2021-12-07-IDC-引入AutoML_破局企业智能_32页_3mb

引言

AI的发展现状：中国AI软件市场规模与美国相近，预计2020-2025年复合增长率为35.2%。企业在AI应用中面临技术人才、数据资源、内部技能等方面的挑战。

机器学习开发新要求

自动化

自动化机器学习（AutoML）旨在解决机器学习开发中的瓶颈：

• 数据准备：耗时最长的环节（占AI开发时间约80%）。
• 模型开发：需选择最优算法、调参、特征工程等。

AutoML定义与实现路径

定义

AutoML是机器学习全生命周期的自动化，涵盖数据预处理、特征工程、模型训练、部署等环节。

实现路径

AutoML可实现全流程自动化，包括：

1. 数据处理：缺失值填补、标准化、特征生成。
2. 模型开发：
   • 超参数优化：如网格搜索、贝叶斯优化、神经架构搜索（NAS）。
   • 模型选择：自动推荐最佳模型架构（如深度学习或传统模型）。
3. 部署与管理：
   • 模型自动化部署、版本控制、监控与迭代。

AutoML发展现状

实现等级

AutoML技术可分为五个阶段：

1. Level 1：API式算法（如Sklearn）。
2. Level 2：数据清洗、特征工程自动化。
3. Level 3：神经架构搜索（NAS）。
4. Level 4：全流程自动化（包括数据增强、特征提取）。
5. Level 5：全链路无人工干预（如AutoML成熟度Phase 5）。

企业级AutoML需具备的能力

企业级AutoML平台需具备以下能力：

• 适配行业属性：提供行业套件和预训练模型。
• 开放灵活：支持不同开发能力和需求。
• 低代码易上手：通过可视化拖拉拽界面降低技术门槛。
• 良好的可视化效果：支持模型流程和业务结果可视化。
• 效率与算力平衡：优化开发效率和算力资源需求。
• 统一管理与自动部署：统一管理模型并支持一键发布。

AutoML的应用价值

加速AI落地

AutoML可助力企业快速上线AI应用，缩短从数据处理到模型部署的时间：

• 减少手动操作，提升开发效率
• 降低技术门槛，支持业务人员自助建模
• 避免重复开发，统一模型管理

典型案例

1. 中原银行：借助AutoML工具DAT大幅提升开发效率，节省20-30%工作量，应用场景包括营销、运营、风控。
2. 厦门航空：在油耗管理、发动机检测、旅客预测等领域使用AutoML，推动AI项目标准化。
3. 某全国性股份制商业银行：借助AutoML平台缩短模型开发周期，从1-2个月缩短至2-3周。

挑战与趋势

• 信任与认知：行业仍缺乏对AutoML工具的全面认知，需增强其可靠性和可解释性。
• 可解释性：AutoML产品的可解释性对于消除“黑匣子”效应至关重要，是推动其大规模应用的关键。
• 技术成熟度：AutoML正在向更高阶的自动化发展，未来将覆盖更多行业场景。

结语与启示

AutoML是解决企业AI应用瓶颈的重要路径，能够提升效率、加速AI普惠。建议企业：

1. 从Level 2或Level 3平台起步，逐步实现全链路自动化。
2. 在模型相对成熟的场景优先应用AutoML，降低成本和风险
3. 关注AutoML产品的可解释性和适配性，确保业务需求满足。