今天AI在世界范圍內的發(fā)展情況，可以用一路綠燈來形容。國家層面的高度重視與科技巨頭的全力投入齊頭并進，正讓AI如同開了掛一般快速進入產業(yè)場景。不知不覺間，工廠里開始引入了計算機視覺解決方案，電話中與我們對話的客服變成了機器人。

　　如果說在這樣綠燈全開的情況下，還有什么在阻礙著AI產業(yè)化發(fā)展，恐怕就只有知識門檻帶來的AI人才缺失了。根據(jù)高盛推出的《全球人工智能產業(yè)分布報告》：2017年全球AI人才儲備中，中國只占5%左右。而這些人才大多只在科技企業(yè)間流動，對于傳統(tǒng)行業(yè)來說，大多都與AI人才無緣。而AI產業(yè)化的對象，恰恰也是這些傳統(tǒng)產業(yè)。如何幫助傳統(tǒng)產業(yè)突破人才桎梏，降低應用AI技術的門檻，是AI產業(yè)化當下重要目標之一。

　　除了支持AI人才培養(yǎng)之外，我們也一直在嘗試從技術角度解決這一問題，AutoML技術——自動化機器學習就是解決方案之一。簡單來說，AutoML的目標是降低企業(yè)用戶、開發(fā)者以及研究人員使用AI相關工具和框架的門檻，即使不懂如何搭建神經網絡、不懂如何調參，也可以使用AutoML工具搭建出應用級的機器學習模型。

　　除了谷歌、微軟、亞馬遜這些海外科技企業(yè)在AutoML中投入頗多以外，我們也能看到越來越多的中國企業(yè)加入了AutoML的隊伍。

　　從一場競賽，到AI產業(yè)化的廣袤沃土

　　在今年亞太知識發(fā)現(xiàn)和數(shù)據(jù)挖掘會議（PAKDD）舉辦的AutoML比賽中，深蘭科技DeepBlueAI團隊從46個國家（地區(qū)）的隊伍中脫穎而出，擊敗了微軟亞洲研究院推出的MLintelligence獲得了第一名的成績。

　　這次DeepBlueAI最大的一個亮點，就是將概念漂移的解決方案引入了AutoML中，所謂概念漂移，指的就是在機器學習中隨著時間推移，目標變量以不可預見的方式發(fā)生著變化，導致未來數(shù)據(jù)分布與已有數(shù)據(jù)分布不一致。也就是說在AutoML快速建立好機器學習模型后，模型的精度是可能隨著時間推移而下降的，這種情況顯然會影響現(xiàn)實場景中AutoML的應用效率。

　?。‵eedback phase排行榜）

　　DeepBlueAI團隊給出的解決方案，是通過融合不同時期的數(shù)據(jù)以及結合DNN和LightGBM的訓練，加上自適應采樣來緩解類別不平衡，在一定時間間隔中讓模型重復訓練，最終形成對概念漂移的自適應。形成生命力更強、更具持續(xù)性的終生自動化機器學習工具。

　　DeepBlueAI團隊對于概念漂移問題的解決，不僅僅在技術角度具有極高的突破性，在AutoML的產業(yè)應用的道路中也給予了很大的推助力。

　　AutoML面向的對象，大多是對AI技術了解不多的企業(yè)應用者。這一類應用者顯然不會意識到AutoML中所存在的技術問題，他們很可能會在應用場景出現(xiàn)問題時才發(fā)現(xiàn)模型精度產生了變化。DeepBlueAI團隊的解決方案，極大增加了AutoML對于復雜場景的適應性，讓AutoML可以進入金融、營銷、智能駕駛等等要求更豐富的場景之中，也因此進一步降低了企業(yè)應用AI的門檻。

　　可見DeepBlueAI并不是針對競賽的一份試卷答案，而是真正把目標投向了AI產業(yè)化的廣袤沃土。

　　當AutoML從試驗品走向商品

　　除了PAKDD的競賽以外，很多科技企業(yè)也已經推出了自己的AutoML平臺。例如谷歌推出的針對圖像識別的AutoML Vision，以及亞馬遜推出的Amazon SageMaker等等。從AI產業(yè)化的命題來說，擁有應用環(huán)境自適應能力的這套解決方案會對AutoML造成哪些改變？

　　首先，深蘭科技可以幫助AutoML真正的去解決更多產業(yè)問題。

　　目前市面上的AutoML平臺，大多只是試驗性甚至偏娛樂化的，缺乏對于產業(yè)應用場景的深入適配，通常只能讓開發(fā)者利用模型開發(fā)出一些諸如“寵物情緒識別”“桃子甜度識別”等等簡單的模型。

