不写代码，用图形界面搞机器学习：MIT发布“全球最快AutoML”

本文经AI新媒体量子位（公众号ID:QbitAI）授权转载，转载请联系出处。

△ 来自《铁男》科幻剧情里，没有看过哪位大佬拿Python写代码。

眼前净是蓝汪汪的全息画面，用手指拖几下，再点几下，就算出了结果。

“我夜观星象，算出你上班时间看P站。” (误)

回到现实，虽说是没有全息图，但不写代码、拖拖拽拽就能搞机器学习，这等美事已经达成了：

MIT和布朗大学联合开发了交互式数据科学系统，名字叫Northstar。

团队说，这是“全球最快的交互式AutoML工具”；除了速度，它生成模型的成绩，也已经在DARPA D3M AutoML比赛上超越了所有对手。

作为用户，你只要加载好数据集，再把想预测的目标，拖进一个预测器。几 (十) 秒的光景，系统便会帮你找出最适合的机器学习模型。

有位不愿透露姓名的评论员说：

比用TNT还容易。

即便不是数据科学家，也可以充分利用手上的数据，来分析各种行业的现实问题。

并且，这套系统支持多人协作，不管是用同一台设备还是多台设备。电脑、平板、交互式白板……各种设备已支持。

现在，Northstar在工业界和学界都有了用户，Adobe便是其中之一。

能做些什么？

先拿医学研究人员举个栗子。

MIT在波士顿，那么就把整个波士顿的ICU患者健康信息全部投喂给Northstar。

加载完成之后，性别、年龄、BMI、有没有消化疾病、心脏衰竭等等，各种参数都会进入“属性 (Attributes) ”这一栏。

△ 滑动的部分，就是各种属性

机器学习出场前

可以先观察不同属性之间的联系。

比如，通常认为男性比女性更容易发生心脏衰竭 (Heart Failure) ，就来验证一下这个规律适不适用。

把“心衰”和“性别”两个属性拖出来，然后相连，发现女性的发病人数稍低。但把两个属性拖近彼此就会看到，按照比例计算，反而是女性比男性发病率高：

△ 拖到靠近的位置，就可以计算比例

另外，还可以轻松观察多类疾病共存的概率。

比如，传染病、血液疾病和代谢疾病。

除了把三者相连之外，Northstar还有一种更简洁的工具，叫frequent itemset：

它可以把三类疾病的所有可能组合，概率全部计算出来：

最容易并发的是代谢疾病和血液疾病，而代谢疾病单独存在的概率是全部可能性里最高的。

这时候，再用“年龄”属性筛选出50岁以上的患者，代谢疾病的百分数飙升到了73%。

注：发现数据里，有很多患者年龄填了零，也可以一键清除他们，只留有效部分。

数据就观察到这里。

机器学习出场了

如果要预测某个患者有没有心脏衰竭，就从算法栏里拽出一个预测器 (Predictor) 。

然后把要预测的“心脏衰竭”，拖到预测器的“目标 (Target) ”里去。

这样，预测器的右边，便会产出一系列模型，每个模型的预测准确率都会显示出来。

模型生成完毕之后，可以选择一个成绩最好的模型，打开来仔细查看：

这个准确率92.25%的方案，一共有8个步骤。

现在可以把这个模型导出为Python脚本，今后可以手动优化，也可以直接投入使用。

除此之外，还可以看到各个不同参数的权重：

其中，对预测心衰最有帮助的是一个叫“heart_ischemic”的特征。

意思是心脏缺血，常常是伴随着心脏衰竭而生。

所以下一步，就把这个特征也扔进预测器的目标里。

这样的话，再生成的模型就不依靠这个症状来预测了。

还有，可以把自己选中模型的预测结果，和Ground Truth对比观察。

像上图这样直接拖进去，就会得出假阴和假阳的情况。

选中这两部分，把它们和“年龄“摆在一起，就知道AI在哪个年龄段的预测更容易出错。

这个模型的错误率，几乎是随时间线性增长。

到这里，一个栗子就讲完了。

可问题是，AutoML找出的模型一定是有效的么？

并不，如果预测成绩看上去很迷，可能是因为属性栏里的数据集，并不是有用的预测工具。

但没关系，系统自带数据集搜索工具datamart，输入关键字，可以查找相关的数据集。

比如，输入“贫困 (Poverty) ”，就能看到美国各个县的人口数据。

有了这些数据，系统找出的贫困预测器，表现也会有所提升。

怎么做到的？

Northstar的英勇体现在三个角度，一是速度，二是生成模型的质量，三是交互能力。

团队说，这是由系统的四个部分共同决定的 (第三部分高能) 。

第一部分叫Vizdom，就是前端，人类最直观感受到的部分，像一个没有边界的画板，可以在上面自在地发挥。

