素人資料科學家新選擇！IBM在臺引進一站式AI模型自動化服務AutoAI

IBM在臺展示幾個月前推出的雲端AI模型自動化服務AutoAI測試版，臺灣IBM雲端運算暨認知軟體事業部資深技術顧問李維倫指出：「AutoAI就像AI訓練師，使用者完全不需要撰寫任何程式碼，就可開發和部署AI模型。」

AutoAI涵蓋了前置作業、AI模型開發、訓練、調校和部署，大幅縮短AI模型的工作流程（pipeline）。李維倫指引用IBM研究部今年3月發表的一份報告，指出機器學習工作流程不是一次性運算，而是要不斷累積新資料並進行優化，但這個優化維運工作就需要1至6位專業資料科學家來維持。因此，「透過程式自動維運、不斷調校AI模型，就可加速AI周期。」

從資料準備到部署模型，都能自動優化

AutoAI整合了IBM自家AI開發工具Watson Studio和AI模型執行工具Watson Machine Learning，後者可用來部署、執行AI模型。李維倫表示，AutoAI的核心概念是為AI而AI（AI for AI），可細分為3大重點：以AI設計AI、以AI優化AI、以AI治理AI，在建模階段，AutoAI可搜尋神經網路架構、挑選適合的模型，接著在訓練階段，能夠自動調整參數和特徵值來優化模型表現，而模型部署後，還可以隨時調校、管理AI模型。

AutoAI在流程上，可分為前置準備、模型選擇、超參數調整和優化（HPO）、特徵工程、再次調整和優化超參數，以及整體學習（Ensemble Learning）、模型評估與部署。

進一步來說，在前置階段，當使用者將經標註的原始資料集輸入AutoAI後，系統會利用內建的演算法，來清理、分類這些資料，然後根據資料屬性和預測目標，來找出最佳的預處理策略。策略制定好後，就進入模型選擇階段，系統會根據輸入資料特性，來找出前幾名合適的演算法模型（Top-K Estimator）；AutoAI提供的演算法模型，可分為分類模型和回歸模型兩大類，其中，分類模型包括了決策樹、XGBoost等30種分類器，而回歸模型則包括了Lass、線性回歸等44種模型。

選完模型之後，AutoAI會根據這些模型，來選定超參數（Hyperparameter），並進行模型訓練、調整參數。之後，隨著新資料加入，AutoAI會針對新資料進行特徵工程（Feature Engineering），找出最佳的資料轉換序列、產生新特徵值。李維倫強調，過去，找出新特徵值仰賴專業資料科學家多年經驗，而AutoAI可自動從資料中尋找影響模型表現的關鍵特徵，大幅縮減AI工作流程時間。

特徵工程完成後，系統會再次進行超參數調整和優化。再來，AutoAI會開始執行整體學習，集結訓練中的多個模型，來提升最後的預測能力。

IBM近日也推出IBM Cloud Pak for Data平臺，重整AI產品組合，要讓企業透過該平臺在任何雲端實作AI，擴展Watson Anywhere的策略，也將AutoAI工具納入這個平臺。

李維倫指出，使用者可透過AutoAI的模型評估和排行榜來檢視模型表現（下圖1），比如模型準確度、召回率和F1量測值等。而對專業的資料科學家來說，更可從模型評估的分析報告中（下圖2），找出影響模型表現的關鍵。

最後，使用者可將表現最好的模型存檔，並利用存檔後產生的API，來直接部署模型。雖然AutoAI目前只有雲端版，但IBM將於近期釋出CP4D v2.5本地版。文◎王若樸