近年來，隨著AI技術的不斷成熟，企業紛紛往AI轉型，逐步實現業務智能化，且從長遠利益來看，企業更為偏向于自建AI應用。與語音、圖像等感知類技術不同，企業若想在市場營銷、供應鏈管理、風險控制、服務運營等高價值決策類場景下應用AI，則面臨更大挑戰。因此，如何降低企業構建AI應用的門檻與成本，實現企業智能化決策是現階段亟需解決的問題。

9月17日， 2018世界人工智能大會在滬盛大開幕。作為AI領域的領軍企業，第四范式發布了重磅產品——AI Prophet AutoML（自動機器學習）。該產品是一款低門檻、自動化的AI應用構建平臺，基于“學習圈”理論構建機器學習閉環，助力企業低門檻規模化擁有自主可控的AI能力，幫助企業在營銷整合、風險控制、客戶體驗、資源分配等多個高價值高難度決策類場景，做出更好的判斷與決策。

學習圈理論打破企業自建AI困局 邁向人工智能2（平方）時代

目前，企業AI應用主要分為感知類與決策類兩個方向。在感知類問題中，AI化身為企業的眼睛和耳朵，從一定程度上，提高了企業的業務效率。而在決策類場景中，則需要AI變為業務中樞，幫助企業做出更加明智的決策，進一步幫助企業“降本增效”。

在實現智能化的道路上，企業經歷了三個階段。第一階段為人工階段，主要依靠業務專家的經驗，提煉規律撰寫專家規則，做出自動的判斷，但因人類寫出的規則維度較低，可以應對頭部情況，而無法應對長尾情況。第二階段為人工智能階段，AI專家利用場景數據進行人工建模，用AI提煉規則作出決策。相較于專家規則，AI模型維度與效果均大幅提升。然而，企業想要真正擁有AI，又面臨認知、數據、人才、工具、技術等多個門檻，阻礙了AI在企業中的落地。以人才為例，擁有AI專業背景知識與研究經驗的人才年薪動則幾百萬，且非常稀缺，而培養一個合格的AI人才也需要6-10年的時間。

因此，若想推動AI的普及，降低企業應用門檻是重中之重。AutoML技術應運而生，企業智能化也邁向第三階段——人工智能2時代，利用AI技術自動生成AI應用。其核心在于將企業的數據自動變為模型，大幅降低了AI應用門檻，使業務專家升級為AI應用者，解決AI人才短缺且無法規模化應用的問題。同時，基于自動特征工程，使模型維度較以往進一步提升，也有望實現更優的效果。目前，Google、微軟、百度等AI巨頭紛紛在該領域發力。

在第四范式看來，讓機器產生智能與人思考學習的過程類似。此前，在人類心理學研究史上，有一個著名的“庫伯學習圈”理論，該理論認為人類學習的過程是由“行動、經驗、反思、理論”這四個階段構成。簡單來說，人們通過行動產生經驗，再通過反思經驗，學習，在新的行為發生時可找到最優決策。對應到AI上，“行動”是過程數據，“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“經驗”即模型應用。

此次發布的AI Prophet AutoML便是基于“庫伯學習圈”理論所打造，將第四范式AI核心方法論以產品化的形式輸出到企業中，大幅降低了企業應用AI的門檻，從而推動企業低成本、高效率的向AI靠攏。目前，第四范式的AutoML產品已經應用于金融、科研、醫療、互聯網等多個行業，在營銷、推薦、風控、廣告、疾病預測等多個場景有優異表現。

全流程、全自動、低門檻產品助推企業實現智能化

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

AI Prophet AutoML的出現打破了這一困局，它通過簡潔、易理解、易操作的方式覆蓋了從模型調研到應用的機器學習全流程，打通了機器學習閉環，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、模型應用等環節。用戶只需“收集行為數據、收集反饋數據、模型訓練、模型應用”4步，無需深入理解算法原理和技術細節，即可實現全流程、端到端的AI平臺構建。

保證全流程的同時，AI Prophet AutoML還將低門檻、自動化技術發揮到了極致。首先，AI Prophet AutoML支持行為數據與反饋數據的自動拼接，為后續的模型自動更新做好數據準備。在機器學習最具門檻的特征工程、算法選擇、調參等環節，AI Prophet AutoML基于自主研發的AutoML技術，可自動分析數據，完成基本特征構造，再利用自動特征組合，提升模型效果，同時利用多算法自動完成調參、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，一鍵上線模型自學習，同時周期性利用新數據進行模型自動更新，不斷提升模型在實際應用中的效果。

除了流程上的簡化，AI Prophet AutoML還針對企業應用進行了設計與優化。首先，該產品提供了數據、模型管理功能。以模型管理為例，在模型工廠中，可查看模型訓練方案、正在運行的訓練任務及運行次數、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預估兩種方式，并自動將預估請求回流為行為數據，實現數據閉環。AI Prophet AutoML還提供了貼近業務的Dashboard，包括運維指標監控（預估需求量、資源監控）、業務指標監控（正樣本率、線上AUC）、模型指標監控（模型AUC、模型PK）等。此外，通過深度優化，AI Prophet AutoML具備高可用、高穩定性等企業級特性，為企業中規模化應用AI提供堅實保障。

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，讓企業免去編碼定義建模的過程，將開發AI應用的周期從以半年為單位縮短至周級別。在降低門檻的同時，AI ProphetAutoML還展現出了超高的模型水準。經在十余組的測試數據、以及疾病預測、金融反欺詐、互聯網推薦等幾十個實際業務場景的數據驗證中，AI Prophet AutoML做出了接近甚至超過頂級數據科學家的模型效果。

創新技術造就產品卓越性能

作為人工智能領域的佼佼者，第四范式從很早便開始關注并深耕AutoML領域。通過從解決客戶業務核心增長的角度出發，構建了反欺詐、個性化推薦等業務場景下的AutoML，并將其賦能給企業的普通開發人員。目前，第四范式已經研發了自動特征組合（FeatureGo）、自動時序特征（TemporalGo）、自動深度稀疏網絡DSN（Deep Sparse Network）等AutoML支撐技術。

其中，FeatureGo算法實現了機器自動組合特征的功能，有效解決了人為添加組合特征門檻高、耗時長等問題，并增加了模型的可解釋性。在實現特征組合的過程中，線性分形分類器（LFC）算法通過將連續特征多層次離散化，使特征具備一定的非線性表達能力。在GBDT（一種常見的非線性模型）不能應用于大規模離散特征場景的前提下，將非線性的特征加入到線性模型中，從而加強了特征描述的能力。從實際效果上看，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優于LR（Logistic Regression）。與此前高階特征中，無效特征居多導致模型效果不升反降相比，FeatureGo以LFC在內的多項關鍵技術為基礎，可自動選擇有效的組合特征，亦能夠明顯提升后續模型效果。經測試，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絡，上層是一個非典型的深層次網絡，既可以記住更多信息，又能刻畫所有特征（包括宏觀特征和微觀特征）之間更復雜的關系。在參數規模上，DSN支持的參數規模已達到十萬億級，這意味著隨著數據量的增大，模型效果還將有更大的提升空間。

作為企業自建AI的利器，AIProphet AutoML以先進的方法論及強大技術作為支撐，從根本上解決了企業AI應用落地難、挑戰大的行業通病，在降低AI門檻的同時，大幅提升了AI的應用效率。未來，第四范式還將加大研發力度，全面擴充AI Prophet AutoML能力，進一步擴展AI的應用邊界，普惠各行各業。