到底是哪些行業與公司在用谷歌的AutoML？李佳的回復亮了

AutoML 出現的最大推動力，源於這個新 AI 應用趨勢的顯現？

撰文 | 宇多田

到底是哪些類型的公司與行業在用 Google 發布的「易上手版」AI 建模工具 AutoML？！

這才是我們最好奇的問題。

（正在用 AutoML 的公司，請爽快地舉起你的雙手）

距離 AutoML 發布已經有小半月，這個號稱能夠幫 AI 專家和企業「自動生成 機器學習模型的工具」已經被各路技術大牛剖析地差不多了。（如果對這套工具的技術感興趣，請戳 專欄 | 自動選模型+調參：谷歌 AutoML 背後的技術解析）

簡單來說，就是「機器學習工程師拿到訓練數據、對數據進行分析、然後設計演算法、調參生成訓練模型」這個專業性極高的流程，被一個 AutoML 替代了。

我們認為，發布這個 AutoML 的最大推動力，根本上是源於新一波 AI 應用趨勢的顯現：傳統行業人士不甘於只被當作「圈外人士」和「被服務對象」。

正因為 AI 逐漸沉入了更多產業深處，Google 雲 AI 主管李佳在接受機器之能採訪時，把全世界所有想用 AI 技術的用戶分為了 3 大類：

1、一種就是對 AI 技術非常熟悉，掌握非常訓練的，以及有大量數據的人（公司）。他們可能只需要一些底層架構，譬如 Tensorflow，就能訓練出完全屬於自己的模型和技術。

2、第二種是通常沒有自己的 data，對技術掌握不熟練的人，他們可以選擇 API（介面）。通常來說，只要他們提供一張照片，就能馬上拿到結果，不需要花時間開發自己的模型。

3、第三種就是有一些想法的用戶。他們 AI 技術也不太熟練，但有數據，想定製屬於自己的模型。那麼就用 AutoML，「不必去標註訓練數據，也不用去設計演算法，調參，只要將數據集輸入到 AutoML 就出來模型了。」

「科普」必須插足的時間：

這裡對於「AutoML 訓練數據」的問題，根據機器之心蔣碼農的解析：AutoML 可使用在 ImageNet 上預訓練的模型自動完成訓練數據的標註，使用遷移學習（Transfer Learning）和元學習（Learning2Learn）等方法自動挑選合適的網路架構，並自動搜索超參數以獲得最好的性能。

其中，根據李佳解釋，遷移學習較為簡單，可以幾分鐘便生成模型；而元學習更加複雜，沒有給定架構，成本更高，通常需要 1 天才能生成模型，但這個時長已經遠遠低於傳統模型訓練流程。

可以想像，對於那些心裡想著「AI 這麼火我也要獨家版本」，但卻力不從心，沒技術和人才可用的傳統行業，性價比最高的好像就是介於 1 和 2 兩者之間的 AutoML？

值得注意的是，1 月 18 日發布時 AutoML 還模稜兩可的用戶數據，在今天得到了李佳的確認：

可以確定，僅 AutoML 這一個 AI 工具的註冊用戶已經超過 1 萬個，包括大量來自傳統行業的企業與創業公司。

而據機器之能得到的獨家信息顯示，這裡面的用戶，除了被 Google 積極展示出的非盈利組織與機構，譬如動物保護協會使用 AutoML 識別各類珍稀動物，以及「環境組織與衛生部門利用 AutoML 生成模型識別各類垃圾」等案例，還有兩類註冊數量非常多的行業：

零售與醫療（許多 Google 雲的醫療用戶在使用）。

由於 Google 首先發布的第一個 Cloud AutoML 是 AutoML Vision（圖像識別工具），也就是主要針對「圖像分類」這個場景的模型構建工具。

因此，目前在「醫療影像識別」方面有技術需求的醫療行業用戶，成為 AutoML 的重度用戶之一（Google 自己也在醫療方面有很多探索）。

（目前 Google 僅發布了針對圖像分類的 AutoML）

不過，李佳著重提到了零售行業。

在過去 1 個多月里，Google 接待了不少來自傳統零售行業的「客戶」，他們抱著或諮詢或尋求合作的態度來「請教 AutoML 的產業應用問題」。

她在解析 AutoML 的優勢時曾講到，AutoML 對那些有著細微特徵差別的圖片（產品），有著較高的正確識別率。譬如，在氣象領域，十多種不同的雲就代表不同的天氣，而 AutoML 能夠根據每張圖顏色及形態的微量變化，識別出不同的天氣狀況。

那麼同理，以服裝行業為例，很多衣服的顏色與圖案或許一樣，但是領口、袖口以及整體的設計風格可能完全不同。在這種情況下，AutoML 具備了讓品牌方對產品屬性進行自動化加工分類的能力。

「對產品進行分類後，用戶喜好拿捏地也會更精準。從目前來看，一些零售公司對 AutoML 最感興趣的就是『能否用自己設定的標準（譬如顏色、各種標誌、特徵）對產品進行識別』，然後再應用到產品推薦方面，最終回到用戶體驗上面。」

然而，網上的技術人士對 AutoML 褒貶不一。

譬如有人認為 Google 針對圖像分類這個場景把機器學習技術在易用性上做到了極致；但知乎上也有不少圈內工程師為微軟打抱不平，聲稱 1 年前微軟就推出了相似的產品。

與此同時，國內的第四範式，國外的 DataRobot 等 AI 技術公司，也在或免費或收費替傳統行業培訓機器學習工程師或數據專家，讓後者使用自己的平台為客戶做機器學習項目。

但是，請注意，到目前為止，我們收到的都是「技術從業者對 AutoML 的評價」，而應用者，特別是行業內的 AutoML 應用者還沒有發出一些具體的聲音。

因此，在這裡，我們也想借這篇文章向零售、醫療、金融等行業內開發者，發出話題邀請：

1、你會選擇使用 AutoML 嗎？為什麼會/不會用？

2、如果使用了 AutoML，你認為它的優點在哪裡？最大的問題與挑戰在哪裡？

3、現在有了 AutoML Vision，你下一個最期待的是什麼 AutoML 功能呢？

歡迎與機器之能的小編勾搭！如果你有行業性應用問題，我們有 Google 方的乾貨回復等著你~（劃重點）

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！