谷歌重磅：不用寫代碼也能建模調參，Cloud AutoML要實現全民玩AI

最新 01-19

大數據文摘作品

編譯：錢天培、龍牧雪

連發三條推特！今天凌晨時分，李飛飛通過一篇博客文章發布了谷歌最新AI產品——AutoML Vision，可以自動設計機器學習模型。

我很榮幸地宣布AutoML Vision面世。無需精通機器學習，每個人都能用這款AI產品定製機器學習模型。這是「AI民主化」的重要進展！

——李飛飛

這個名為Cloud AutoML的宏大項目浮出水面，或標誌谷歌發展的戰略轉型。一直以來面向機器學習人工智慧開發者的Google Cloud，這次將服務對象轉向了普羅大眾。

今天面世的AutoML Vision是一款提供自定義圖像識別系統自動開發的服務。也就是說，即使是沒有機器學習專業知識的的小白，只需了解模型基本概念，也能借這項服務輕鬆搭建定製化的圖像識別模型。而且，這一切將通過雲端完成。

從此以後，一行代碼也不用寫

除了圖像識別，谷歌未來還計劃將AutoML服務拓展到翻譯、視頻和自然語言處理等領域。

谷歌的宏偉願景由本次發布可見一斑——你只需在系統中上傳自己的標籤數據，就能得到一個訓練好的機器學習模型。整個過程，從導入數據到標記到模型訓練，都可以通過拖放式界面完成。

GIF

從技術層面來看，谷歌通過遷移學習（Transfer Learning）將已訓練完成的模型，轉移到新的模型訓練過程。這樣，能夠用較少量數據訓練出機器學習模型。對於醫療領域而言，這點尤為重要，因為在為罕見疾病和一些特殊案例建模時，往往無法取得足夠的訓練數據。此外，谷歌還通過learning2learn功能自動挑選適合的模型，搭配超參數調整技術（Hyperparameter tuning technologies）自動調整參數。

AutoML由控制器（Controller）和子網路（Child）2個神經網路組成，控制器生成子模型架構，子模型架構執行特定的任務訓練並評估模型的優劣反饋給控制器，控制器將會將此結果作為下一個循環修改的參考。重複執行數千次「設計新架構、評估、回饋、學習」的循環後，控制器能設計出最準確的模型架構。

在這一過程中，搭建訓練模型、調參等種種老大難題都能被自動解決，這也將Google Cloud這一新服務與微軟Azure ML的機器學習平台區分開。

解決了機器學習的技術門檻後，只要有開發能力，就算不懂機器學習知識，也能通過AutoML打造出一套企業級的機器學習應用或AI應用。

眾所周知，機器學習專家的稀缺和水漲船高的薪資意味著大多數企業無法聘用自己的數據科學家，如果此項服務能夠成熟落地，谷歌將無疑在眾多雲服務之爭中開闢一大片新市場。

谷歌雲AI研發負責人李佳（左）和首席科學家李飛飛

就在本周，李飛飛曾在新聞發布會上表示：「人工智慧、機器學習仍然是一個進入門檻高的領域，需要大量專業知識和資源，而很少有公司自己能負擔得起這些資源。今天，雖然AI能為企業提供無數的益處，但由於資源稀缺，多數企業還無法開發個性化的模型。」

Cloud AutoML的發布顯然是奔著解決這一痛點而來。

以AutoML Vision為例，使用者只需要將圖片上傳並點擊訓練，便能選擇要建立的定製模型或是既有的模型。如果希望定製化模型，谷歌建議理想的情況是，每個標記至少要有100張訓練圖片。如果選擇通過Vision API使用既有的模型，則只能標示一些常見的物件，像是臉部、標誌、地標等。

雖然谷歌此次聲稱AutoML是市面上唯一提供類似服務的產品，但諸如Clarif.ai這樣的服務也已打出過類似的旗號，而微軟的認知服務也能讓你定製預先訓練好的視覺、語音識別和決策模型（不過所有這些服務都還未被正式發布）。

AutoML Vision究竟如何，還得由廣大企業和開發者檢驗。目前，必須通過申請才能使用該服務，谷歌也仍未公開其定價。

對於此次發布，Google Cloud AI首席科學家李飛飛和研發負責人李佳也發表了一篇公開信。大數據文摘在這裡截取了重點翻譯。

Cloud AutoML: 讓人工智慧對每個企業都觸手可及

自一年前加入Google Cloud，我們就將「AI民主化」列為我們的重要使命。降低門檻、並將AI提供給最廣大的開發者、研究人員和企業群體，是我們一直以來的目標。

