近日，第15屆環(huán)太平洋國際人工智能會議（The Pacific Rim International Conference on Artificial Intelligence，簡稱PRICAI）在南京召開。作為亞太地區(qū)重要的AI綜合性學(xué)術(shù)會議，PRICAI每兩年舉辦一次，與會者們圍繞人工智能理論、前沿技術(shù)及其在應(yīng)用在環(huán)太平洋國家經(jīng)濟重要性等議題進行深入探討。今年，最為引人關(guān)注的就是由“AI技術(shù)領(lǐng)導(dǎo)者”第四范式發(fā)起，南京大學(xué)LAMDA（Learning And Mining from DatA）實驗室、ChaLearn、北京大學(xué)、INAOE共同組織的AutoML Workshop。

據(jù)悉，第四范式資深機器學(xué)習(xí)架構(gòu)師涂威威作為本次的Workshop的聯(lián)合主席，邀請了墨西哥INAOE科學(xué)家Hugo Jair Escalante、荷蘭埃因霍溫科技大學(xué)教授Joaquin Vanschore、美國懷俄明大學(xué)教授Lars Kotthoff、葡萄牙波爾圖大學(xué)Pavel Brazdil、南京大學(xué)俞揚教授、南京大學(xué)李宇峰教授等多位權(quán)威學(xué)者，針對AutoML領(lǐng)域的前沿趨勢及技術(shù)進行了分享，其中南京大學(xué)李宇峰教授分享了與第四范式王海，涂威威共同合作的自動半監(jiān)督學(xué)習(xí)（AutoSSL）的前沿進展，第四范式胡毅奇分享了第四范式與南京大學(xué)非梯度優(yōu)化（Derivative-Free Optimization）方面的一些工作。

近年來，機器學(xué)習(xí)雖然已在推薦系統(tǒng)、在線廣告、金融市場分析等諸多領(lǐng)域取得了很多成功，但在這些成功的應(yīng)用中，人類專家參與了機器學(xué)習(xí)的所有階段，包括：定義問題、收集數(shù)據(jù)、特征工程、調(diào)整模型超參數(shù)，模型評估等。然而，這些任務(wù)的復(fù)雜性往往超出了非機器學(xué)習(xí)專家的能力范圍。機器學(xué)習(xí)技術(shù)使用門檻高、專家成本高昂等問題成為制約AI普及的關(guān)鍵。因此，自動化機器學(xué)習(xí)技術(shù)AutoML應(yīng)運而生，該技術(shù)讓沒有機器學(xué)習(xí)背景的人同樣可以輕松使用。

第四范式從很早便開始關(guān)注并深耕AutoML領(lǐng)域，通過從解決客戶業(yè)務(wù)核心增長的角度出發(fā)，構(gòu)建了反欺詐、個性化推薦等業(yè)務(wù)場景下的AutoML，并將其賦能給企業(yè)的普通開發(fā)人員，取得了接近甚至超過數(shù)據(jù)科學(xué)家的業(yè)務(wù)效果，目前已研發(fā)了自動特征組合（FeatureGo）、自動時序特征（TemporalGo）、自動深度稀疏網(wǎng)絡(luò)DSN（Deep Sparse Network）等AutoML支撐技術(shù)。其中，F(xiàn)eatureGo算法，實現(xiàn)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。FeatureGo也增加了模型的可解釋性，提升易用性，進一步降低了機器學(xué)習(xí)的應(yīng)用門檻。

與專注于圖像、語音、翻譯、視頻、NLP等領(lǐng)域的Google AutoML相比，第四范式的AutoML除了支持語音、圖像、NLP等領(lǐng)域的應(yīng)用外，更為注重通過AutoML技術(shù)，使機器具備商業(yè)智能決策的能力。與此同時，第四范式還通過在NIPS、PAKDD等頂級學(xué)術(shù)會議舉辦AutoML數(shù)據(jù)挖掘大賽的方式，吸引更多的研究人員和業(yè)界同行關(guān)注AutoML這一重要的研究方向，降低機器學(xué)習(xí)過程對于AI專家的依賴，解決因人才緊缺造成的AI應(yīng)用高門檻。而比賽關(guān)注的焦點也從“人肉找到最優(yōu)參數(shù)”轉(zhuǎn)移到“設(shè)計出最佳自動機器學(xué)習(xí)程序”。