Google 发布 AutoML Vision，全自动训练 AI 无需写代码

关键时刻，第一时间送达！

还记得去年5月，谷歌大脑团队对外宣布推出AutoML系统，让人工智能自动编写机器学习程序，试图使机器学习模型的设计变得更为简单。短短三个月后，AutoML在一次图像内容分类的测试中，以82%的准确率击败了编写AutoML的研究人员。

1月17日，基于自身云平台，谷歌又推出了机器学习系统Google Cloud AutoML，为更多正在尝试搭建机器学习模型的开发者、分析人员、企业群体，降低了使用人工智能相关工具和框架的门槛。“目前，全球只有少数企业在ML和AI的研发上投入足够的人才和预算，而可以创建领先机器学习模型的人才就更是少之又少。即便在有公司能吸引到足够多的专业人才，但花在构建定制化AI模型上的时间和精力却非常巨大。”谷歌云AI研发部负责人李佳提到。

此次，“Vision”（即“视觉”）将成为Cloud AutoML正式推出的第一项功能，使定制化图像识别机器学习模型的创建过程更为快捷。接下来，谷歌官方表示，将继续开展在翻译、视频、自然语言处理等更多重要领域的研发。

对此，谷歌云人工智能和机器学习团队首席科学家李飞飞在Twitter表示：“在短短的几个月里，将尖端技术转化为数百万的产品，这是一个相当鼓舞人心的旅程！我们希望AutoML Vision是我们客户的第一选择。”

Cloud AutoML 的工作原理

https://www.blog.google/topics/google-cloud/cloud-automl-making-ai-accessible-every-business/）

一是准确性更高。Cloud AutoML Vision基于Google的图像识别方法，包括迁移学习（transfer learning）、神经架构搜索技术（neural architecture search technologies）等，使得使用者对机器学习相关经验的要求显著降低。

二是更快的模型周转时间。使用Cloud AutoML模型，既能在几分钟之内创建一个简单的ML模型进行AI应用的尝试，也可以仅用一天时间就能构建好一个完整的商用模型。

三是易用。AutoML Vision提供了一个简单的图形化用户界面用于标注数据，然后将数据转换成为符合你特定需求的高质量模型。

在AutoML Vision系统中，有一个拖放式的界面，能轻松上传图像、训练并管理模型，然后将训练好的模型直接部署在谷歌云上。

简单来讲，客户可以更为快速的提高模型质量，随后开发者将这些模型转化成更为简单的API接口。

据了解，已有超过1万家企业用户在使用谷歌云提供的AI服务，包括Box、劳斯莱斯船业、玩具公司丘比、网上超市奥卡多等。

在服务价格方面，谷歌还未给出明确的答复，也并未对外进行开放。不过，谷歌云AI部门产品管理总监Rajen Sheth提到，客户将根据API接口和计算能力的使用进行付费。此外，客户将根据谷歌云平台的隐私政策拥有自己的数据和专有模型。“这个产品给了客户很大的自主权。”

尽管目前来看AutoML的推出主要针对开发者和独立软件提供商，但是，在Sheth看来，“分析师和产品人员也逐渐向这个应用领域渗透。”毕竟，企业中需要处理大量的数据。

对于希望深入研究模型的技术人，谷歌在其AutoML文章中引用了以下参考文献：

Learning Transferable Architectures for Scalable Image Recognition, Barret Zoph, Vijay Vasudevan, Jonathon Shlens, and Quoc V. Le. Arxiv, 2017.

Progressive Neural Architecture Search, Chenxi Liu, Barret Zoph, Jonathon Shlens, Wei Hua, Li-Jia Li, Li Fei-Fei, Alan Yuille, Jonathan Huang, Kevin Murphy, Arxiv, 2017

Large-Scale Evolution of Image Classifiers, Esteban Real, Sherry Moore, Andrew Selle, Saurabh Saxena, Yutaka Leon Suematsu, Quoc Le, Alex Kurakin. International Conference on Machine Learning, 2017.

Neural Architecture Search with Reinforcement Learning, Barret Zoph, Quoc V. Le. International Conference on Learning Representations, 2017.

Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning, Christian Szegedy, Sergey Ioffe, Vincent Vanhoucke, and Alex Alemi. AAAI, 2017.

Bayesian Optimization for a Better Dessert, Benjamin Solnik, Daniel Golovin, Greg Kochanski, John Elliot Karro, Subhodeep Moitra, D. Sculley. NIPS, Workshop on Bayesian Optimization, 2017