近年來(lái)，隨著(zhù)AI技術(shù)的不斷成熟，企業(yè)紛紛往AI轉型，逐步實(shí)現業(yè)務(wù)智能化，且從長(cháng)遠利益來(lái)看，企業(yè)更為偏向于自建AI應用。與語(yǔ)音、圖像等感知類(lèi)技術(shù)不同，企業(yè)若想在市場(chǎng)營(yíng)銷(xiāo)、供應鏈管理、風(fēng)險控制、服務(wù)運營(yíng)等高價(jià)值決策類(lèi)場(chǎng)景下應用AI，則面臨更大挑戰。因此，如何降低企業(yè)構建AI應用的門(mén)檻與成本，實(shí)現企業(yè)智能化決策是現階段亟需解決的問(wèn)題。

9月17日， 2018世界人工智能大會(huì )在滬盛大開(kāi)幕。作為AI領(lǐng)域的領(lǐng)軍企業(yè)，第四范式發(fā)布了重磅產(chǎn)品——AI Prophet AutoML（自動(dòng)機器學(xué)習）。該產(chǎn)品是一款低門(mén)檻、自動(dòng)化的AI應用構建平臺，基于“學(xué)習圈”理論構建機器學(xué)習閉環(huán)，助力企業(yè)低門(mén)檻規?；瘬碛凶灾骺煽氐腁I能力，幫助企業(yè)在營(yíng)銷(xiāo)整合、風(fēng)險控制、客戶(hù)體驗、資源分配等多個(gè)高價(jià)值高難度決策類(lèi)場(chǎng)景，做出更好的判斷與決策。

學(xué)習圈理論打破企業(yè)自建AI困局 邁向人工智能2（平方）時(shí)代

目前，企業(yè)AI應用主要分為感知類(lèi)與決策類(lèi)兩個(gè)方向。在感知類(lèi)問(wèn)題中，AI化身為企業(yè)的眼睛和耳朵，從一定程度上，提高了企業(yè)的業(yè)務(wù)效率。而在決策類(lèi)場(chǎng)景中，則需要AI變?yōu)闃I(yè)務(wù)中樞，幫助企業(yè)做出更加明智的決策，進(jìn)一步幫助企業(yè)“降本增效”。

在實(shí)現智能化的道路上，企業(yè)經(jīng)歷了三個(gè)階段。第一階段為人工階段，主要依靠業(yè)務(wù)專(zhuān)家的經(jīng)驗，提煉規律撰寫(xiě)專(zhuān)家規則，做出自動(dòng)的判斷，但因人類(lèi)寫(xiě)出的規則維度較低，可以應對頭部情況，而無(wú)法應對長(cháng)尾情況。第二階段為人工智能階段，AI專(zhuān)家利用場(chǎng)景數據進(jìn)行人工建模，用AI提煉規則作出決策。相較于專(zhuān)家規則，AI模型維度與效果均大幅提升。然而，企業(yè)想要真正擁有AI，又面臨認知、數據、人才、工具、技術(shù)等多個(gè)門(mén)檻，阻礙了AI在企業(yè)中的落地。以人才為例，擁有AI專(zhuān)業(yè)背景知識與研究經(jīng)驗的人才年薪動(dòng)則幾百萬(wàn)，且非常稀缺，而培養一個(gè)合格的AI人才也需要6-10年的時(shí)間。

因此，若想推動(dòng)AI的普及，降低企業(yè)應用門(mén)檻是重中之重。AutoML技術(shù)應運而生，企業(yè)智能化也邁向第三階段——人工智能2時(shí)代，利用AI技術(shù)自動(dòng)生成AI應用。其核心在于將企業(yè)的數據自動(dòng)變?yōu)槟Ｐ?，大幅降低了AI應用門(mén)檻，使業(yè)務(wù)專(zhuān)家升級為AI應用者，解決AI人才短缺且無(wú)法規?；瘧玫膯?wèn)題。同時(shí)，基于自動(dòng)特征工程，使模型維度較以往進(jìn)一步提升，也有望實(shí)現更優(yōu)的效果。目前，Google、微軟、百度等AI巨頭紛紛在該領(lǐng)域發(fā)力。

