天云大数据MaximAI3.0:基于PaaS化AI平台 降低企业AI应用门槛
2018-06-14 中高新传媒

6月13日,天云大数据产品发布暨渠道招募会在京举行。会上发布的分布式算法人工智能平台MaximAI3.0,基于天云的PaaS化AI平台去构建机器学习模型,实现了算法的自动化优化,即Auto Machine Learning,成功减少了对数据科学家的依赖,降低了AI在企业市场的应用门槛。

天云大数据CEO雷涛指出,“AI民主化的核心是将科学家在传统实验室完成的工作,赋予更多人使用,降低使用门槛,让更多的开发者、业务人员能够使用人工智能。”

未来AI发展更注重规模化生产能力

谈到很多人理解的人工智能,是人脸识别、聊天机器人,认为人工智能就是人机交互,其实这些都是应用场景而非AI的核心,AI的核心支撑技术,是围绕机器学习(Auto Machine Learning)构建的技术框架。人工智能在各个领域的发展呈不平衡态势,如无人驾驶、人脸识别及机器人等领域,因其算法与目的都很明确,又因资本与数据的聚焦之下容易找到最佳实践,但针对算法纷繁复杂、数据私有与云服务私有的商业智能领域,AI应用程度参差不齐。其实如打车软件、测序基因、互联网快递等这些才是AI实际帮助我们解决问题的日常场景。

手机、汽车从诞生到大规模量产的历史表明,新技术的发展历程往往经历数十年乃至上百年,AI的量产也同样面临着困难重重的局面,据2017年纽约时报报道,一个刚毕业的AI工程师年薪达到了惊人的300000美元/年,而美国人的平均工资是81000美元/年。据腾讯研究院预测,到2020年,市场对AI应用的需求将增长300%,旺盛的需求,偏少的人才供给,导致AI人才成本高昂。只有通过升级大规模生产工具,才有望满足需求。

举例来说,某股份制银行的APP,其背后是该银行多达数千人的数据科学团队每年生产600个机器学习模型供APP调用。600个个性化模型在APP里面支撑,所以可以提供这么多服务。因此比起场景,应该更关注怎样高效率低成本的批量化生产模型,毕竟负担上千人的数据科学团队,对于大多数企业来说都是非常挑战的。5月19日全球人工智能大会上,Google提出的解决路径也是供给规模化的AI工具。无独有偶,天云大数据同样提出了解决问题的规模化AI工具, 通过构建支持Auto Machine Learning特性的PaaS化AI平台MaximAI,尝试为客户做AI赋能,减少对数据科学家的依赖,让企业获取机器智能像读书一样简单。

以Auto ML为客户赋能 降低企业AI应用门槛

应用机器学习技术解决现实世界问题是昂贵而困难的。利用基于AI的技术方案来克服这一应用过程中的难题,就是自动化机器学习(AutoML),AutoML指的是”用于优化AI”的AI。

微软和谷歌先后利用图片分类的案例给出了其对AutoML的答案:建模者只需付出最少的操作(上传、选择和评估),利用微软或谷歌云AI平台的能力,即可获得具有一定精度的机器学习模型。

同样,致力于赶超国际技术前沿的天云,自2015年即开始开发分布式人工智能平台MaximAI,目前MaximAI已经迭代到3.0版本,实现了算法的自动化优化,即Auto Machine Learning。也就是说,客户在选择算法时能更加简单,像基于Android开放应用一样,基于天云的PaaS化AI平台去构建机器学习模型。同时,还可以实现notebook环境下的容器化部署,根据任务类型自动确定算法,特征工程自动化,自动衍生或合成特征,模型超参优化智能化。

总的来说,经过几次平台迭代,天云平台已能实现模型的智能化生产,真正实现Auto Machine Learning。通过一系列的自动化方法,成功减少了对数据科学家的依赖,降低了AI在企业市场的应用门槛。

“AI不是少数人的专利,AI模型的PaaS化(平台即服务)、智能化成为突破AI产业化应用的关键。未来人工智能发展趋势更应凸显规模化生产能力,让企业获取机器智能像读书一样简单。”雷涛如是说。