《深入理解AutoML和AutoDL：构建自动化机器学习与深度学习平台》 —2.2　AutoML的研究意义

2.2　AutoML的研究意义

2.2.1　AutoML的研究动机

传统的机器学习在解决问题时，首先需要对问题进行定义，然后针对特定问题收集数据，由专家对数据特征进行标定、提取特征、选择特征，然后根据所选特征训练模型、对模型进行评估，最后部署到应用上，以解决最初提出的问题。其中数据收集、特征提取、特征选择、模型训练和模型评估的过程，是一个迭代的过程，需要反复进行、不断优化才能得到较优的模型。这个过程非常耗时费力，那么AutoML呢？AutoML可以将传统机器学习中的迭代过程综合在一起，构建一个自动化的过程，实现自动特征工程、自动管道匹配、自动参数调整、自动模型选择等功能，从而减少时间和人力等资源的浪费。图2-3所示是传统机器学习和自动化机器学习的对比。

图2-3　传统机器学习和自动化机器学习对比

（1）传统机器学习是一个烦琐且耗时的过程

传统的AI模型训练往往要经历特征分析、模型选择、调参、评估等步骤，这些步骤需要经历数月的时间，如果完全没经验，时间会更长。AutoML虽然也需要经历这些步骤，但是通过自动化的方式，可以减少这些步骤的时间。选择怎样的参数，被选择的参数是否有价值或者模型有没有问题，如何优化模型，这些步骤在从前是需要依靠个人的经验、知识或者数学方法来判断的。而AutoML可以完全不用依赖经验，而是靠数学方法，由完整的数学推理的方式来证明。通过数据的分布和模型的性能，AutoML会不断评估最优解的分布区间并对这个区间再次采样。所以可以在整个模型训练的过程中缩短时间，提升模型训练过程的效率。

（2）传统机器学习有一定难度，准入门槛高

模型训练的难度使得很多初学者望而却步，即使是数据专家也经常抱怨训练过程是多么令人沮丧和变化无常。没有经过一定时间的学习，用户很难掌握模型选择、参数调整等步骤。

AutoML可以降低使用机器学习的门槛，它作为一个新的AI研究方法，将机器学习封装成云端产品，用户只需提供数据，系统即可完成深度学习模型的自动构建，从而实现自动化机器学习。

AutoML将会成为机器学习发展的最终形态，即机器自己完成学习任务，这样基于计算机强大计算能力所获得的模型将优于人类对它定义的模型。从使用的角度来讲，必定会有更多非专业领域的人受益于AutoML的发展。

图2-4展示的是一个使用AutoML进行图片分类的简单问题。首先上传图片并对图片进行标注；接着被标注过的图片会输入到视觉处理系统中，由视觉处理系统根据上传的图片，对标注区域的特征进行提取，并进行特征的预处理，之后根据图片特征，自动构建神经网络结构并训练该模型；经过不断地评估和优化，最后得到一个预测模型。

图2-4　使用AutoML进行图片分类