在第四范式看來(lái)，讓機器產(chǎn)生智能與人思考學(xué)習的過(guò)程類(lèi)似。此前，在人類(lèi)心理學(xué)研究史上，有一個(gè)著(zhù)名的“庫伯學(xué)習圈”理論，該理論認為人類(lèi)學(xué)習的過(guò)程是由“行動(dòng)、經(jīng)驗、反思、理論”這四個(gè)階段構成。簡(jiǎn)單來(lái)說(shuō)，人們通過(guò)行動(dòng)產(chǎn)生經(jīng)驗，再通過(guò)反思經(jīng)驗，學(xué)習，在新的行為發(fā)生時(shí)可找到最優(yōu)決策。對應到AI上，“行動(dòng)”是過(guò)程數據，“反饋”是反饋數據，“反思”是基于算法與計算資源基礎之上的模型訓練，最終形成的“經(jīng)驗”即模型應用。

此次發(fā)布的AI Prophet AutoML便是基于“庫伯學(xué)習圈”理論所打造，將第四范式AI核心方法論以產(chǎn)品化的形式輸出到企業(yè)中，大幅降低了企業(yè)應用AI的門(mén)檻，從而推動(dòng)企業(yè)低成本、高效率的向AI靠攏。目前，第四范式的AutoML產(chǎn)品已經(jīng)應用于金融、科研、醫療、互聯(lián)網(wǎng)等多個(gè)行業(yè)，在營(yíng)銷(xiāo)、推薦、風(fēng)控、廣告、疾病預測等多個(gè)場(chǎng)景有優(yōu)異表現。

全流程、全自動(dòng)、低門(mén)檻產(chǎn)品助推企業(yè)實(shí)現智能化

眾所周知，機器學(xué)習已在推薦系統、在線(xiàn)廣告、金融市場(chǎng)分析等諸多領(lǐng)域取得了成功，但是在幾乎所有的案例中，人類(lèi)專(zhuān)家參與了機器學(xué)習的所有階段。然而，這些任務(wù)的復雜性往往超出了非機器學(xué)習專(zhuān)家的能力范圍。

AI Prophet AutoML的出現打破了這一困局，它通過(guò)簡(jiǎn)潔、易理解、易操作的方式覆蓋了從模型調研到應用的機器學(xué)習全流程，打通了機器學(xué)習閉環(huán)，其中包括：收集數據、特征工程、調整模型超參數，評估模型性能、模型應用等環(huán)節。用戶(hù)只需“收集行為數據、收集反饋數據、模型訓練、模型應用”4步，無(wú)需深入理解算法原理和技術(shù)細節，即可實(shí)現全流程、端到端的AI平臺構建。

保證全流程的同時(shí)，AI Prophet AutoML還將低門(mén)檻、自動(dòng)化技術(shù)發(fā)揮到了極致。首先，AI Prophet AutoML支持行為數據與反饋數據的自動(dòng)拼接，為后續的模型自動(dòng)更新做好數據準備。在機器學(xué)習最具門(mén)檻的特征工程、算法選擇、調參等環(huán)節，AI Prophet AutoML基于自主研發(fā)的AutoML技術(shù)，可自動(dòng)分析數據，完成基本特征構造，再利用自動(dòng)特征組合，提升模型效果，同時(shí)利用多算法自動(dòng)完成調參、模型對比。在模型訓練方面，AI Prophet AutoML可將前期探索出的最佳訓練方案，一鍵上線(xiàn)模型自學(xué)習，同時(shí)周期性利用新數據進(jìn)行模型自動(dòng)更新，不斷提升模型在實(shí)際應用中的效果。

除了流程上的簡(jiǎn)化，AI Prophet AutoML還針對企業(yè)應用進(jìn)行了設計與優(yōu)化。首先，該產(chǎn)品提供了數據、模型管理功能。以模型管理為例，在模型工廠(chǎng)中，可查看模型訓練方案、正在運行的訓練任務(wù)及運行次數、已訓練完成的模型評估報告等。其次，在模型應用中，提供了批量預估與在線(xiàn)預估兩種方式，并自動(dòng)將預估請求回流為行為數據，實(shí)現數據閉環(huán)。AI Prophet AutoML還提供了貼近業(yè)務(wù)的Dashboard，包括運維指標監控（預估需求量、資源監控）、業(yè)務(wù)指標監控（正樣本率、線(xiàn)上AUC）、模型指標監控（模型AUC、模型PK）等。此外，通過(guò)深度優(yōu)化，AI Prophet AutoML具備高可用、高穩定性等企業(yè)級特性，為企業(yè)中規?；瘧肁I提供堅實(shí)保障。

