省事儿！使用AutoML缩短了机器学习开发周期
如果您使用过机器学习算法，那么在这个过程中您一定经历过参数调优的问题。
您是否知道50-80％的企业业务流程可以使用AssistEdge实现自动化？使用AssistEdge识别流程、部署机器人并轻松扩展。
如果您使用过机器学习算法，那么一定遇到过参数调整的困难。面对复杂的算法参数，算法用户总是会花费无数个夜晚不断尝试。他们终于可以在一夜之间找到满意的参数组合。但是，找到的参数组合真的是最好的吗？没人知道。
在机器学习链接建立期间，参数调整不是唯一耗时且耗费人力的工作。在生成算法模型之后，开发人员还必须绞尽脑汁想出他们如何将模型部署到服务中，以便移动电话和PC等终端调用。有时，为了连接这样的链接，开发人员需要花一整夜来调试不同格式的模型和服务器之间的关联。
人工智能（AI）服务为人们的生活带来便利。他们还会为算法工程师提供用户友好的开发环境吗？缩短开发时间是算法工程师的共同愿望。今天，人工智能平台（PAI）发布了自动机器学习（AutoML）引擎，通过机器学习方法解决机器学习过程中的问题。
AutoML简介
什么是PAI AutoML？AutoML意味着整个机器学习过程的自动化。上传机器学习数据后，机器学习过程可分为三个步骤，即模型训练、评估和部署。
PAI自动参数调整
PAI自动参数调整功能对高级和新算法用户都有很大的价值。
- 新算法用户在算法计算过程中不知道每个算法参数的数学原理，也不了解参数调整。自动参数调整可帮助他们快速解决问题。
- 高级算法用户具有参数调整的经验。然而，他们的经验是关于参数调整指导。对于详细参数，它们仍需要重复尝试。例如，对于其值范围为0到100的参数，高级算法用户可以根据参数经验将参数设置为90或80时的确定结果。但是在较小的粒度中，例如，当参数设置为81或82时，它们还需要手动测试哪个更适合结果。幸运的是，自动参数调整功能可以节省在重复尝试中花费的时间。
目前，业界主流参数调整方法是基于网格搜索和随机搜索引导的并行搜索。系统基于随机原理对可能的参数组合进行重复采样，并尝试通过重复迭代找到最佳参数组合，每次探索都是独立的。一个优点是算法用户可以在更宽的参数空间而不是局部空间中探索最佳解决方案。缺点是每次探索都是随机的，缺乏信息累积过程和浪费计算资源。
PAI提供Evolutionary Optimizer，一种创造性的参数调整方法，以确保模型的每次迭代都在上一轮的优化参数集范围内自动开发，嵌入式高效算法可帮助您快速找到最合适的参数组合，大大减少计算资源消耗和参数探索的数量，你只需要耐心等待奇迹的到来。
下图显示了Evolutionary Optimizer的参数调整迭代效果。您可以清楚地查看每次迭代的效果改进。
PAI模型的自动评估
PAI AutoML提供多维算法评估方法。从F1Score，Precision，Recall和AUC中选择所需的评估指标后，系统将自动完成模型评估并向下游训练环境提供服务。所有评估过程都不需要人工干预。
型号订购表：
型号配送配置：
PAI模型的快速发布
生成模型后，您可以快速将模型发布到PAI上的API服务。单击“部署”后，系统将列出当前实验中的可部署模型。您可以选择所需的模型并快速部署它们。
部署完成后，将自动显示在线服务控制平台。您可以管理平台上的所有模型。
用例示例
用例示例
PAI AutoML真的对用户的业务有帮助吗？让我们在阿里巴巴云平台上使用PAI后，通过用户的反馈找出它。客户YZ STAR GAME专注于移动本地和互动视频广告，并且已经从事奖励视频广告超过两年。随着业务的增长，该公司在多个平台、多个渠道和多种模式下的智能广告效率面临着越来越大的挑战。
YZ STAR GAME的技术总监表示，阿里云PAI提供的服务功能具有低门槛和轻松启动的特点。在这种情况下，企业可以快速与基于数据的大型机器学习平台保持一致，从而促进公司的业务发展。基于PAI AutoML引擎，客户可以在不同平台和不同模式下快速定位目标用户。
通过PAI AutoML引擎，YZ STAR GAME在参数调整期间将模型精度提高了40％，并预计在所有业务推出后将超过1000万次自动部署，预计可将人工成本节省20％至30％。最重要的是，在机器学习服务平台上建立业务所花费的时间至少缩短了半年。
架构图：
结论
PAI AutoML引擎旨在最大限度地降低机器学习业务的成本。目前可用的模型训练参数优化和快速模型部署服务已经帮助节省了人力成本。未来，PAI将继续投资于此部分，旨在使机器学习和AI更易于访问。
