谷歌把打败99%程序员的AutoML集成到Kaggle平台！

【线下技术沙龙】11月23日，多云时代开启企业业务新高度，安全如何与时俱进？

以后参加Kaggle竞赛，可以直接派出AutoML自动训练AI怪兽参赛了。谷歌今天宣布，将Cloud AutoML服务深度集成到Kaggle平台，虽然是付费服务，但提供了一揽子免费试用和补贴方案。

谷歌宣布，将用于训练机器学习算法的Cloud AutoML服务集成到数据科学平台Kaggle中。

Cloud AutoML是一个基于云的工具包，提供一个拖放界面来训练AI模型。使用AutoML，任何人都可以创建定制的机器学习模型，只需极少的工作量和机器学习专业知识。

Kaggle是一个供数据科学家和其他机器学习爱好者探索、分析和分享他们的工作的在线社区，被谷歌于2017年收购。Kaggle也是全球最大的机器学习及数据科学竞赛平台，就在今天，谷歌宣布Kaggle社区最近达到了一个新的里程碑，用户数突破了350万。

谷歌表示，通过将Cloud AutoML与Kaggle整合在一起，它正在推进其使命，即“通过为他们提供在该领域领先所需的技能和工具，使我们的数据科学家社区更加强大”。

Cloud AutoML允许用户从软件开发工具包或基于web的用户界面获取数据，设置一些参数，然后根据这些数据训练模型；经过训练的模型随后可以直接部署到谷歌的云基础架构上。

新的集成将使Kaggle用户能够在Jupyter Notebooks中直接使用 Cloud AutoML SDK，这是数据科学家用来创建和共享包含实时代码、公式、可视化和叙述性文本的开源web应用程序。

Kaggle产品经理Devvret Rishi说：“今天发布的重点是使我们的社区能够在Kaggle Notebooks上直接使用SDK。”

Cloud AutoML是一项付费服务，不过它为初学者提供了免费试用方案。谷歌还为用户全年提供谷歌云平台(GCP)积分，以帮助补贴在Kaggle上使用AutoML的成本，并且，所有注册GCP的新Google帐户都将获得$ 300的补贴。

今年6月，谷歌还将BigQuery数据仓库服务和Kaggle集成在一起。该集成允许BigQuery用户使用快速SQL查询，在SQL中训练机器学习模型，并在Kaggle的Jupyter笔记本环境中进行分析，称为Kaggle Kernels。

根据谷歌的说法，这种方法的好处在于，用户无需实际移动或下载数据来查询数据或对其进行机器学习。一旦用户的Google Cloud帐户链接到内核笔记本或脚本，就可以使用BigQuery API客户端库直接在笔记本中撰写查询，针对BigQuery运行查询，并使用数据进行几乎任何类型的分析。

AutoML有多强：Kaggle竞赛击败99%人类程序员

AutoML在今年早些时候就引起了人们的关注，它在Cloud Next '19的Kaggle Days举行的机器学习竞赛中一度脱颖而出，只是在最后时刻才被一组数据科学家以微弱优势淘汰。

今年4月，在长达8个半小时的Kaggle Days数据处理挑战上，有一个团队非常特别：这个由3名谷歌研究员组成的小组不打算自己上场，而是用一款名为AutoML的AI软件参与竞赛。

其他200多名参与者来自Kaggle平台的顶级梯队，他们组成多个小组，任务是“从一家匿名汽车零部件制造商那里得到数据，通过这些数据，他们要预测工厂产出中的不良批次”。

谷歌研究员Quoc Le与同事Ming Chen和Lu Yifeng Lu一起领导了AutoML项目

现场挂着一块大屏幕，上面是比赛即时排行榜，参赛的程序员就在这块大屏幕的阴影下辛勤工作。程序员们通过向网站提交代码进行测试来衡量他们在比赛中的成果，分数会实时显示在屏幕上。

对于AI可能取代顶尖程序员这一点，Kaggle.com上排名第一的“大师”Vladimir Iglovikov表示怀疑，在场的大多数人也都认为，AI软件不可能与世界顶尖的数据科学家的创造力相媲美。

然而，比赛进行几个小时后，让人震惊的结果出现了，AutoML提交了第1个自动生成的代码，在排行榜上名列第2，领先了绝大多数小组。但这对于谷歌团队来说一点都不奇怪，该软件是3年前他们花巨资开发的，一开始的目的就是要替代自己的部分工作。

领导了谷歌AutoML开发的AI研究员Quoc Le感到兴奋。他和团队在过去的几场Kaggle比赛中测试了AutoML，通常都需要花费几个月而不是几个小时。他们认为在现场比赛中AutoML能取得前10%的成绩就算是成功了。

到了下午3：30，AutoML的胜利似乎已成定局，最接近它的人类团队也落后很远。当选手们在下午5:30集合查看最终比分时，欢呼声爆发了：AutoML 排名第二。

AutoML赢了99%的顶尖人类程序员。

而且在竞赛中，使用AutoML的团队只需要付出较少的精力，就能迅速获得出色的性能，并且无需领域专业知识或监督。在数据准备上花费时间很少，而在特征工程、模型选择和超参数调参上几乎不用花什么时间。

此外，在另一个IEEE的竞赛中，AutoML的时间效率的优势更加突出，数千团队花了几周的时间，才能在排行榜上大幅超越AutoML的基准水平。

上图为该赛事前四周的提交分数（个人得分），与比赛开始时发布的AutoML Tables基准分数（绿线）。蓝点虚线表示每日提交分数的90％分位水平。AutoML Tables基准在比赛的前两周中都超过了这一水平

AutoML的简单性和有效性为存在数据科学问题需求的人群（这些人不一定具有深厚的数据科学背景）提供了创建性能强大的模型的可能。

大酬宾：Kaggle用户使用AutoML，每个关联账号补贴300刀

Cloud AutoML可帮助用户针对各种任务集（视觉，语言到结构化数据）构建自定义机器学习模型。每种应用的实际用法各不相同，但所有方法都遵循从SDK或Web UI提取数据的一般模式，用户可以调节设置，并输出训练好的模型。今天的重点是，我们的社区已经能够直接在Kaggle Notebook中使用SDK。

简单上手：如何在Kaggle平台上使用AutoML

Kaggle与AutoML的集成遵循了我们先前将BigQuery引入Kaggle Notebook的脚步。

首先，只需关联用户的GCP帐户并授权访问要使用的云服务，同时启用云存储将使AutoML轻松访问您的数据。

关联Google帐户后，需要仔细检查云帐户是否已准备就绪。为此，请确保已为GCP项目启用了机器学习API和结算设置。AutoML是一项付费服务，为了使更多的Kagglers可以使用AutoML，我们计划在全年内提供GCP积分，以补贴使用该服务的费用，所有注册G谷歌云平台的新帐户都将获得300美元的额度。