客戶說有了PAI-AutoML，一會兒能夠節約半年開發週期

摘要： 背景介紹 若是你用過機器學習算法，那必定體驗被算法調參支配的恐怖。面對錯綜複雜的算法參數，算法使用者們每每要花費無盡的黑夜去不斷嘗試，猶如大海撈針。有的時候加班到深夜，終於找到了一個靠譜的參數組合，然而找到的參數組合真的是最優的麼？天知道。

背景介紹

若是你用過機器學習算法，那必定體驗被算法調參支配的恐怖。面對錯綜複雜的算法參數，算法使用者們每每要花費無盡的黑夜去不斷嘗試，猶如大海撈針。有的時候加班到深夜，終於找到了一個靠譜的參數組合，然而找到的參數組合真的是最優的麼？天知道。

然而在搭建機器學習鏈路的過程當中，每每不止調參這一步耗時耗力。好不容易生成了算法模型，怎麼把模型部署成服務供手機、PC這些終端調用也是困擾開發同窗的一大難題。有的時候，爲了打通這樣的鏈路，要耗費整晚的時間調試不一樣格式的模型和服務端的關聯。

人工智能服務在便捷了人類生活的同時，能不能也爲廣大算法工程師提供人性化的開發環境呢？減小黑眼圈是算法工程師共同的心願。對於這個問題，PAI給出了答案，今日PAI重磅發佈全套自動化機器學習引擎，用機器學習的方式解決機器學習流程的問題。

AutoML總體介紹

下面看看什麼是PAI-AutoML， AutoML顧名思義，就是將機器學習整個流程作到自動化。機器學習數據上傳以後的流程大體能夠分爲3個步驟：模型訓練、模型評估、模型部署。

PAI自動調參

PAI自動調參功能對於資深算法使用者以及算法小白都有很大價值：

針對小白用戶：小白用戶不清楚每種算法參數在算法計算過程當中的數學原理，每每對調參一頭霧水，因此自動調參能夠快速幫助這部分用戶解決問題
針對資深用戶：資深用戶對於調參每每有必定經驗，可是這種經驗每每只能在大方向上指導調參工做，對於一些細節參數仍須要不斷重複去嘗試。好比一個參數範圍0~100，資深用戶能夠經過經驗肯定參數設置爲90或者80的結果，可是在更小粒度上，好比81和82哪一個對結果更好，資深用戶也須要手動去實驗。而自定調參功能能夠代替這部分的重複性勞動。
目前行業中主流的調參思想主要是基於Parallel Search，以grid search和random search爲表明，系統經過隨機原理，不斷採樣可能的參數組合，經過不停迭代去嘗試找到最優的參數組，每次探索的過程彼此獨立。優點是不容易陷入局部最優解，能夠在更廣闊的參數空間探索。劣勢是每次探索都是隨機性的，缺少信息的積累過程，耗費計算資源。

PAI提供了原創的Evolutionary Optimizer進化式的調參方法，讓模型的每一次迭代都自動在上一輪較優的參數集區間中進行開發，內置的高效算法能夠快速的幫你找到最合適的參數組合，大大減小計算資源消耗以及參數探索的次數。你要作的只是泡上一壺茶，靜靜等待奇蹟的降臨。

PAI進化式調參迭代效果圖，能夠清楚地看到每一輪迭代對於效果的提高：

PAI模型自動評估

PAI AutoML提供多維度的算法評估方法，只要在F1Score、Precision、Recall、AUC中選擇本身所須要的評估指標，系統會自動完成模型評估工做並將服務下發到下游的訓練環境，全部評估流程徹底不需人工參與。

模型排序表：

模型下發配置：

PAI模型一鍵發佈

生成了模型，能夠在PAI平臺一鍵將模型發佈成API服務。只要點擊部署按鈕，就會列出當前實驗可部署的模型，選擇須要的模型就能夠一鍵完成部署，是否是很簡單。

部署完成後會自動跳轉到在線服務管控平臺，在這裏能夠進行所有的模型管理相關工做。

客戶案例

PAI-AutoML看上去很厲害，是否是真正能幫助到用戶的業務呢，下面看下PAI在阿里雲平臺上用戶使用以後的反饋。先介紹下客戶：椰子傳媒是一家專一在移動原生交互視頻廣告的公司，在獎勵視頻行業深耕了2年多，隨着業務規模的增加，多平臺、多渠道，多模式下的智能投放效率問題愈來愈突出。

椰子科技技術負責人說：阿里PAI平臺提供了一個低門檻、快速上手的服務能力，使得業務能夠快速的對接到基於大數據的機器學習平臺上，有力的推進公司業務的快速發展。基於PAI AutoML引擎，可讓咱們更快速的在不一樣平臺和模式下定位目標用戶。

椰子傳媒經過使用PAI AutoML引擎，調參服務幫助模型提高精度40%，自動化部署預計所有業務上線後可達千萬次，節省人力20%-30%，最重要的是將業務構建在機器學習服務平臺的時間縮短了至少半年時間。

架構圖：

總結

PAI AutoML引擎擬在最大限度上減小機器學習業務搭建成本，目前上線的模型訓練參數調優和模型一鍵自動部署服務已經在節約人力開銷方面提供幫助。將來PAI平臺還會在這個方向繼續投入，真正作到讓機器學習再也不是個高門檻技術，讓人工智能觸手可及。

原文連接

本文爲雲棲社區原創內容，未經容許不得轉載。