科學(xué)家完成。培養AI科學(xué)家的門(mén)檻極高，往往需要8-10年時(shí)間，即使是IT專(zhuān)業(yè)人員，沒(méi)有經(jīng)過(guò)長(cháng)時(shí)間的學(xué)習和實(shí)踐積累，也很難掌握模型構建、參數調整等關(guān)鍵技能。

其次是開(kāi)發(fā)效率低下。即使那些投擲重金聘請科學(xué)家的企業(yè)，也并未收獲到所期望的業(yè)務(wù)價(jià)值。這背后的突出問(wèn)題是，科學(xué)家大量時(shí)間都消耗在數據、特征及模型選擇等重復性工作上。而真正用于定義業(yè)務(wù)問(wèn)題、提供創(chuàng )新性解決方案的時(shí)間卻少之又少。這些工作占用了科學(xué)家的寶貴時(shí)間，導致其建模效率不足，使其無(wú)法發(fā)揮出企業(yè)所期待的價(jià)值，企業(yè)AI應用落地進(jìn)程嚴重滯后。

AutoML開(kāi)啟企業(yè)AI民主化實(shí)踐，讓AI發(fā)展突破人的瓶頸

AI人才的高技能門(mén)檻和低開(kāi)發(fā)效率，讓人工智能的發(fā)展受制于“人”。AutoML作為支撐AI民主化發(fā)展的代表性技術(shù)，將賦予企業(yè)以低門(mén)檻、高效率實(shí)現AI規?；_(kāi)發(fā)的能力。

AutoML通過(guò)自動(dòng)化機器學(xué)習算法覆蓋建模全流程，減少人在數據準備、特征工程、模型訓練和模型評估等環(huán)節重復性工作，釋放AI人才被浪費的寶貴時(shí)間，解決AI專(zhuān)業(yè)人才短缺和開(kāi)發(fā)效率不足的難題。

Gartner預測，到2023年，有40%的公民數據科學(xué)家（即企業(yè)的IT開(kāi)發(fā)者或業(yè)務(wù)人員）將使用自動(dòng)化機器學(xué)習來(lái)完成業(yè)務(wù)場(chǎng)景的建模，這將極大程度釋放AI帶來(lái)的價(jià)值。

AutoML自動(dòng)化機器學(xué)習建模全流程

目前，頂級AutoML建模效果已經(jīng)與頂尖的數據科學(xué)家水平相當。在全球知名的Kaggle機器學(xué)習競賽中，第四范式的AutoML算法在結構化和非結構化等挑戰項目中的建模效果戰勝了超過(guò)98%數據科學(xué)參賽選手，意味著(zhù)每50位全球頂尖數據科學(xué)競賽選手，只有1位能戰勝第四范式的AutoML。

AutoML的大規模應用，需要以產(chǎn)品化形式輸出和投產(chǎn)

頂尖的AutoML算法相當于A(yíng)I應用構建的“引擎”。而AI應用的開(kāi)發(fā)是一項非常復雜的精細化工程，涉及諸多環(huán)節。假如沒(méi)有一套完整的AI開(kāi)發(fā)工具，各個(gè)環(huán)節就會(huì )變成彼此割裂、互不兼容的“孤島”，不僅導致科學(xué)家在開(kāi)發(fā)過(guò)程中疲于奔命，也會(huì )讓AI規?；兂伞芭萦啊?。只有打造基于A(yíng)utoML算法“引擎”的“自動(dòng)化工廠(chǎng)”，實(shí)現全面產(chǎn)品化，才能真正推動(dòng)AI產(chǎn)業(yè)化落地。

