AutoML作为自动化机器学习的发展领域,在过去几年中经历了三个不同的发展阶段。这些阶段在目标、方法和应用方面存在明显差异,反映了该领域从纯技术探索到实际产业应用的转变。通过深入研究和对王孝宇先生的观点的倾听,我们可以更好地理解AutoML各个阶段的不同之处。
第一阶段主要集中在学术领域,例如学者们发起的AutoML Conference 2022。研究人员主要探索了算法模型设计中哪些环节可以通过自动化方式完成,并以何种方式实现自动化。这包括神经网络结构搜索、超参数优化、混合算法选择等等。
随后,进入了第二阶段,即打造自动化的算法模型生产系统。这一阶段将第一阶段所积累的方法论转化为平台和系统,通过低代码甚至零代码的方式实现自动化算法模型训练。然而,这类平台并没有将模型迭代过程纳入系统中,没有覆盖模型训练的完整生产周期,无法满足工业化生产的需求。因此,在这个阶段,我们将AutoML定位为一种“玩具”,可以用来探索和试验,但无法真正应用于实际任务中。由于没有任何一个工业化生产的模型只需进行一次训练就可以满足技术要求,因此模型的迭代是必须的。
而我们正在致力于第三阶段的AutoML,即面向产业应用的自动化模型训练平台。根据市场调研结果,YMIR是市场上唯一一个覆盖模型生产全生命周期的系统,它能够真正用于工业化生产。可以说,早期的AutoML更偏向于纯技术探索,而YMIR更强调实际的工业应用。我们构建的是一个产品系统,因此我们不仅考虑技术问题,还重视工程和系统层面的挑战。
YMIR平台着眼于解决自动化模型训练的全生命周期问题。首先,它提供了丰富的功能来支持模型设计和优化。通过YMIR,我们可以轻松地进行神经网络结构搜索、超参数优化和混合算法选择等操作,以获得最佳的模型性能。其次,YMIR注重模型迭代过程,允许我们在工业化生产中进行模型的反复训练和优化。我们可以根据任务的需求和反馈,不断改进模型,使其更加适应实际应用场景。
正如王孝宇先生所言,AutoML已经从早期的技术探索逐渐演变为应用于实际产业的自动化模型训练平台。随着不断的创新和进步,我们有理由相信AutoML将继续发展并推动机器学习技术的普及和应用。通过理解和把握AutoML的不同阶段,我们可以更好地利用其在模型设计、优化和生产化方面的优势,为未来的机器学习应用带来更大的价值。
联系客服