到底是哪些行业与公司在用谷歌的AutoML？李佳的回复亮了

AutoML 出现的最大推动力，源于这个新 AI 应用趋势的显现？

撰文 | 宇多田

到底是哪些类型的公司与行业在用 Google 发布的「易上手版」AI 建模工具 AutoML？！

这才是我们最好奇的问题。

（正在用 AutoML 的公司，请爽快地举起你的双手）

距离 AutoML 发布已经有小半月，这个号称能够帮 AI 专家和企业「自动生成 机器学习模型的工具」已经被各路技术大牛剖析地差不多了。（如果对这套工具的技术感兴趣，请戳 专栏 | 自动选模型+调参：谷歌 AutoML 背后的技术解析）

简单来说，就是「机器学习工程师拿到训练数据、对数据进行分析、然后设计算法、调参生成训练模型」这个专业性极高的流程，被一个 AutoML 替代了。

我们认为，发布这个 AutoML 的最大推动力，根本上是源于新一波 AI 应用趋势的显现：传统行业人士不甘于只被当作「圈外人士」和「被服务对象」。

正因为 AI 逐渐沉入了更多产业深处，Google 云 AI 主管李佳在接受机器之能采访时，把全世界所有想用 AI 技术的用户分为了 3 大类：

1、一种就是对 AI 技术非常熟悉，掌握非常训练的，以及有大量数据的人（公司）。他们可能只需要一些底层架构，譬如 Tensorflow，就能训练出完全属于自己的模型和技术。

2、第二种是通常没有自己的 data，对技术掌握不熟练的人，他们可以选择 API（接口）。通常来说，只要他们提供一张照片，就能马上拿到结果，不需要花时间开发自己的模型。

3、第三种就是有一些想法的用户。他们 AI 技术也不太熟练，但有数据，想定制属于自己的模型。那么就用 AutoML，「不必去标注训练数据，也不用去设计算法，调参，只要将数据集输入到 AutoML 就出来模型了。」

「科普」必须插足的时间：

这里对于「AutoML 训练数据」的问题，根据机器之心蒋码农的解析：AutoML 可使用在 ImageNet 上预训练的模型自动完成训练数据的标注，使用迁移学习（Transfer Learning）和元学习（Learning2Learn）等方法自动挑选合适的网络架构，并自动搜索超参数以获得最好的性能。

其中，根据李佳解释，迁移学习较为简单，可以几分钟便生成模型；而元学习更加复杂，没有给定架构，成本更高，通常需要 1 天才能生成模型，但这个时长已经远远低于传统模型训练流程。

可以想象，对于那些心里想着「AI 这么火我也要独家版本」，但却力不从心，没技术和人才可用的传统行业，性价比最高的好像就是介于 1 和 2 两者之间的 AutoML？

值得注意的是，1 月 18 日发布时 AutoML 还模棱两可的用户数据，在今天得到了李佳的确认：

可以确定，仅 AutoML 这一个 AI 工具的注册用户已经超过 1 万个，包括大量来自传统行业的企业与创业公司。

而据机器之能得到的独家信息显示，这里面的用户，除了被 Google 积极展示出的非盈利组织与机构，譬如动物保护协会使用 AutoML 识别各类珍稀动物，以及「环境组织与卫生部门利用 AutoML 生成模型识别各类垃圾」等案例，还有两类注册数量非常多的行业：

零售与医疗（许多 Google 云的医疗用户在使用）。

由于 Google 首先发布的第一个 Cloud AutoML 是 AutoML Vision（图像识别工具），也就是主要针对「图像分类」这个场景的模型构建工具。

因此，目前在「医疗影像识别」方面有技术需求的医疗行业用户，成为 AutoML 的重度用户之一（Google 自己也在医疗方面有很多探索）。

（目前 Google 仅发布了针对图像分类的 AutoML）

不过，李佳着重提到了零售行业。

在过去 1 个多月里，Google 接待了不少来自传统零售行业的「客户」，他们抱着或咨询或寻求合作的态度来「请教 AutoML 的产业应用问题」。

她在解析 AutoML 的优势时曾讲到，AutoML 对那些有着细微特征差别的图片（产品），有着较高的正确识别率。譬如，在气象领域，十多种不同的云就代表不同的天气，而 AutoML 能够根据每张图颜色及形态的微量变化，识别出不同的天气状况。

那么同理，以服装行业为例，很多衣服的颜色与图案或许一样，但是领口、袖口以及整体的设计风格可能完全不同。在这种情况下，AutoML 具备了让品牌方对产品属性进行自动化加工分类的能力。

「对产品进行分类后，用户喜好拿捏地也会更精准。从目前来看，一些零售公司对 AutoML 最感兴趣的就是『能否用自己设定的标准（譬如颜色、各种标志、特征）对产品进行识别』，然后再应用到产品推荐方面，最终回到用户体验上面。」

然而，网上的技术人士对 AutoML 褒贬不一。

譬如有人认为 Google 针对图像分类这个场景把机器学习技术在易用性上做到了极致；但知乎上也有不少圈内工程师为微软打抱不平，声称 1 年前微软就推出了相似的产品。

与此同时，国内的第四范式，国外的 DataRobot 等 AI 技术公司，也在或免费或收费替传统行业培训机器学习工程师或数据专家，让后者使用自己的平台为客户做机器学习项目。

但是，请注意，到目前为止，我们收到的都是「技术从业者对 AutoML 的评价」，而应用者，特别是行业内的 AutoML 应用者还没有发出一些具体的声音。

因此，在这里，我们也想借这篇文章向零售、医疗、金融等行业内开发者，发出话题邀请：

1、你会选择使用 AutoML 吗？为什么会/不会用？

2、如果使用了 AutoML，你认为它的优点在哪里？最大的问题与挑战在哪里？

3、现在有了 AutoML Vision，你下一个最期待的是什么 AutoML 功能呢？

欢迎与机器之能的小编勾搭！如果你有行业性应用问题，我们有 Google 方的干货回复等着你~（划重点）