谷歌云機(jī)器學(xué)習(xí)平臺(tái)(Google Cloud AI)自從上線以來就以預(yù)訓(xùn)練的、可以直接調(diào)用的高效機(jī)器學(xué)習(xí)模型吸引了許多企業(yè)級(jí)用戶在其上構(gòu)建簡單的機(jī)器學(xué)習(xí)應(yīng)用。然而企業(yè)總是會(huì)有自己專屬的需求的，越來越多的企業(yè)會(huì)不再滿足于預(yù)定義好的功能，而想要設(shè)計(jì)和應(yīng)用更加自定義化的機(jī)器學(xué)習(xí)模型。

今天，在谷歌云首席科學(xué)家李飛飛和谷歌云研發(fā)負(fù)責(zé)人李佳合著的這篇谷歌云博客中，她們就正式宣告了谷歌云 AutoML 平臺(tái)的面世。在這里，構(gòu)建、訓(xùn)練和部署自定義的機(jī)器學(xué)習(xí)模型也變得簡單方便，甚至對機(jī)器學(xué)習(xí)不甚了解的企業(yè)也可以構(gòu)建自己的人工智能系統(tǒng)。AI 科技評(píng)論把這篇博客全文翻譯如下。

在差不多一年多以前我們兩個(gè)人共同加入谷歌云的時(shí)候，我們都心懷一個(gè)使命，那就是讓 AI 平民化。我們的目標(biāo)是降低 AI 的使用門檻，讓 AI 對盡可能多的開發(fā)者、研究者和商業(yè)用戶來說變得觸手可及。

我們谷歌云 AI 團(tuán)隊(duì)一直在向著這個(gè)目標(biāo)做出進(jìn)步。在 2017 年，我們發(fā)布了谷歌云機(jī)器學(xué)習(xí)引擎(Google Cloud Machine Learning Engine)，幫助具有機(jī)器學(xué)習(xí)知識(shí)的開發(fā)者們輕松地構(gòu)建能處理任何種類的、任意大小的數(shù)據(jù)的機(jī)器學(xué)習(xí)模型。我們表明了現(xiàn)代機(jī)器學(xué)習(xí)服務(wù)——換句話說就是包括了視覺、語音、NLP、翻譯和對話流的 API 們——可以構(gòu)建在預(yù)訓(xùn)練的基礎(chǔ)模型之上，為商業(yè)應(yīng)用提供無可比擬的服務(wù)規(guī)模和運(yùn)行速度。我們的數(shù)據(jù)科學(xué)家和機(jī)器學(xué)習(xí)研究者社區(qū) Kaggle 也已經(jīng)發(fā)展到了擁有超過一百萬名用戶。而今天，已經(jīng)有包括 Box、勞斯萊斯、Kewpie 和 Ocado 在內(nèi)的超過一萬家企使用著谷歌云的 AI 服務(wù)。

不過除此之外我們還能做很多。現(xiàn)在，全世界的企業(yè)中有足夠的知識(shí)技能和預(yù)算以便能夠充分享受機(jī)器學(xué)習(xí)和人工智能帶來的好處的企業(yè)并不多，能創(chuàng)建出高級(jí)機(jī)器學(xué)習(xí)模型的人才也非常有限。而且，即便是一個(gè)有機(jī)器學(xué)習(xí)/人工智能工程師的企業(yè)，構(gòu)建自定義機(jī)器學(xué)習(xí)模型的過程仍然非常費(fèi)時(shí)、非常復(fù)雜，很難管理。雖然谷歌云已經(jīng)通過 API 提供了預(yù)訓(xùn)練好的機(jī)器學(xué)習(xí)模型，足夠完成某些特定任務(wù)，但是距離我們想要的「把 AI 帶個(gè)每個(gè)人」還是有很長的路要走。

為了縮小這其中的距離，以及為了讓每個(gè)企業(yè)都能更輕松地接觸并使用 AI，我們今天向大家介紹谷歌云 AutoML。對于只有有限的機(jī)器學(xué)習(xí)知識(shí)的企業(yè)，谷歌云 AutoML 可以通過谷歌的高級(jí)技術(shù)手段，比如 learn2learn 和遷移學(xué)習(xí)，幫助他們動(dòng)手構(gòu)建自己的高質(zhì)量自定義模型。我們相信谷歌云 AutoML 可以讓 AI 專家們發(fā)揮出更大的生產(chǎn)力、探索 AI 的新領(lǐng)域，以及幫助技能有限的工程師構(gòu)建他們曾經(jīng)只能夢想擁有的強(qiáng)大的人工智能系統(tǒng)。

我們發(fā)布的首個(gè)谷歌云 AutoML 版本將會(huì)是云 AutoML Vision，建立自定義圖像識(shí)別模型會(huì)因它而更快、更簡單。它的允許直接拖拽的界面可以讓你輕松地上傳圖像、訓(xùn)練和管理模型，然后直接在谷歌云平臺(tái)上步數(shù)這些訓(xùn)練好的模型。在谷歌云 AutoML Vision 的早期測試結(jié)果中，分類熱門公共數(shù)據(jù)集 ImageNet 和 CIFAR 已經(jīng)展現(xiàn)出了優(yōu)秀的表現(xiàn)，相比通用的機(jī)器學(xué)習(xí) API 可以更準(zhǔn)確、有更低的分類誤差。