　　DeepBlueAI團隊意識到了模型精度的變化問題，自然是站在了產業(yè)視角看待問題，未來AutoML平臺也將從單純的開發(fā)場景逐漸貼近產業(yè)場景，更關注模型精度、應用環(huán)境等等現(xiàn)實問題。

　　同時，深蘭科技對AI基礎技術的全面投入可以幫助AutoML進入更多產業(yè)領域。

　　除了深度學習框架開發(fā)以外，深蘭科技對機器視覺、生物智能識別、智能駕駛等等領域都有所投入。針對各種AI技術在自動化過程中，架構組建上的細化差異都有更深入的理解，加之強大的算法應用化能力，深蘭科技足以讓AutoML從一個面向開發(fā)者的工具演變成真正商業(yè)化、甚至定制化的企業(yè)AI解決方案。

　　目前深蘭科技的AutoML技術已經廣泛應用在精準營銷、金融風控、自動駕駛、疾病預測等業(yè)務場景中，做出了接近甚至超過數(shù)據(jù)科學家的模型效果，決策精準度超過人類專家數(shù)倍。

　　總的來說，建立在深蘭科技的綜合AI能力之上，AutoML正在從試驗品走向產品，進一步契合產業(yè)應用的真實場景。

　　曙光之前：

　　為什么中國AI需要腰部力量？

　　除了AutoML對于當前AI產業(yè)化的意義之外，我們更想討論的，是深蘭科技這家企業(yè)在PAKDD取得成績更深層的意義。隨著中國AI在世界范圍的競爭力不斷提升，中國團隊在各種學術會議上取得好成績并不是什么新鮮的事情，為什么深蘭科技這家企業(yè)值得我們投入更多關注？

　　我們可以看到，深蘭科技身上有兩個明顯的標簽，一個是 “中國自主研發(fā)”——深蘭科技與多家國內外知名企業(yè)、高等院校以及盧森堡國家實驗室合作，建立聯(lián)合實驗室，一直在AI科研上有著諸多投入。另一個是“基礎研究+應用開發(fā)”——除了科研以外，深蘭科技已經將技術輸入到智能駕駛、智能機器人、AI city等等九大應用領域之中。

　　兩者結合起來，就是典型的中國AI腰部力量。除了BAT這樣在頭部引領中國AI發(fā)展的巨頭，更多的是像深蘭科技這樣，將AI創(chuàng)新能力源源不斷地輸入到細節(jié)應用場景之中。

　　腰部力量對于AutoML的掌握，對于今天我們的AI發(fā)展來說至關重要。

　　近年來有一個流傳頗為廣泛的概念叫：AI民主化，指的是讓更多中小企業(yè)可以開發(fā)出屬于自己的機器學習算法模型，而AutoML就是符合這一精神的產物之一。隨著AI民主化概念的普及和AutoML技術的日趨成熟，產業(yè)中大范圍應用起AutoML工具已經是一種必然。

　　但從谷歌AutoML的案例中也能發(fā)現(xiàn)，伴隨算法模型訓練工具捆綁銷售的，很可能還有計算芯片或云計算服務。一家企業(yè)選擇了一個AutoML平臺，同時也意味著將自己的AI技術與平臺背后的企業(yè)相綁定。

　　這時中國AI腰部力量對于AutoML的參與就起了兩個至關重要的作用。

　　一方面，中國智造可以保證算法工具以及芯片硬件、云計算等等配套服務的自主可控。尤其很多企業(yè)的算法模型會涉及一些商業(yè)機密以及敏感數(shù)據(jù)，如果將這些數(shù)據(jù)和模型部署到海外企業(yè)的云平臺中，多少會增加一些風險。

　　另一方面，腰部企業(yè)對AI產業(yè)化的參與，可以增強行業(yè)的多樣性，防止AI產業(yè)化被科技巨頭“壟斷”從而促使AI霸權主義的出現(xiàn)。產業(yè)在接入AI服務時可以擁有更多選擇，會促進AI領域的發(fā)展活力，以良性競爭的模式推動巨頭與腰部企業(yè)一同為產業(yè)提供更優(yōu)質的技術服務。

　　如今在AI賽道上狂奔的跑者們，無一不見到了AI產業(yè)化的黎明曙光。在抵達終點的過程中，腰部企業(yè)的存在如同一位聯(lián)結者，與頭部巨頭們并行向前的同時，不斷招攬著路邊觀望的人，讓他們一同加入隊列，向AI的明天奔去。

　　AI產業(yè)化黎明的到來，或許并不是一條分割兩個世界的終點線，而會降臨于讓更多人參與AI賽道的過程之中。