第四范式发布AI Prophet AutoML 让业务人员也可以开发AI应用

9 月 18 日,在 2018 世界人工智能大会期间。第四范式发布了自动机器学习平台——AI Prophet AutoML 与计算机视觉平台——AI Prophet AutoCV 两款产品。Prophet AutoML 是一款让普通业务人员也可以开发 AI 应用的平台,其产品设计核心是让机器自动地在不同行业里学习历史上的决策与反馈,并以此为基础制定和运行企业的业务规则;Prophet AutoCV 是通过数据驱动的方式,使得使用者具有自动、自主的 CV 应用构建能力。据悉,定位于低门槛的企业级平台,AutoML 平台和 AutoCV 平台能够化身为企业的大脑和眼睛,帮助企业快速高效地实现 AI 落地。

针对于此次发布的产品具体解决了什么问题,戴文渊表示:「科学和业务,这两者对人的需求不同。让一个 AI 科学家花很长时间变成一个业务专家,或者要让一个业务专家花很长时间成为一个 AI 科学家,这样做效率太低。与此同时,AI 需要一个人既能做好算法、又懂得业务、再加上数据处理又要求一定的工程能力,同时兼具这三种能力的人,少之甚少。」戴文渊认为,人工智能在行业应用的价值已经不需要再去证明,目前最大瓶颈在于规模化应用。「要做 AI 得先请一个科学家,而全球 AI 人才尚不足千人、复合型 AI 人才更是远不及这个数。人才让本该更多领域集体爆发的一场 AI 变革,迟迟没有到来,因为需求还在排队等待被解决。只有 AI 应用门槛降低到普通开发者也能做的程度,AI 时代才真正来临。」

据了解,此次发布的第四范式 AI Prophet AutoML 通过简洁、易理解、易操作的方式覆盖了从模型调研到应用的机器学习全流程。全自动可谓是该产品的最大亮点,用户只需「收集行为数据、收集反馈数据、模型训练、模型应用」4 步,无需深入理解算法原理和技术细节,即可实现全流程、端到端的 AI 平台构建。在以往的机器学习构建过程中,AI 科学家需要参与几乎所有的机器学习阶段,包括:收集数据、特征工程、调整模型参数,模型评估等,现在这些工作几乎都能够交由开发者甚至是业务人员来解决。在降低门槛的同时,AI Prophet AutoML 还展现出了比较高的模型水准。经上线数据表明,目前该平台在疾病预测、金融反欺诈、互联网推荐、广告营销、风险控制等高价值、高难度的决策类场景下,做出了接近甚至超过顶级数据科学家的模型效果,让 AI 拥有出色的决策能力。

Prophet AutoCV 是第四范式为企业提供的计算机视觉应用通用服务的系统,按照过去计算机视觉应用构建流程,企业构建一个智能视觉应用需要历经 9 个必要过程,花费 20 人专家团队近 60 天时间;而采用 AutoCV 平台后,只需耗费 1 名业务人员 1 天的时间,不仅生产效率提升 120 倍,TCO 成本(Total Cost of Ownership,即总拥有成本)也呈现数量级下降。此外,AutoCV 平台将构建计算机视觉应用的能力真正赋予企业,企业可以根据实际存在的业务需求、自己构建大量的计算视觉应用,此前大部分这类「零散」需求基本都找不到对应的解决方案供应商。AutoCV 平台目前已经应用于票据分类、VIP 识别、合规检测、异常识别、机件识别、客流分析、用户画像、病理切割等多个计算机视觉「长尾「业务应用,让企业睁开智能之「眼」。

AutoML 和 AutoCV 平台的核心在于让无人工智能背景的人也可构建 AI,将整个机器学习过程自动化,利用 AI 技术自动生成 AI 应用。对此,戴文渊表示,过去,包括深度学习在内的机器学习需要人为地去定义参数或者调整参数,包括各种各样的算法设置、网络结构等。现在,AutoML 平台让大部分事情都转交由计算机来完成,用户只需要确定好业务目标,以及不断地给计算机数据、反馈数据,这个计算机就会变得越来越聪明。他预期,在 AutoML 技术的加持下,今后的三五年内,AI 将迎来在国内各行各业的爆发。

产业AutoML第四范式
相关数据
第四范式机构

第四范式成立于2015年初,是国际领先的人工智能技术与服务提供商,已服务20多个行业完成上千个AI落地案例。目前国内重要的国有银行和全国性股份制银行,超过一半都是第四范式的客户,此外,公司在互联网、医疗、政府、能源、零售、媒体等行业均有涉猎,诸多案例取得百分之一百以上的效果提升。

https://www.4paradigm.com/
深度学习技术

深度学习(deep learning)是机器学习的分支,是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。 深度学习是机器学习中一种基于对数据进行表征学习的算法,至今已有数种深度学习框架,如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

机器学习技术

机器学习是人工智能的一个分支,是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论,机器学习与推断统计学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。

人工智能技术

在学术研究领域,人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体(intelligent agent)

参数技术

在数学和统计学裡,参数(英语:parameter)是使用通用变量来建立函数和变量之间关系(当这种关系很难用方程来阐述时)的一个数量。

超参数技术

在机器学习中,超参数是在学习过程开始之前设置其值的参数。 相反,其他参数的值是通过训练得出的。 不同的模型训练算法需要不同的超参数,一些简单的算法(如普通最小二乘回归)不需要。 给定这些超参数,训练算法从数据中学习参数。相同种类的机器学习模型可能需要不同的超参数来适应不同的数据模式,并且必须对其进行调整以便模型能够最优地解决机器学习问题。 在实际应用中一般需要对超参数进行优化,以找到一个超参数元组(tuple),由这些超参数元组形成一个最优化模型,该模型可以将在给定的独立数据上预定义的损失函数最小化。

计算机视觉技术

计算机视觉(CV)是指机器感知环境的能力。这一技术类别中的经典任务有图像形成、图像处理、图像提取和图像的三维推理。目标识别和面部识别也是很重要的研究领域。

特征工程技术

特征工程是利用数据所在领域的相关知识来构建特征,使得机器学习算法发挥其最佳的过程。它是机器学习中的一个基本应用,实现难度大且代价高。采用自动特征工程方法可以省去采用人工特征工程的需求。Andrew Ng 说“挖掘特征是困难、费时且需要专业知识的事,应用机器学习其实基本上是在做特征工程。”

推荐文章
暂无评论
暂无评论~