在這條道路上，我們的Google Cloud AI團隊已經取得了諸多進展。

2017年，我們推出了Google Cloud Machine Learning Engine，幫助具有機器學習專業知識的開發人員輕鬆構建適用於任何規模、任何類型數據機器學習模型。我們展示了，在預先訓練好的模型之上，現代機器學習服務（如視覺，語音，NLP，翻譯和對話流等API）能為業務應用帶來的無與倫比的規模和速度。我們的數據科學家、機器學習研究者社區平台Kaggle如今已經擁有超過一百萬的成員。而今天，已有超過10,000家企業使用Google Cloud AI服務，其中包括Box，Rolls Royce Marine，Kewpie和Ocado等公司。

但我們的目標還遠不止於此。今天，世界上仍只有一小部分企業擁有足夠的人力財力資源來充分發揮AI和機器學習的潛能；今天，世界上仍只有一小部分人能夠開發出先進的機器學習模型。即便那少數幾家擁有AI專家的企業，也仍需要大量時間、經過繁複的過程才能構建出自定義的機器學習系統。雖然通過谷歌為特定任務設計的APIs，預訓練的機器學習模型已經被實現，但在普及AI的道路上，我們還有很長的路要走。

為了進一步實現我們的願景，讓每個企業都能使用AI，我們今天推出了Cloud AutoML。基於learning2learn和遷移學習等先進技術，Cloud AutoML能夠幫助機器學習專業知識薄弱的企業開始構建自己的高品質自定義模型。我們也相信Cloud AutoML能使AI專家們更加高效，在AI中拓展新的領域，並幫助技術嫻熟的工程師構建他們以前夢寐以求的強大AI系統。

Cloud AutoML的第一個發布將是Cloud AutoML Vision，這一服務可以更快、更輕鬆地創建用於圖像識別的自定義機器學習模型。其拖放式界面可讓你輕鬆上傳圖像，訓練和管理模型，然後直接在Google Cloud上部署這些訓練有素的模型。我們先前使用Cloud AutoML Vision對常用公共數據集（如ImageNet和CIFAR）進行分類，取得了比通用機器學習API更優的結果。

以下是Cloud AutoML Vision的詳細性能介紹：

更精準：Cloud AutoML Vision基於谷歌領先的圖像識別方法，包括傳輸學習和神經架構搜索技術。這意味著即使企業不具備足夠的機器學習專業知識，也可以獲得更準確的模型。

更快：使用Cloud AutoML可以在幾分鐘內創建一個簡單的模型，用以調試你想用AI支持的應用程序，可以在一天內構建能用於生產的完整模型。

操作簡單：AutoML Vision提供了一個簡單的圖形用戶界面，可讓你指定數據，然後將數據轉換為一個針對特定需求的高質量模型。

截至目前，已有包括迪士尼、倫敦動物學會ZSL、服飾品牌Urban Outfitter在內的多家公司和組織試用了該服務，取得了業務突破。

如果你想要試用AutoML Vision，可以通過該表格提交申請（https://services.google.com/fb/forms/cloudautomlalphaprogram/）。

AutoML Vision是我們與Google Brain和其他Google AI團隊密切合作的結果，也是Cloud AutoML系列產品中的第一個。儘管在普及AI這條道路上我們才剛剛起步，但Cloud AI產品的10,000多個客戶如今取得的成就已經讓我們深受鼓舞。

谷歌雲和谷歌大腦的合作，也體現在

李飛飛在推特上「點名表揚」Jeff Dean

我們希望Cloud AutoML的發布將幫助更多企業發現AI的潛力。

參考文獻

Learning Transferable Architectures for Scalable Image Recognition,Barret Zoph, Vijay Vasudevan, Jonathon Shlens, Quoc V. Le. Arxiv, 2017.

Progressive Neural Architecture Search,Chenxi Liu, Barret Zoph, Jonathon Shlens, Wei Hua, Li-Jia Li, Li Fei-Fei, Alan Yuille, Jonathan Huang, Kevin Murphy, Arxiv, 2017.

Large-Scale Evolution of Image Classifiers,Esteban Real, Sherry Moore, Andrew Selle, Saurabh Saxena, Yutaka Leon Suematsu, Quoc Le, Alex Kurakin. International Conference on Machine Learning, 2017.

Neural Architecture Search with Reinforcement Learning,Barret Zoph, Quoc V. Le. International Conference on Learning Representations, 2017.

Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning,Christian Szegedy, Sergey Ioffe, Vincent Vanhoucke, Alex Alemi. AAAI, 2017.

Bayesian Optimization for a Better Dessert,Benjamin Solnik,Daniel Golovin,Greg Kochanski,John Elliot Karro,Subhodeep Moitra,D. Sculley. NIPS, Workshop on Bayesian Optimization, 2017.

https://techcrunch.com/2018/01/17/googles-automl-lets-you-train-custom-machine-learning-models-without-having-to-code/

https://blog.google/topics/google-cloud/cloud-automl-making-ai-accessible-every-business/

https://www.ithome.com.tw/news/120776/

【今日機器學習概念】

Have a Great Defination