之所以自在，是因为背后有个强大的数据引擎：

第二部分叫IDEA，就是这个引擎。全称“交互式数据探索加速器“，可以理解成样本管理器。

它把内存分成三份，一是结果缓存 (Result Cache) ，二是样本存储 (Sample Store) ，三是索引 (Indexes) 。

当用户开始操作，IDEA就会从各种数据源吸取数据，推测性地 (Speculatively) 执行运算，然后把结果缓存下来，支援用户后面可能下达的指令。

同时，IDEA还会把所有传入的数据，缓存到“样本存储”的位置。如果没空间了，IDEA就开始更新缓存：用水塘抽样 (Reservoir Sampling)，给数据集生成一个代表性样本 (Representative Sample) ，就算数据流有偏差也是后面再处理：

要避免数据流的偏差 (Bias) 带来的影响，IDEA利用了许多数据库都有的采样算子，以及这些数据的随机偏移 (Random Offsets) 。

IDEA还可能把水塘样本分成几个分层 (Stratified) 的子样本，用来过度表示 (Overrepresent) 一个分布的尾端，或者用来创建专门的索引。

它所有的决定，都要根据用户过往和当下的操作不断优化：

比如，当用户把一个新属性拖进画布，系统就会分配更多资源到这个新属性上，为用户可能发出的请求提前做好准备。

另外，随着计算的进行，IDEA还会把精确度越来越高的结果，不断传输到前端，也包括这些结果的完整性和误差分析。

这样，即便用户任意发挥，系统也能快速待命，不论数据大小，不论数据类型。

第三部分叫Alpine Meadow，重中之重。

在IDEA准备好数据之后，就是它负责选出最适合的算法，最适合的超参数。

2013年，团队曾经开发出MLbase：用一种简单的声明式方法 (Declarative Way) ，来说明ML任务是什么 (但不发出具体指令) ；还提供一个新的优化器，选出一个学习算法，并且能够动态地适应当前的任务。

只不过，MLbase不是为了和人类交互而生的，调参常常要几小时。

所以，团队在此基础上一顿操作，获得了快速有效的Alpine Meadow：

先是证明了，把基于规则的优化 (Rule-Based Optimization) 方法，和多臂老虎机、贝叶斯优化以及元学习，巧妙结合在一个系统里，能有效找到最好的ML模型。

并设计了一个自适应的选择算法，通过对比训练集和验证集的误差，早期就可以剪掉 (Prune) 一些不靠谱的pipeline。这在训练实例的样本越来越大的情况下，有助于达到更高的效率。

结果是，Alpine Meadow广泛支持各类任务，多才多艺的程度，远远超过其他AutoML系统：

并且，它在从前没见过的数据集上，有80%的情况超越了作为基线的专家系统：

下面看速度。

绿色是Alpine Meadow找出第一个方案需要的时间。在成功的数据集数量相同的情况下，用时远低于其他算法：

方案在数据集上的相对排名，依然明显超过其他算法 (越低越好) ：

然后，是DARPA比赛的分数 (已Normalized) ：

截至目前，它已经超越了DARPA D3M AutoML比赛上的全部对手。

虽然，Alpine Meadow单打独斗也没有问题。但在这个四部分组成的系统里，还有最后一个部分：

第四部分是QUDE，它可以监控用户的每一个交互动作，对常见的错误和问题给出警告。

这些模块合在一起，才是完整的Northstar。

美中不足，现在似乎还没有个人用户的入口。

“全MIT最聪明的人”

MIT和布朗大学组成的团队，已经在NorthStar上面耗时四年。

领队是Tim Kraska副教授，来自MIT赫赫有名的CSAIL实验室。

项目已经发射了许多篇论文，其中核心的Meadow Alpine论文，登上了SIGMOD ’19。

论文一作名叫尚泽远，也来自CSAIL，是Kraska的博士生。

少年的校园主页，域名瞩目：http://smartest.mit.edu/

下方还有一行傲娇的说明：

如果想知道谁是MIT最聪明的人，请前往https://www.shangzeyuan.com/

Alpine Meadow论文传送门： http://sci-hub.tw/https://dl.acm.org/citation.cfm?id=3319863

NorthStar论文传送门： http://www.vldb.org/pvldb/vol11/p2150-kraska.pdf