ML 的新 AI 思维模式如何使深度学习更易于访问
来源：CPDA数据分析师网 / 作者：数据君 / 时间：2021-07-12
目标非常简单
通过采用新的 AI 思维方式并自动化算法设计的关键元素，AutoML 可以让各种类型的用户（包括个人、小型初创公司和大型企业）更容易使用机器学习，更具体地说ML 可以使深度学习，机器学习的更复杂的子集，让数据科学家可以访问，尽管它的性质更复杂，这是一个极具吸引力的价值主张——它承诺提供的效率、成本节约和创收机会，这也有助于解释为什么ML 市场在未来几年会出现天文数字增长，全球 ML 市场将从 2019 年的 2.696 亿元增长到 2030 年的超过 145 亿元——复合年增长率超过 40%。
但在这个快速增长的市场的保护伞下，什么会落到实处？
没有简洁的答案，相反为了更好地理解ML，我们应该将其视为一个光谱，而不是像完全自主或完全手动那样黑白分明，以汽车行业为例，自动驾驶分为不同级别，从级别 1（驾驶员辅助技术）到级别 5（完全自动驾驶汽车，这仍然是一个遥远的前景），以这种方式思考ML 可以作为一个有用的提醒——构建自动化 AI 模型并不是一个要么全有要么全无的命题。以下是重新定义 AI 管道的分级尺度。
0 级：无自动化
根据定义，完全手动的深度学习过程依赖于数据科学家和其他专家的技能组合来执行关键过程，包括编程神经网络、处理数据、进行架构搜索等，执行这些任务所需的技能水平非常高，这有助于解释为什么许多组织难以理解深度学习（以及实施它所需的昂贵人才）。
级别 1：高级 DL 框架
虽然从头开始手动实现 DL 会带来许多障碍，但 DL 程序员和数据科学家的累积工作导致创建了 Caffe、TensorFlow 和 PyTorch 等高级框架，这些框架为用户编写自己的网络提供 DL 模型和管道和更多，正如包含高级驾驶员辅助系统 1 级自动驾驶为普通驾驶员带来了巨大好处，但距离完全自动驾驶还有很长的路要走，这些高级深度学习库正在使深度学习管道变得更简单、更高效，实施仍然需要高度的编程和 DL 专业知识，但它不需要博士学位级别的数据科学专业知识，这使得许多组织更容易获得它。
级别 2：解决集合任务
将预训练模型与迁移学习结合使用会产生更加自动化的过程，这种自动化水平建立在受过训练的模型（如开源存储库和标记数据）的可用性之上，然后对其进行微调以解决给定的问题，同样这个阶段并没有消除对数据专业知识的需求，它依赖于工程师根据手头的任务预处理数据并调整模型。
级别 3：使用 NAS 的 AutoML
神经架构搜索 (NAS) 是一个新兴领域，在该领域中，算法会扫描数千个可用的 AI 模型，以针对给定任务生成合适的算法，换句话说，人工智能被用来构建更好的人工智能，大型科技公司和斯坦福大学等主要学术机构的专有领域，但该领域的进一步创新将带来更大的可扩展性和可负担性，开启一系列极具价值的应用——包括更复杂的医学分析图像，例如。
第 4 级：完全自动化
当深度学习管道完全自动化时，元模型将设置给定任务所需的参数，给定训练数据，元模型可以发明手头任务所需的正确架构，并提供有关架构超参数的先验知识，尽管距离完全自动化还有几年的时间，但即使在较低的自动驾驶水平下，致力于元模型也将在效率和复杂性方面带来重要的收益（就像致力于终开发自动驾驶汽车的创新者已经推出了对汽车技术的改进），因为每个级别的自治都建立在另一个之上，所以 NAS 模型将在找到在每个用例中运行的正确元模型方面发挥重要作用。
让更广泛的受众可以使用深度学习
