HC2020 NAIE大咖面对面（2）——陈义《如何用知识向导的AutoML解决故障告警问题》

1

首先我们为大家科普下什么是知识导向的AutoML,它和普通的AutoML有什么区别呢？ 

AutoML技术发展非常快，针对图像、自然语言、表格式的数据有很多研究结果。表格式数据上的AutoML，往往是以保存任务相关信息的宽表为起点的。

但是实际应用建模过程中，算法专家的工作并不是从这样的宽表开始。算法专家面对的是大量的、和业务目标相关或不相关的表格、对象，这些数据相互关联，包含了很丰富的结构信息和背景知识，算法专家会参考这些信息来筛选出和业务目标相关的数据，选择数据处理流程、特征处理方法以及神经网络结构。

如果AutoML算法也可以参考这些背景知识来学习算法专家的建模方法，而不是忽略建模过程中最具有挑战性的相关数据选择、根据领域知识确定特征和模型结构等步骤，就能真正帮助没有算法背景的业务专家使用自动建立的机器学习模型解决业务问题。

2

目前的AutoML工具或平台处于什么级别，还需要做哪些改进？

按照汽车自动驾驶的标准，L2级被概括为hands off，可以让系统自己完成一些基础任务；L3级被概括为eyes off，可以完全信任地将部分任务交给系统了。如果参照这个标准，目前的AutoML应该还都在L2这个级别。当然，直接套用汽车自动驾驶的标准来评估AutoML不见得是个好主意，不同AutoML平台、工具的目标其实有很大的差别，很难用统一标准来衡量。尽管如此，对照着汽车自动驾驶的标准来找AutoML工具的不足还是有意义的，比如提高结果的可信任程度、安全性等等。另外，限定应用领域，在领域知识向导下的AutoML应该更容易达到L5级标准。

3

AutoML在NAIE平台有哪些应用场景？

我们关注的问题，是如何帮助没有算法背景的业务专家使用自动建立的机器学习模型解决业务问题。

AI在电信领域有非常多的使用场景，但场景非常零散。比如异常和故障预警，不同的网元、拓扑、业务类型，可能需要不同的预警模型，由算法专家针对每种场景建立预警模型，非常繁琐，也很不经济。由业务专家进行业务建模和数据抽象，AutoML平台根据业务模型和算法专家的演示案例自动生成预警模型，是更理想的模式。

如果你对本话题感兴趣，欢迎莅临“华为2020全联接”，与专家面对面沟通交流。

也可直接在本文下方评论区留言提出你的问题、发表你的观点、阐述你对本话题的理解，我们将挑选高赞回答赠送《人工智能简史》一本。