Gartner&第四範式全球首發AutoML技術應用白皮書
（原標題：Gartner&第四範式全球首發AutoML技術應用白皮書）
2020年伊始，全球領先的研究和諮詢機構Gartner發佈了《2020年十大戰略性技術趨勢：民主化》報告，系統闡述了“AI民主化”在企業智能化轉型過程中的意義，以及AutoML對實現AI民主化的關鍵作用。在該份報告中，第四範式獲得了Gartner的認可，被列入了AutoML技術代表性廠商。爲此，第四範式聯合Gartner發佈了全球首個針對AutoML的系列白皮書——《AI for Everyone，AutoML引領AI民主化》以及《AutoML成就指數級增長：感知、認知、決策算法佈局提升企業決策水平》。
AutoML是支撐AI民主化的關鍵技術。Gartner在《2020年十大戰略性技術趨勢：民主化》報告中提出，“儘管過去企業構建機器學習應用難度高、效率低，但近年來企業對機器學習技術的需求仍在快速增長，期望通過機器學習落地更多AI應用，這對AutoML技術帶來巨大需求。Gartner認爲，AutoML能夠減輕人員負擔，降低技術門檻，推動AI民主化實現。
在《AutoML成就指數級增長：感知、認知、決策算法佈局提升企業決策水平》白皮書中，全面展示了AutoML技術和算法全景，以及圍繞提升企業決策能力的各類AutoML應用，在決策質量決定企業管理水平、進而深刻影響企業發展的當下，詮釋了AutoML如何幫助企業全面提升決策水平，決勝數字化時代。
自動化決策能力助推企業指數級增長
近年來，大量成長速度遠超同行的互聯網巨頭公司不斷涌現，通過卓越的效率實現了指數級增長，成爲各個細分領域的領頭羊。而對經營體系更爲複雜、業務覆蓋更爲分散的傳統企業而言，該如何改善公司治理，實現指數級增長?
憑藉多年幫助海量客戶提升業務價值的經驗，第四範式發現，企業實現高速增長的核心在於更優的業務決策，以決策帶動企業治理水平與業務價值提升。
著名軍事學家John Boyd於1977年提出 OODA Loop決策週期理論，該理論目前已被廣泛應用於指導企業決策。他認爲，決策過程是由“觀察(Observe)- 判斷(Orient)- 決策(Decide)- 行動(Act)”四個環節組成的相互關聯、相互重疊的循環週期。“觀察”，即企業需要全面觀察經營環境信息，爲決策提供充足的信息依據；“判斷”，即企業需要通過觀察，精準的判斷所處現狀及未來發展，爲決策提供可靠的參考結論；“決策”，即制定較優的決策方案，爲整個決策流程走好最終的關鍵一步。而行動則是基於前三步的成果採取相應措施。在整個決策週期中，能否理想的完成觀察、判斷及決策環節，將決定該業務決策的整體質量和效果。
以決策爲核心的全棧AutoML算法佈局，第四範式構成完整智能決策
爲實現全面觀察、精準判斷和更優決策的目標，第四範式建立了以提升整體決策水平爲核心，包含感知類、認知類及決策類的全棧AutoML算法佈局，爲企業真正帶來決策水平的全面提升。
感知類算法加持觀察環節，實現全面觀察
企業業務場景中的圖像、文本、語音等非結構化數據爆炸性增長，提升了企業實現全面觀察的難度。如何有效處理海量多模態數據，最大程度激活併發揮其潛在數據價值，是企業在觀察環節面臨的關鍵挑戰。
第四範式AutoCV、AutoNLP、AutoSpecch等感知類AutoML算法全面支持圖像、文本、語音等主流多模態數據處理，通過挖掘各類數據價值，充分滿足企業全面觀察需求。爲解決傳統AI感知類模型搭建門檻高、效率低等問題，第四範式感知類AutoML算法自動化自適應數據增強及網絡架構搜索、自學習調參等模型構建流程，助力企業低門檻、高效率構建感知類AI應用。此外，通過遷移學習爲長尾場景提供預訓練模型，企業僅需少量自身業務數據即可高效啓動長尾場景，進一步加速全業務場景的感知能力提升。
認知類算法助力判斷環節，實現精準判斷
伴隨着消費升級，消費者需求趨於多樣化、個性化，企業業務的複雜度激增，業務現狀洞察以及未來趨勢預判的難度顯著提升。企業亟需在變化多端的外部市場環境下，構建高準確率的AI認知模型以實現精準判斷，洞察現狀、預判未來。
認知模型是基於歷史數據訓練得到的，在其訓練過程中，需要對歷史數據進行清洗處理，提取其中的有效特徵，並基於場景特性選取適配的模型，進行調優訓練。然而，其中的數據、特徵、模型三大要素均存在特定難點，且過程複雜、效率低下。
第四範式認知類 AutoML算法全面覆蓋了三大要素的關鍵技術難點，可幫助企業構建滿足精準判斷需求的AI模型，助力企業獲得理想認知能力，在各業務場景中實現精準業務判斷及預測。
目前，第四範式AutoML正在多項認知類競賽中挑戰人類數據科學家。據世界知名的Kaggle機器學習競賽結果顯示，全世界平均每50位數據科學競賽選手纔有1位擊敗第四範式AutoML。相比Google AutoML(優於46%的數據科學家)，第四範式在認知類問題上體現出顯著優勢（優於98%的數據科學家）。
決策類算法賦能決策環節，實現更優決策
市場競爭激烈動盪，市場環境千變萬化，企業越來越難以通盤考量諸多影響因素，及時做出更優決策。一方面，企業需要以低成本對各方案結果進行準確預判，從而避免在現實中驗證方案帶來的高實驗成本和長反饋週期，這要求企業具有高保真度的決策模擬器。另一方面，企業的實際業務環境極其複雜，海量因素之間相互制約影響，這要求企業能夠在決策中充分考慮各類因素及其相互關係。
第四範式推出AutoEL（自動環境學習）及AutoRL（自動強化學習）兩大決策類算法，形成完整的智能決策解決方案。該解決方案基於企業業務邏輯，全面評估潛在的決策影響因素，並在高度還原的虛擬業務環境不斷試錯，獲取更優方案， 助力企業真正實現更優的智能決策。
交互式AutoML框架，全面實現模型效果
除了全面提升企業決策水平的全棧AutoML算法佈局外，第四範式同樣關注如何通過充分發揮科學家的領域經驗，進一步提升AI模型效果上線效果。爲此，第四範式推出Interactive AutoML的交互式機器學習框架，使科學家能夠在目標設定、搜索空間配置等技術環節介入AI開發，以自身領域知識優化機器學習進程，幫助AutoML達成更優的模型結果。
總結來說，傳統AI應用構建的門檻高，嚴重依賴科學家，而AutoML技術打破了AI對人的依賴。第四範式作爲全球領先的AutoML技術廠商，構建了包括自動化的感知、認知、決策三大類算法，並由機器自動完成模型構建的全棧算法體系，助力企業低門檻、高效率實現AI的規模化，全面提升企業決策水平。同時，第四範式將複雜的開發流程和算法組合產品化、自動化，打造了Sage AIOS、Sage HyperCycle ML、天樞等AI產品，爲企業提供一站式決策平臺，助力企業規模化落地 AI 應用，全面提升治理能力，實現指數級增長。