機器學習應用大爆發的重裝武器出爐！Google新AutoML服務登場，不懂ML也能自製企業級AI應用

Google今日（17日）於GCP發布新的機器學習服務AutoML，透過遷移學習（Transfer Learning）將已訓練完成的模型，轉移到新的模型訓練過程，能夠用較少量的資料，訓練出機器學習模型，此外，Google還透過learning2learn功能自動挑選適合的模型，搭配超參數調整技術（Hyperparameter tuning technologies）自動調整參數，讓企業只要將原始資料輸入後，能夠建立出符合自家需求的預測模型，就算不懂機器學習技術也能自製企業級AI應用。

由於開發應用程式不難，解決了機器學習的技術門檻後，只要有開發能力，就算不懂機器學習知識，也能透過AutoML打造出一套企業級的機器學習應用或AI應用。AutoML服務上線後將先推出圖像自動標示的服務Vision，未來還會陸續推出語音、翻譯和自然語言處理等服務。

早在去年3月Google就於GCP上發布正式版的機器學習服務Cloud Machine Learning Engine，並開始支援GPU訓練模型，不過，此機器學習服務是透過較大量的資料，訓練出一般型（General）的預測模型，較難符合每家企業的需求，建立出貼近企業需求的預測模型，這次推出的AutoML則是更進一步，提供企業機器學習技術來建立自家的模型，也是落實Google機器學習戰略目標「AI大眾化」。

Google雲端人工智慧與機器學習首席科學家李飛飛曾在去年的Next年度大會中表示，Google機器學習的未來戰略目標是「AI大眾化」，要讓人人都有能力使用AI，她表示，全球對於機器學習人才的需求量非常大，但是卻缺乏足夠的擁有AI專業知識的人才，Google發布AutoML服務即是為了讓AI這項技術可以普及到每個人、各家企業，也降低企業開發AI的門檻。

Google雲端人工智慧與機器學習研發負責人李佳也表示，透過AutoML並不需要機器學習的專業知識，也不需要程式語言的能力，只需要了解建置預測模型的概念，能夠辨別什麼樣的模型，對企業的分析最為適合，即可透過AutoML服務，為企業打造出客製化的預測模型。

Google估計，全球開發者總數大約有2,100萬人，但是全球的資料科學家卻只有大約100萬人，對於許多企業而言，缺乏足夠的人才能夠開發機器學習模型，建立模型的過程也需要花費許多時間，包括標記、整理和分析資料等工作。

透過AutoML服務，企業和研究人員能夠用更少的資料來建立模型，李飛飛表示，這樣的突破將對醫療的AI研究非常有幫助，因為在醫療照護的領域上，面對罕見疾病和一些特殊案例，往往無法取得足夠的訓練資料，來建立模型，而透過AutoML則可以增強資料處理和資料標記的工作，讓使用者更容易打造出預測模型。

在AutoML一系列的服務中，Google將會先推出自動標記資料的服務AutoML Vision，李佳表示，未來還會陸續推出語音、翻譯和自然語言處理等服務，以AutoML Vision為例，Vision能夠自動標記和處理資料，並自動建立客製化的機器學習模型，使用者只需要將圖片上傳並經過訓練之後，便能選擇要建立客製化的模型或是用Google既有的模型，若使用者選擇透過AutoML Vision建立客製化的模型，Google則建議理想的情況是，使用者每個標記至少要有100張訓練圖片，而使用者若使用Google既有的模型，則是透過Google的Vision API，只能標示一些常見的物件，像是臉部、標誌、地標等。

Google過去成功地用深度學習模型創造多個應用，像是影像辨識、語音辨識和機器翻譯，Google表示基本上，機器學習的模型都需要一個由電腦科學家和工程師組成的團隊來開發，建立模型的過程中，因為所有演算法組合的可能性有非常多種，通常要建置10層神經網路，就會有100億個可能的網路，因此手動設計模型是非常困難的，建置模型需要很多時間做實驗，也需要許多機器學習的專家才能完成。

以GoogleNet的架構來說，Google就花上了好幾年不斷做實驗和重新調整，為了讓縮短設計機器學習模型的過程，Google開始尋找可以自動設計機器學習模型的方法，最終Google透過演化式（Evolutionary）和增強式（Reinforcement）演算法打造了AutoML。

AutoML由2個神經網路組成，分別是控制器（Controller）神經網路和子（Child）網路，控制器生成子模型架構，子模型架構透過特定的任務訓練並評估模型的品質，產生的結構將回饋給控制器，控制器將會將此結果，作為下一個循環修改的參考，AutoML即是重複執行設計新架構、評估、回饋、學習的循環，經過數千次的循環後，控制器能設計出最準確的模型架構。

目前迪士尼已透過AutoML建立圖片分類模型，依據角色、種類和顏色等進行分類標示產品，並導入搜尋的功能中，讓消費者搜尋商品更加方便且準確，增加消費者的使用體驗。另外，美國流行服裝零售商Urban Outfitters也透過AutoML來分類商品。