與此前需要大量編碼構建AI不同，AIProphet AutoML提供了“傻瓜式”的交互界面，讓企業(yè)免去編碼定義建模的過(guò)程，將開(kāi)發(fā)AI應用的周期從以半年為單位縮短至周級別。在降低門(mén)檻的同時(shí)，AI ProphetAutoML還展現出了超高的模型水準。經(jīng)在十余組的測試數據、以及疾病預測、金融反欺詐、互聯(lián)網(wǎng)推薦等幾十個(gè)實(shí)際業(yè)務(wù)場(chǎng)景的數據驗證中，AI Prophet AutoML做出了接近甚至超過(guò)頂級數據科學(xué)家的模型效果。

創(chuàng )新技術(shù)造就產(chǎn)品卓越性能

作為人工智能領(lǐng)域的佼佼者，第四范式從很早便開(kāi)始關(guān)注并深耕AutoML領(lǐng)域。通過(guò)從解決客戶(hù)業(yè)務(wù)核心增長(cháng)的角度出發(fā)，構建了反欺詐、個(gè)性化推薦等業(yè)務(wù)場(chǎng)景下的AutoML，并將其賦能給企業(yè)的普通開(kāi)發(fā)人員。目前，第四范式已經(jīng)研發(fā)了自動(dòng)特征組合（FeatureGo）、自動(dòng)時(shí)序特征（TemporalGo）、自動(dòng)深度稀疏網(wǎng)絡(luò )DSN（Deep Sparse Network）等AutoML支撐技術(shù)。

其中，FeatureGo算法實(shí)現了機器自動(dòng)組合特征的功能，有效解決了人為添加組合特征門(mén)檻高、耗時(shí)長(cháng)等問(wèn)題，并增加了模型的可解釋性。在實(shí)現特征組合的過(guò)程中，線(xiàn)性分形分類(lèi)器（LFC）算法通過(guò)將連續特征多層次離散化，使特征具備一定的非線(xiàn)性表達能力。在GBDT（一種常見(jiàn)的非線(xiàn)性模型）不能應用于大規模離散特征場(chǎng)景的前提下，將非線(xiàn)性的特征加入到線(xiàn)性模型中，從而加強了特征描述的能力。從實(shí)際效果上看，LFC能夠更好的捕捉細粒度特征，并在預測效果和計算穩定性上顯著(zhù)優(yōu)于LR（Logistic Regression）。與此前高階特征中，無(wú)效特征居多導致模型效果不升反降相比，FeatureGo以L(fǎng)FC在內的多項關(guān)鍵技術(shù)為基礎，可自動(dòng)選擇有效的組合特征，亦能夠明顯提升后續模型效果。經(jīng)測試，FeatureGo的特征組合最多能達到十階以上，而人工的特征組合一般只能到達5到6階。

此外，DSN更是為AutoML提供了強有力的支持。與Google Cloud AutoML僅支持深度學(xué)習模型不同，DSN將“寬”和“深”做了更全面的融合，算法底層是上千億大小的自適應寬度稀疏網(wǎng)絡(luò )，上層是一個(gè)非典型的深層次網(wǎng)絡(luò )，既可以記住更多信息，又能刻畫(huà)所有特征（包括宏觀(guān)特征和微觀(guān)特征）之間更復雜的關(guān)系。在參數規模上，DSN支持的參數規模已達到十萬(wàn)億級，這意味著(zhù)隨著(zhù)數據量的增大，模型效果還將有更大的提升空間。

作為企業(yè)自建AI的利器，AIProphet AutoML以先進(jìn)的方法論及強大技術(shù)作為支撐，從根本上解決了企業(yè)AI應用落地難、挑戰大的行業(yè)通病，在降低AI門(mén)檻的同時(shí)，大幅提升了AI的應用效率。未來(lái)，第四范式還將加大研發(fā)力度，全面擴充AI Prophet AutoML能力，進(jìn)一步擴展AI的應用邊界，普惠各行各業(yè)。