為此，第四范式將AutoML算法進(jìn)行了產(chǎn)品化封裝，打造了一款低門(mén)檻、高效率、持續優(yōu)化的自動(dòng)化AI生產(chǎn)力平臺Sage HyperCycle ML。作為一款成熟的企業(yè)級AutoML產(chǎn)品，Sage HyperCycle ML有三方面的優(yōu)勢，首先通過(guò)領(lǐng)先AutoML算法加持，降低了使用人員的技能門(mén)檻，使得AI應用開(kāi)發(fā)不再局限于科學(xué)家，把企業(yè)IT開(kāi)發(fā)者及業(yè)務(wù)人員轉變?yōu)锳I模型開(kāi)發(fā)的生力軍；其次是AI建模的全流程自動(dòng)化，提升落地效率，將AI應用上線(xiàn)周期從以半年為單位縮短至周、天、乃至小時(shí)級別；此外，Sage HyperCycle ML的閉環(huán)自學(xué)習技術(shù)支持模型持續動(dòng)態(tài)調優(yōu)，實(shí)現小時(shí)、分鐘乃至秒級的數據更新和模型迭代，解決了模型上線(xiàn)后模型迭代頻率低、人力成本居高不下的問(wèn)題。

極簡(jiǎn)界面的第四范式Sage HyperCycle ML平臺

通過(guò)打造該平臺，將AutoML算法嵌入到平臺產(chǎn)品中，算法的“引擎”作用才可能充分發(fā)揮，從而支撐AI的規?；涞?。

AI產(chǎn)品和工具的落地，需要正確的方法論指導

AutoML的產(chǎn)品化，意味著(zhù)機器學(xué)習項目取得了一半的成功。然而，模型應用上線(xiàn)過(guò)程中，錯誤的認知造成各種各樣的問(wèn)題和挑戰。這些問(wèn)題和挑戰影響模型效果，延長(cháng)建模周期，帶來(lái)極大的人力和時(shí)間消耗，嚴重影響企業(yè)業(yè)務(wù)價(jià)值創(chuàng )造。

只有當AutoML產(chǎn)品被正確的使用，AI項目才能真正落地并創(chuàng )造業(yè)務(wù)價(jià)值。為此，第四范式凝練出AI項目落地的方法論，解決模型構建與模型應用上線(xiàn)之間存在的割裂問(wèn)題，幫助企業(yè)實(shí)現AI應用落地。

具體來(lái)看，第四范式針對企業(yè)落地AI過(guò)程中四個(gè)方面的誤區提出了解決辦法。首先，在系統構建方面，企業(yè)應當搭建閉環(huán)的數據治理架構，明確定義AI的目標、行為和反饋，避免在數據治理過(guò)程中消耗大量不必要的精力；第二，在數據準備方面，企業(yè)應當基于線(xiàn)上的單一數據來(lái)源進(jìn)行收集和處理，避免多來(lái)源數據的形式和邏輯不一致，導致模型效果與實(shí)驗室效果產(chǎn)生巨大差距乃至反轉；第三，在模型構建方面，企業(yè)應當利用自動(dòng)化的機器學(xué)習平臺實(shí)現全流程自動(dòng)化，讓業(yè)務(wù)人員也能開(kāi)發(fā)AI模型，避免AI落地受制于“人”。第四，在模型上線(xiàn)后，企業(yè)應通過(guò)自學(xué)習技術(shù)保持模型效果的持續迭代，避免模型停滯不前，效果隨時(shí)間推移而衰減?；谡_的方法論，企業(yè)利用AI產(chǎn)品實(shí)現AI的規?；涞貙睦硐胱?yōu)楝F實(shí)。

總結來(lái)說(shuō)，面對AI落地需求井噴和AI人才嚴重不足的失衡局面，AI民主化是實(shí)現AI規?；涞貞?、創(chuàng )造更大商業(yè)價(jià)值的必然路徑。而AutoML技術(shù)是AI民主化的關(guān)鍵技術(shù)支撐。通過(guò)將AutoML技術(shù)進(jìn)行產(chǎn)品化嵌套，配合正確的落地方法論，構成一套系統的AutoML落地解決方案和路徑，這將使更多的企業(yè)和人才有機會(huì )享受到AI帶來(lái)的效率，從而釋放巨大的商業(yè)價(jià)值。

完整報告限時(shí)免費獲取通道已開(kāi)通，點(diǎn)擊鏈接獲取。

https://www.gartner.com/technology/media-products/pdf.jsp?g=4Paradigm-1-1YA8UURF-CHS