上周，知名市場(chǎng)分析公司Forrester發(fā)布中國預測分析和機器學(xué)習研究報告《Now Tech: Predictive Analytics And Machine Learning In China, Q3 2020》（簡(jiǎn)稱(chēng)：PAML），第四范式憑借領(lǐng)先的產(chǎn)品功能以及卓越的商業(yè)化能力入選“大型廠(chǎng)商”類(lèi)型，位列PAML領(lǐng)域領(lǐng)先位置。在過(guò)去兩年，第四范式機器學(xué)習平臺已先后得到IDC、Gartner和Forrester全球三大ICT領(lǐng)域權威研究機構的高度認可，充分印證了其在A(yíng)I平臺市場(chǎng)的領(lǐng)先地位。

01 什么是 Forrester Now Tech ? 

如果您是一個(gè)饕客，對于米其林就不會(huì )陌生?！睹灼淞种改稀繁环顬椤懊朗辰绲氖ソ?jīng)”，是最負盛名的美食指南。而Forrester Now Tech堪稱(chēng)機器學(xué)習平臺領(lǐng)域的“米其林指南”，為企業(yè)IT決策者提供機器學(xué)習平臺供應商的權威評價(jià)，提供基于市場(chǎng)規模、產(chǎn)品功能維度的平臺供應商評鑒指南，幫助IT決策者了解平臺的價(jià)值并挑選優(yōu)秀的平臺供應商。

Forrester依據產(chǎn)品營(yíng)收將廠(chǎng)商劃分為大型、中型、小型三大類(lèi)，大型廠(chǎng)商（年營(yíng)收2億元以上）、中型廠(chǎng)商（營(yíng)收5000萬(wàn)元以上，2億元以下）、小型廠(chǎng)商（營(yíng)收5000萬(wàn)元以下）。第四范式、阿里云、百度、華為、騰訊云等企業(yè)入選大型廠(chǎng)商之列，成為中國PAML市場(chǎng)的佼佼者；IBM、SAS等11家企業(yè)劃分為中型廠(chǎng)商；AWS等15家企業(yè)為小型廠(chǎng)商。

Forrester Now Tech? 報告推薦廠(chǎng)商（部分）

02 Forrester將自動(dòng)化視作關(guān)鍵趨勢

Forrester認為AutoML（自動(dòng)機器學(xué)習）將帶來(lái)AI的規?；瘧?，報告中指出：“掌握數據科學(xué)技能的人仍然很少。許多PAML解決方案通過(guò)自動(dòng)化來(lái)降低技術(shù)復雜性，使用低代碼或無(wú)代碼工具來(lái)開(kāi)發(fā)足夠好的機器學(xué)習模型。這對于在有限的數據科學(xué)資源下實(shí)現更多的應用是至關(guān)重要的?！?

Forrester發(fā)現越來(lái)越多企業(yè)希望塑造自己的AI能力，然而，大多數公司缺乏數據科學(xué)和模型工程人才，無(wú)法在Notebook環(huán)境下進(jìn)行編程。因此，對于需加快數字化轉型的中國公司而言，掌握整個(gè)AI模型生命周期內的自動(dòng)化能力——比如數據準備、超參數優(yōu)化和模型部署——正變得越來(lái)越重要。AutoML可以幫助企業(yè)加快從數據到訓練模型再到操作AI應用程序的過(guò)程，消除AI和數據科學(xué)資源有限、模型開(kāi)發(fā)耗時(shí)長(cháng)的限制，滿(mǎn)足快速增長(cháng)的AI應用需求。

第四范式此次作為唯一“AutoML專(zhuān)注類(lèi)”廠(chǎng)商入選大型廠(chǎng)商行列。Forrester認可第四范式在A(yíng)utoML領(lǐng)域的探索和實(shí)踐，在數據準備、特征工程、 算法選擇、模型訓練和模型評估等環(huán)節實(shí)現全自動(dòng)化應用，減少數據科學(xué)家們的重復性工作，幫助企業(yè)解決AI應用門(mén)檻高、開(kāi)發(fā)效率低等問(wèn)題。

Forrester對AutoML價(jià)值的認可，也進(jìn)一步印證了第四范式在賦能企業(yè)AI落地方式上的正確選擇。第四范式一直致力于通過(guò)AutoML幫助企業(yè)快速、規?；涞谹I，在過(guò)去5年多時(shí)間已經(jīng)覆蓋到眾多行業(yè)和場(chǎng)景。面對企業(yè)AI應用高速增長(cháng)期的到來(lái)，我們將繼續推進(jìn)AutoML在更多領(lǐng)域的拓展落地，實(shí)現企業(yè)智能化轉型目標。

Forrester認為PAML能帶來(lái)哪些價(jià)值？

PAML helps firms boost AI productivity by: 

- Scaling AI use cases with automated machine learning. Data science skills are still rare. Many PAML solutions conceal technical complexity with automation, using low- or no-code tools to develop good-enough ML models. This is critical to enabling more applications with limited data science resources. 

- Freeing data scientists from tedious tasks. Developing ML models is not only about doing a wide range of data science work. There are also many time-consuming tasks, such as environment provisioning, data preparation, feature engineering, model evaluation, and team collaboration. PAML solutions offer optimized tools and GUIs to improve AI productivity. 

- Operationalizing AI with ModelOps. Once deployed, model performance normally decreases over time — so the development and deployment of ML models is not a one-off effort. PAML solutions help firms streamline model lifecycle operations including deployment, monitoring, and governance, making model development efficient, effective and secure.