通过采用新的 AI 思维方式并自动化算法设计的关键元素，AutoML 可以让各种类型的用户（包括个人、小型初创公司和大型企业）更容易使用机器学习，更具体地说ML 可以使深度学习，机器学习的更复杂的子集，让数据科学家可以访问，尽管它的性质更复杂，这是一个极具吸引力的价值主张——它承诺提供的效率、成本节约和创收机会，这也有助于解释为什么ML 市场在未来几年会出现天文数字增长，全球 ML 市场将从 2019 年的 2.696 亿元增长到 2030 年的超过 145 亿元——复合年增长率超过 40%。
但在这个快速增长的市场的保护伞下，什么会落到实处？
没有简洁的答案，相反为了更好地理解ML，我们应该将其视为一个光谱，而不是像完全自主或完全手动那样黑白分明，以汽车行业为例，自动驾驶分为不同级别，从级别 1（驾驶员辅助技术）到级别 5（完全自动驾驶汽车，这仍然是一个遥远的前景），以这种方式思考ML 可以作为一个有用的提醒——构建自动化 AI 模型并不是一个要么全有要么全无的命题。以下是重新定义 AI 管道的分级尺度。
0 级：无自动化
根据定义，完全手动的深度学习过程依赖于数据科学家和其他专家的技能组合来执行关键过程，包括编程神经网络、处理数据、进行架构搜索等，执行这些任务所需的技能水平非常高，这有助于解释为什么许多组织难以理解深度学习（以及实施它所需的昂贵人才）。
级别 1：高级 DL 框架
虽然从头开始手动实现 DL 会带来许多障碍，但 DL 程序员和数据科学家的累积工作导致创建了 Caffe、TensorFlow 和 PyTorch 等高级框架，这些框架为用户编写自己的网络提供 DL 模型和管道和更多，正如包含高级驾驶员辅助系统 1 级自动驾驶为普通驾驶员带来了巨大好处，但距离完全自动驾驶还有很长的路要走，这些高级深度学习库正在使深度学习管道变得更简单、更高效，实施仍然需要高度的编程和 DL 专业知识，但它不需要博士学位级别的数据科学专业知识，这使得许多组织更容易获得它。
级别 2：解决集合任务
将预训练模型与迁移学习结合使用会产生更加自动化的过程，这种自动化水平建立在受过训练的模型（如开源存储库和标记数据）的可用性之上，然后对其进行微调以解决给定的问题，同样这个阶段并没有消除对数据专业知识的需求，它依赖于工程师根据手头的任务预处理数据并调整模型。
级别 3：使用 NAS 的 AutoML
神经架构搜索 (NAS) 是一个新兴领域，在该领域中，算法会扫描数千个可用的 AI 模型，以针对给定任务生成合适的算法，换句话说，人工智能被用来构建更好的人工智能，大型科技公司和斯坦福大学等主要学术机构的专有领域，但该领域的进一步创新将带来更大的可扩展性和可负担性，开启一系列极具价值的应用——包括更复杂的医学分析图像，例如。
第 4 级：完全自动化
当深度学习管道完全自动化时，元模型将设置给定任务所需的参数，给定训练数据，元模型可以发明手头任务所需的正确架构，并提供有关架构超参数的先验知识，尽管距离完全自动化还有几年的时间，但即使在较低的自动驾驶水平下，致力于元模型也将在效率和复杂性方面带来重要的收益（就像致力于终开发自动驾驶汽车的创新者已经推出了对汽车技术的改进），因为每个级别的自治都建立在另一个之上，所以 NAS 模型将在找到在每个用例中运行的正确元模型方面发挥重要作用。
让更广泛的受众可以使用深度学习
完全自动化需要多长时间才能成为现实还有待观察，但是随着更易于使用的深度学习成为主角，AI 开发人员正在接受一种新的思维方式，并为未来铺平道路，在未来，AI 生命周期中许多繁琐、昂贵的任务将变得过时——释放新一代 AI 进步，归根结底，无论我们如何定义ML，我们的目标都是让需要深度学习的人更容易使用它，这意味着简化其使用，以便任何大小公司都可以将 AI 产品化。
京公网安备 11010502034401号
课程体系 
试听申请 
复听申请 
在线报名 
考试大纲 
考试报名 
准考证打印 
