8月28日，第15届环太平洋国际人工智能会议(The Pacific Rim International Conference on Artificial Intelligence，简称PRICAI)在南京召开。作为亚太地区重要的AI综合性学术会议，PRICAI每两年举办一次，与会者们围绕人工智能理论、前沿技术及其在应用在环太平洋国家经济重要性等议题进行深入探讨。今天，最为引人关注的就是由“AI技术领导者”第四范式发起，计算机软件新技术国家重点实验室LAMDA(Learning And Mining from DatA)、ChaLearn、北京大学、INAOE共同组织的AutoML Workshop。
据悉，第四范式资深机器学习架构师涂威威作为本次的Workshop的联合主席，邀请了INAOE研究员Hugo Jair Escalante、埃因霍温科技大学教授Joaquin Vanschore、怀俄明大学教授Lars Kotthoff、波尔图大学Pavel Brazdil、南京大学俞扬教授、南京大学李宇峰教授等多位权威学者，针对AutoML领域的前沿趋势及技术进行了分享。
近年来，机器学习虽然已在推荐系统、在线广告、金融市场分析等诸多领域取得了很多成功，但在这些成功的应用中，人类专家参与了机器学习的所有阶段，包括：定义问题、收集数据、特征工程、调整模型超参数，模型评估等。然而，这些任务的复杂性往往超出了非机器学习专家的能力范围。机器学习技术使用门槛高、专家成本高昂等问题成为了制约AI普及的关键因素。因此，自动化机器学习技术AutoML应运而生，该技术让没有机器学习背景的人同样可以轻松使用。
第四范式从很早便开始关注并深耕AutoML领域，通过从解决客户业务核心增长的角度出发，构建了反欺诈、个性化推荐等业务场景下的AutoML，并将其赋能给企业的普通开发人员，取得了接近甚至超过数据科学家的业务效果。目前，已经研发了自动特征组合(FeatureGo)、自动时序特征(TemporalGo)、自动深度稀疏网络DSN(Deep Sparse Network)等AutoML支撑技术。其中，FeatureGo算法，实现了机器自动组合特征的功能，有效解决了人为添加组合特征门槛高、耗时长等问题。FeatureGo也增加了模型的可解释性，提升易用性，进一步降低了机器学习的应用门槛。
与专注于图像、语音、翻译、视频、NLP等领域的Google AutoML相比，第四范式的AutoML除了支持语音、图像、NLP等领域的应用外，更为注重通过AutoML技术，使机器具备商业智能决策的能力。与此同时，第四范式还通过在NIPS、PAKDD等顶级学术会议举办AutoML数据挖掘大赛的方式，吸引更多的研究人员和业界同行关注AutoML这一重要的研究方向，降低机器学习过程对于AI专家的依赖，解决因人才紧缺造成的AI应用高门槛。而比赛关注的焦点也从“人肉找到最优参数”转移到“设计出最佳自动机器学习程序”。
免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。
