【2020年CIO必看趨勢5】AutoML成主流AI服務標配，客製模型門檻更容易了

2020年，AI依然是個關鍵字，但不同的是，實現各種AI應用背後的關鍵模型，其開發和訓練門檻變得更低、支援的類型將更廣，甚至不懂程式開發的領域專家，都能自己動手快速建立ML模型。關鍵就是，去年Google發表的AutoML機器學習自動化服務類型，現在成了各大主流公雲的標準配備，連雲端龍頭AWS在2019年12月剛推出的AI整合開發工具Amazon SageMaker Studio中，都主打機器學習自動化功能AutoPilot，只要上傳表格型資料，就能自動建立可用的機器學習預測模型。

AutoML從先前的少數獨有，到現在變成了主流機器學習服務的標準配備，也大多朝向網頁化介面、免程式開發特性、工作流程視覺化管理的共同趨勢發展，可說是進入新的AutoML 2.0階段。

這意味著，更多分析人力不足的中小型企業能夠受惠。IBM在2019年初的報告指出，一家企業光是優化、管理機器學習模型，就需要1至6名資料科學家。而爆發式的AutoML 2.0產品，讓這些缺乏人才的中小型企業，也能自己打造客製化的機器學習模型，提供更貼近產業特性的應用。

回顧過去，2018年，雲端巨頭以自家豐厚的雲端資源，相繼推出低門檻的模型自動化開發與訓練服務。最典型的例子，就是年初最先登場的Google Cloud AutoML，一次瞄準影像辨識（Vision）、翻譯（Translation）和自然語言（Natural Language）等三大領域，支援CNN、RNN和LSTM三種演算法，讓企業能用自己的資料，來打造客製化AI模型。

進一步來說，Google Cloud AutoML的特別之處，在於能自動挑選演算法、調整超參數，透過不斷優化找出最合適的模型。另一主打特色，是不用撰寫程式碼，或簡稱No Code（免程式碼），透過配置檔或參數設定，上傳訓練用的資料，就可開始進行模型訓練。以影像辨識為例，使用者只要上傳數十或數百張照片，就能訓練出專屬的AI模型，大幅降低AI開發門檻。Cloud AutoML的影像辨識、翻譯和自然語言服務，隨後也在隔年11、12月正式上線。

Google Cloud AutoML的特色，成為自動化機器學習服務的藍本。2018年底，微軟也在Azure Machine Learning中，正式推出自動化機器學習服務（Automated ML），支援迴歸、分類和預測等演算法，其中一些功能也在2019年正式上線。這項服務，雖然僅支援結構化資料作為訓練資料，但仍是企業無程式碼機器學習服務的另一選擇。

更多大廠投入，AutoML遍地開花

自此，更多大廠爭相加入AutoML戰局，紛紛跨出第一步，發表簡易、自動化程度更高的機器學習開發服務。

IBM就是其中之一。比如，2019年第二季時，IBM在自家機器學習服務Watson Studio中，正式推出可自動調校模型的無程式碼機器學習功能AutoAI，提供自動化資料預處理、特徵工程，以及超參數調整等功能。不過，相較於Google Cloud AutoML，AutoAI只支援迴歸和分類演算法，在資料類型上，也僅支援結構化資料的CSV格式，檔案大小限制為100MB。

另一方面，數據分析龍頭SAS也加入AutoML戰局。2019年第四季，SAS宣布在自家雲端開發環境平臺Viya中，正式新增自動化機器學習功能。同樣主打簡易操作，新功能可自動執行資料整理、特徵工程，以及演算法挑選等流程，並支援分類和回歸演算法。

這股AutoML風潮，也吹進由Apache Spark技術團隊創辦的資料科學公司Databricks，2019年8月，正式在自家整合分析平臺中，推出自動化機器學習工具套件（AutoML Toolkit），支援迴歸與分類演算法，可自動處理特徵工程、調校超參數、模型搜尋，以及模型部署。有趣的是，它同時也提供細緻的控制功能，讓資料科學家可手動微調。

採取類似作法的，還有雲端龍頭AWS，瞄準企業資料科學家和沒受過機器學習訓練的業務，於2019年底，在機器學習整合開發環境Amazon SageMaker Studio中，新添自動化機器學習功能AutoPilot，除了自動進行模型訓練，還會產生Python程式碼，來告訴使用者AutoPilot如何預處理資料；對資料科學家來說，可作為日後手動修改的參考。

AI模型開發成工廠作業，2020年迎來應用大爆發

自Google發表Cloud AutoML以來，開啟了AutoML百家爭鳴的時代， ML門檻一再降低，連沒有資料科學團隊的企業，都可快速訓練模型、開發AI應用，使AI模型開發成為工廠作業，可快速大量訓練和客製化生產。不論何種產業，都更容易發展各自的產業AI應用，2020年將帶來另一波企業AI應用的大爆發。

 相關報導  2020年CIO必看10趨勢