理工酷

许多人工智能专家相信AutoML将从根本上改变基于ML解决方案的面貌。

在定义AutoML之前，我们需要区分机器学习和数据科学。机器学习主要处理数据建模，它是一个更大的数据科学工具包的一部分，包括数据准备和描述性分析等。

AutoML着重于两个方面——数据采集和预测。在这两个阶段之间发生的所有步骤都由AutoML平台抽象出来。从本质上讲，用户带着他们自己的数据集，识别标签，然后按下按钮来生成一个经过训练的模型。

在处理AutoML平台时，业务分析师将关注业务问题，而不是迷失在流程和工作流中。大多数平台都会提示用户上传数据集，然后标注类别。在此之后，准备数据、选择正确的算法、优化和超参数调优等大部分步骤都是在幕后进行的。一段时间后，平台公开了一个REST端点，可以用于预测。这种方法极大地改变了训练机器学习模型的传统工作流程。

当AutoML模型导出到Docker容器中时，DevOps团队就可以大规模部署它们，以便在生产环境中进行推理。它们可以将容器托管在由Kubernetes和DC/OS管理的可伸缩集群中。

正如我们所了解的那样，汽车行业已经在为提供AutoML服务而努力。谷歌Cloud AutoML、Microsoft Custom Vision和Clarifai的图像识别服务都是自动化ML服务的早期例子。另一个例子是datarrobot，它成立的唯一目的是将AutoML作为服务交付。